-
摘要: 本文首先介绍了网络仿真技术的概念、特点和发展现状，在此基础上介绍了当前主流的通用型网络仿真软件的主要特点并对它们进行了对比分析和评价.为了解决现有网络架构灵活性和服务能力差的问题，我们引入了面向大数据建模、能够对网络整体状态进行预测和实时优化的平行网络架构及其计算实验平台.该平台融合虚拟的人工网络和实际网络的数据并对其进行实验分析和评估，可以发现最优的控制方案.基于平行网络计算实验方法，本文设计了针对微信朋友圈转发预测的网络优化方法，并通过实验验证了该方法可以有效提升网络的性能.Abstract: In this paper, the current network experiment platforms are investigated, introduced and compared. The most popularly used simulator and its main advantages and disadvantages are demonstrated. To solve the problem of lacking flexibility and service capability of traditional network experiment platforms, based on the parallel network architecture, the corresponding computational experiment platform is proposed. The proposed platform is data-oriented, and by using the computational experiments and analysis, an optimized control strategy can be continuously updated and tracked, thus the self optimization of network systems is achieved. In the end, a computational experiment based on retweet analysis of Wechat Moments is proposed, and the effectiveness of this method is evaluated.
-
多视图三维重建是指利用相机从不同视角拍摄的影像, 经过特征点提取与匹配、相机姿态估计、三角测量和光束法平差(Bundle adjustment, BA)等步骤, 恢复相机的位置和姿态, 重建场景的三维结构的过程.近年来, 大范围三维重建技术受到广泛的关注, 而从运动中恢复结构(Structure from motion, SFM)是实现三维重建的一项关键技术, 常应用于城市级的三维重建中.大范围三维重建技术在文物保护、自动驾驶、即时地图构建、军事侦察和情报获取[1]等方面具有重大的应用价值.
目前, 常用的三维重建算法主要包含增量式重建、全局式重建和混合式重建三类[2], 其中增量式三维重建是最早得到广泛研究和应用的重建方式, 它通过选择初始像对开始重建, 并以迭代的方式添加影像进行配准, 同时计算新增空间点的三维坐标, 最后通过光束法平差实现相机参数和场景三维结构的优化. Bundler和VSFM [3]是典型增量式重建系统, 具有较高的重建精度和重建稳定性.然而, 初始像对和最佳视图的选择对重建的精度和稳健性具有重要的影响.当重建的范围较大时, 重建精度会随着重建影像的增加而降低, 重建的场景结构还可能出现偏移. VSFM和ISFM [4]提出使用重三角测量来消除累积误差, 但随着影像数目的进一步增加, 其效果受到限制.同时, 由于增量式重建需要反复进行BA优化, 系统的重建效率较低、对计算资源消耗较大.文献[5-7]提出利用凝聚聚类算法采用自上而下的分层重建法, 提高重建效率, 避免误差累积, 实现大范围三维建模, 但会造成场景完整度的缺失. Agarwal等[8]设计了著名的"一天重建罗马"三维重建系统, 首次实现了增量式三维重建的分布式处理, 但该方法需要消耗大量的计算资源. Heinly等[9]综合使用标志影像聚类[10-11]和增强词汇树表示[12]等方法, 提出了基于流的三维重建架构, 可进行世界规模的三维重建, 但必须反复进行影像间重叠关系的检测, 场景重建的完整性有待进一步改善.文献[13-14]分别提出了利用POS信息的重建算法, 能够高效地进行大范围场景的高精度重建.文献[15]提出分块—重建—合并的增量式三维重建策略, 但只适用于具有坐标信息的影像.
全局式三维重建在进行大范围场景重建中具有重建效率高、不存在误差积累等优势, 近年来, 得到了较大的发展.全局式重建从对极几何场景图中同时估计所有相机的初始姿态和中心位置, 在完成三角测量后, 只进行一次全局光束平差, 最终得到相机的位姿和场景的三维结构. 1DSFM [16]和OpenMVG是典型的全局重建系统, 主要由旋转平均和平移平均两个过程组成. Govindu [17]首次提出利用旋转平均进行相机姿态估计, 以四元数对旋转矩阵进行参数化, 采用奇异值分解法得到旋转矩阵的最小二乘解. Martinec等提出使用Frobenius范数求解旋转平均问题[18], 而文献[19-20]提出了基于旋转流形李代数结构的最小化$L_{1}$范数求解方法, 这两种方法能够一定程度提高旋转平均求解算法的抗噪声性能, 但求解稳定性都有待提高. Jiang等提出了一种针对全局相机姿态配准的线性求解方法[21-22], 而Arie等提出使用本质矩阵分解的方法求解全局相机平移矩阵[23], 这两种方法进一步提高了全局法的求解效率, 但依赖高精度的对极几何关系, 对外点极为敏感. Wilson等构建的1DSFM重建系统[16]通过将平移平均求解映射为一维排序问题, 缓解了噪声影响, 却带来了重建稳定性的降低.文献[24]将旋转矩阵参数化为单位球体上的一组离散标签, 然后利用马尔科夫随机场离散置信传播求解旋转平均问题, 该方法能够在一定程度克服噪声影响, 且适用于大范围重建, 但其实现困难、计算复杂度高.文献[25]采用鲁棒性更好的$L_{1}$范数, 每次只更新一个旋转参数, 迭代进行, 直到达到全局最优.该方法能够充分利用李代数特性进行鲁棒估计, 但在进行大范围三维重建时计算精度和效率都较低.可见, 全局式重建法能够同时从场景图中估计所有相机的位置和姿态, 可以极大地提高计算效率, 但是重建精度受噪声影像响较大, 重建的稳定性存在一定的不足.
混合式重建法在近几年才开始得到一定的发展.它主要是通过结合增量式与全局式重建的各自优势, 实现场景的快速重建.目前, 大部分混合式三维重建算法只适用于小场景或者序列影像.为解决大范围重建问题, Havlena等[26]和Bhowmick [27-28]等利用场景图的二分结构, 提出了分而治之的混合式三维重建方法, 但在场景图分割过程中造成子场景图与匹配链之间大量的连接影像的丢失, 影响了重建精度和重建的完整性.文献[2]提出了一种基于自适应聚类分层的混合重建方法, 首先以全局的方式估计摄像机的旋转, 然后以增量式重建方法求解相机中心, 在保证重建精度的前提下大大提高了重建效率, 但重建完整性也有待提高.
综上所述, 设计适用于大范围场景的三维重建系统, 需要综合考虑系统的重建效率、重建精度和重建完整性等各方面内容.本文的主要贡献在于: 1)为提高大范围场景三维重建效率, 提出了一种基于多层次加权核K-means场景分割的混合式三维重建算法, 通过对场景图进行简化—分割—优化, 实现大范围重建区域的场景图分割; 2)对分割后的子场景图进行混合式重建, 提出一种强化的最佳影像选择标准, 增强重建的鲁棒性, 并使用局部优化策略, 进一步提高了系统重建效率.另外, 在混合式重建阶段, 采用文献[29]中基于$L_{1}$优化算子的全局旋转平均估计方法, 提高系统的可扩展性及对外点的鲁棒性, 并使用最小化最大重投影误差法进行三角测量, 以较低的计算成本实现完整的场景重建; 在完成相机中心估计后, 主要根据文献[4]中的异常点过滤、重三角测量和迭代优化方法, 进一步降低系统误差积累风险, 提高重建的精度和稳健性.
1. 系统架构
本文提出的基于场景图分割的三维重建系统流程如图 1所示, 主要包含特征点提取与匹配、几何校验与场景图建立、场景图分割、子场景图混合式重建和子模型合并等模块.
1) 特征点提取与匹配
目前常用的特征点提取算法有SIFT、SURF、KAZE和BRIEF等[30], 为了提高重建效率, 本文采用SIFTGPU进行特征点提取.特征点提取完成后, 大规模无序影像的特征点匹配往往要耗费大量的计算时间.本文选用文献[31]提出的匹配方法, 使用词汇树进行特征点匹配, 以满足大规模重建需求.
2) 几何校验与场景图建立
SFM通过估计特征点在不同影像之间的投影关系进行几何校验.像对之间的几何关系一般由如下变换关系描述:单应矩阵描述了像对之间匹配对应点的空间变换关系; 本质矩阵或基础矩阵描述了像对之间的对极几何关系[32].如果一个变换关系能够将一幅影像上足够多的点映射到另一幅影像上, 一般可认为实现了匹配几何验证.通常在进行变换关系估计时必须进行鲁棒性估计, LO-RANSAC是最常用的算法.
在完成匹配校验后, 对于重建影像序列, , 任意两张影像${I_{{i}}}, {I_{{j}}}$间的匹配点数目为${N_{{{ij}}}}$, 无匹配点时${N_{{{ij}}}} =0$, 影像${I_{{i}}}, {I_{{j}}}$对应相机之间的相对旋转矩阵为${R_{{{ij}}}}$, 平移向量为${t_{{{ij}}}}$.在构建场景图时, 首先挑选一张影像作为初始影像, 将其旋转矩阵设为$3\times3$单位矩阵, 位置设为[0,0,0], 这时, 任一影像$i$可根据相对位置、姿态关系确定一个未经优化的初始相机位置${m_i}$.在构建场景图$\Gamma=\{ v, \xi \} $时, 每一个顶点${m_{{i}}} \in v$表示相机${C_{{i}}} \in C$的位置, 每一条边${e_{{{ij}}}} \in \xi $表示两相机${C_{{i}}}, {C_{{j}}}$之间的连接关系.对于加权场景图$\Gamma = (v, \xi, W)$, $W$为$\left| v \right| \times \left| v \right|$的邻接矩阵, 其中, 任意元素${w_{ij}}$为两顶点连线的权值, 本文中取, 当没有连接时, ${w_{{{ij}}}} = 0$.
3) 场景图分割
多层次加权核K-means场景图分割算法是一种自上而下的分割方法, 所有的数据初始化为一类, 然后进行递归地分割.如图 2所示, 该算法主要由简化分层、层内分割与分割优化三个过程组成.该内容将在第3部分进行详细论述.
4) 子模型重建
对分割后的子场景图, 采用混合式方法进行重建.首先是对子场景图进行全局式旋转平均鲁棒估计, 得到相机间的旋转矩阵.然后选择初始像对, 完成初始重建.迭代进行下述操作:选择最佳添加影像, 然后进行相机中心估计, 并通过三角测量得到新的场景点.当子模型增加到一定程度(大于50时), 选择采用部分邻域的形式, 进行BA优化.
5) 子模型合并
子场景图重建后, 得到的子模型在不同的坐标系内.为了得到完整的三维重建, 必须对所有的子模型进行配准, 使它们在一个统一的坐标内.本文在进行场景图分割过程中, 在子场景图之间设置一定的重叠影像, 在子模型合并时, 可利用这些重叠影像, 计算不同子模型之间的相似变换与平移变换(最少需要三张影像).在进行配准时, 选择重建影像数目最多的子模型作为基准, 直接通过使用改进的ICP (Iterative closest point)算法[33]完成不同子模型之间的配准与合并.
6) BA优化
Levenberg-Marquardt算法是目前进行BA全局优化问题最常用的算法, 它能够充分利用多视图几何矩阵的稀疏性, 进行舒尔补问题求解.目前, Ceres solver库[34]中集成了该算法, 能够适用于各种非线性优化问题的求解.本文也采用该方法进行BA优化.除在子场景图混合式场景中使用BA优化外, 在完成子模型合并后, 还需要对整个重建场景进行BA优化.
2. 场景图分割
2.1 分割原则
1) 大小适宜:分割应尽量满足每个子场景图中的相机数量适中, 各个子场景图中相机数目接近, 但不必相等.首先, 大小适中的影像集可以有效地避免反复BA优化和可能的偏移现象, 同时, 使重建系统不受计算资源限制; 其次, 各子场景图中影像数目接近能够提高系统的可扩展性, 并能够在一定程度上提高效率.综上所述, 场景图分割应满足以下条件:
$$ \begin{equation} \begin{cases} \forall {\Gamma _{{k}}} \in \Gamma, &Num({C_{{k}}}) \le {H_{{0}}}\\ \forall {\Gamma _{{i}}}, {\Gamma _j} \in \Gamma , &\left| {Num({C_{{i}}}) - Num({C_{{j}}})} \right| \le {L_{{0}}} \end{cases} \end{equation} $$ (1) 其中, ${H_{{0}}}$与${L_{{0}}}$分别为子场景中影像数目上限与影像数目差值下限.随着集群影像数量的增加, 由局部增量式SFM计算得到的重投影误差首先显着下降, 然后趋于稳定.因此, 子场景图中影像数目可在较大范围内变化, 本文选择${H_0} = 500, {L_0} = 150$来进行精度和效率之间的平衡.
2) 场景完整性:引入场景的完整性主要是保证相机与相机之间的有效连接, 从而确保子场景重建后, 子模型与子模型能够完整拼接.为保证重建的完整性, 本文在子场景图之间设置一定的重叠相机, 如图 3所示.但重叠相机的数目不宜过多, 否则会影响计算效率, 且难以满足子场景图的大小约束.本文在后续重建中选择重叠影像的数目${N_{{O}}} = 40$.
2.2 分层简化
分层简化阶段主要是通过不断合并初始场景图${\Gamma _0}$的顶点, 实现多层次场景图的构建, 层与层之间顶点数递减, 其主要过程如下:首先设置简化层级$L$, 则本文选择, 通过简化可得到每一层的场景图, 其中.如图 2所示, 在逐层简化过程中, 由中的一个或几个顶点组合生成中的一个顶点, 新生成的顶点的权值为生成该点的权值之和.对于初始场景, 所有的顶点都是未标记的.随机访问任一顶点$x$, 如果$x$是未标记的, 那么将$x$与其连接的所有顶点中挑选未标记的权值最大的点$y$合并, 并标记$x$与$y$; 如果与$x$连接的所有顶点都已被标记, 则$x$单独保留, 并进行标记.当所有顶点都标记后, 意味着完成了本层简化, 并得到下一层的场景图.依次进行, 直到所有的层级构建完毕.同时, 为了防止过度简化, 当最低一级的顶点数目低于200时, 则不再进行简化.最终, 得到最简化的场景图中只包含少量的顶点.在该层直接采用核K-means算法进行分割, 可以加速K-means算法的执行速度, 克服K-means收敛于局部最小的缺点.
2.3 场景图分割
场景图分割的主要任务是将输入的场景图$\Gamma $划分为$k$个相互之间有一定重叠的子场景$\Gamma _{{1}}^{}, \Gamma _{{2}}^{}, \cdots, {\Gamma _{{k}}}$.在每一层, 本文使用加权核K-means算法进行分割.核函数可采用任意常用的核函数, 对结果影响不大.本文在后续实验过程中采用高斯函数, 即: , 其中表示2-范数, $\alpha $为系数.根据Mercer定理, 存在映射$\phi :K({m_i}, {m_j}) = \phi ({m_i})\phi ({m_j})$ [28].对于待分割场景图$\Gamma (v, \xi, W)$, 从最粗化层$\Gamma _{{L}}^{\rm{*}}$中随机选择$K$个顶点作为初始聚类中心; 然后, 遍历所有顶点, 根据式(2)判断每一个顶点的所属聚类.
这时, 每一个聚类中都存在一定数目的顶点, 根据重新计算每一个聚类的中心, 并对聚类中心$D$进行更新, 然后, 再次重复进行上述步骤, 直到所有聚类中心都不再进行更新.以最粗化$\Gamma _L^*$层的$K$个聚类中心为$\Gamma _{L - 1}^*$的初始化中心, 然后重新进行上述步骤, 直到完成$\Gamma _{L - 1}^*$的分割.以此类推, 最终实现原始场景图的分割.
$$ \begin{align} &D(\left\{ {{\Gamma _{{c}}}} \right\}|_{c = 1}^k) = \nonumber\\&\qquad\mathop {\min }\limits_{{\nu _1}, \cdots , {\nu _k}} \sum\limits_{c = 1}^k {\sum\limits_{{m_{{i}}} \in {v_{{c}}}}^{} {{w_i}{{\left\| {\phi ({m_i}) - \phi (m_c^ * )} \right\|}^2}} } = \nonumber\\ &\qquad \mathop {\min }\limits_{{\nu _1}, \cdots , {\nu _k}} \sum\limits_{c = 1}^k \sum\limits_{{m_{{i}}} \in {v_{{c}}}}^{} {w_i}\Bigg({K_{ii}} - \frac{{2\sum\limits_{{m_j} \in {v_c}} {{w_j}{K_{ij}}} }}{{\sum\limits_{{m_j} \in {v_c}} {{w_j}} }} + \nonumber\\&\qquad \frac{{2\sum\limits_{{m_l}, {m_j} \in {v_c}} {{w_j}{w_l}{K_{jl}}} }}{\left(\sum\limits_{{m_j} \in {v_c}} {w_j}\right)^2 }\Bigg) \end{align} $$ (2) 算法1.场景图多层次核聚类分割算法伪码实现
输入:影像集$I =\{{I_1}, {I_2}, \cdots, {I_N}\}$, 影像间相对旋转矩阵${R_{ij}}$, 平移向量${t_{ij}}$, 匹配点数目${N_{ij}}$.
过程:
1 计算影像$i$初始位置$\{ {m_1}, {m_2}, \cdots, {m_N}\} $
2 构建加权场景图$\Gamma = \{ v, \xi, W\} $, 其中, ${e_{ij}} \in \xi $, ${w_{ij}} = {N_{ij}} \in W$
3 构建多层次场景图: , 令$l = L$
4 初始化聚类中心$D = \emptyset $
5 While($l - - $)
6 If初始聚类中心$D = \emptyset $
7 从场景图$\Gamma _l^{\rm{*}}$中随机选取$k$个顶点加入$D$中, $D = \{ m_1^ *, \cdots, m_k^ * \} $
8 Else continue;
9 Repeat
10 For $j=1: N$
11 根据式(2)计算${m_j}$与各聚类中心的距离${d_{ji}}$
12 通过加权距离最小化原则, 判断所属聚类: $\lambda = \arg \mathop {\min }\nolimits_{0 \le i \le k} {w_j}{d_{ji}}$
13 将${m_j}$划入对应的聚类: $\Gamma _\lambda ^ \times $
14 End for
15 For $i=1: k$
16 更新聚类中心:
17 If $\phi (m_c^ *) = \phi '({m_c})$ do nothing
18 If 更新$\phi(m_c^ *) = \phi '({m_c})$, 记录边缘点变化, 加入${U_j}$
19 End For
20 Until所有$\phi ({m_j})$没有更新
21 End if
22 对${U_j}$中元素进行排序, 取前50作为最终元素, 删除其他元素
23 End While
输出:分割后的场景图, 子场景图之间的重叠影像索引$\{ {U_1}, {U_2}, \cdots, {U_N}\} $.
2.4 分割优化
对于给定的简化场景图, 通过如下方式得到场景图$\Gamma _{{i}}^{\rm{*}}$: 1)如果场景图$\Gamma _{{{i + 1}}}^{\rm{*}}$中的某一顶点在子场景图$c$中, 那么场景图$\Gamma _{{i}}^{\rm{*}}$形成该顶点的顶点组合都在子场景图$c$中. 2)如果场景图中的某一场景图中的顶点超过了规定的数目, 则进行核K-means分割, 如图 2所示. 3)以场景图$\Gamma _{{{i + 1}}}^{\rm{*}}$分割得到的质心为初始点, 重新进行核均值分割, 得到优化后的结果.重复以上步骤, 直到完成对场景图${\Gamma _0}$的分割.由于在每一层进行分割时, 都有很好的初始值, 所以整个优化过程会很快的收敛.
为了对完成重建后的各个子模型进行拼接, 并保证拼接后的模型的完整性, 需要在场景分割过程中设置场景图之间的重叠影像.尤其是在实际的分割过程中, 进行优化时, 往往只存在边界的变化, 即原属于某一个子场景图的边界点经过优化后, 变为另一个子场景图的边界点.在这个变化过程中, 我们记录下这类点, 并对其按照边界点权值的积$m \cdot n$最大进行排序, , ${\Gamma _{{i}}}, {\Gamma _{{{i + 1}}}}$为相邻子场景, 从排序中选择前50作为子场景重叠相机.场景图分割效果如图 1所示, 输入数据为大雁塔航拍数据, 在建立场景图后, 在建立场景图后, 通过场景分割, 可得到4个子场景图, 然后分别进行混合式重建生成子模型, 在完成子模型合并后, 实现整个重建的三维重建.
综上所述, 场景图多层次加权K-means分割算法的伪码流程如算法1所示.
3. 子场景混合式重建
在完成场景图分割后, 需进行场景图的混合式重建, 重建流程主要包含全局旋转矩阵估计、两视图重建、最佳视图选择、相机中心估计、三角测量和迭代优化等模块, 如图 4所示.
3.1 旋转矩阵估计
对于某一子场景图${\Gamma _{{k}}}$, 相机$i$与相机$j$之间的相对旋转矩阵为${R_{{{ij}}}}$, 相机$i$的绝对旋转矩阵为${R_{{i}}}$, 于是有: .所有的旋转矩阵构成特殊正交群$SO(3)$, 具有黎曼流形的可微性质. $SO(3)$作为一个李群, 可使用该条件提高旋转平均的求解效率.设, 其中, $\theta $为绕单位坐标轴$n$的旋转角度, $so(3)$为李代数, 于是有$R = {{\rm e}^{{{\left[\omega \right]}_ \times }}} \in SO(3)$, 其中${\left[\omega \right]_ \times }$为$\omega $的反对称矩阵.可定义全局旋转表示, 其对应的角表示形式${\omega _{{\rm{global}}}} = {[{\omega _1}, \cdots, {\omega _{{N}}}]^{\rm{T}}}$.相对旋转矩阵的一阶李代数近似可写为:
$$ \begin{equation} \begin{split} \omega & ={\omega _{{j}}} - {\omega _{{i}}} = [0, \cdots - I \cdots I, \cdots 0]{\omega _{{\rm{global}}}}=\\ & {A_{{{ij}}}}{\omega _{{\rm{global}}}} \end{split} \end{equation} $$ (3) 于是有$A{\omega _{{\rm{global}}}} = {\omega _{{\rm{rel}}}}$, 其中$A$为所有系数矩阵${A_{{{ij}}}}$的堆叠, ${\omega _{{\rm{rel}}}}$为所有相对旋转角观测值的堆叠.本文选用对噪声鲁棒性更好的${L_1}$范数进行求解, 于是有:
$$ \begin{equation} \arg \mathop {\min }\limits_{{\omega _{{\rm{global}}}}} {\left\| {A{\omega _{{\rm{global}}}} - {\omega _{{\rm{rel}}}}} \right\|_{{L_1}}} \end{equation} $$ (4) 在得到旋转矩阵的初值后, 采用迭代加权最小二乘法进一步得到全局旋转平均的优化求解[35].使用该方法进行全局旋转矩阵估计, 具有较高的计算效率, 且对噪声有很强的鲁棒性, 能够为后续重建提供高精度的相机位姿值.
3.2 最佳新增影像
新增加影像的选择标准主要考虑三个方面的内容: 1)已重建模型在新增影像中有足够多的可视点; 2)可视点在新增影像中的分布情况; 3)基线距离长, 在得到相机的旋转矩阵之后, 可以通过计算两个相机匹配特征点之间的角度来衡量两个相机之间的基线距离, 具体来说, 如果相机$i$与相机$j$存在匹配对应点$({p_{{i}}}, {p_{{j}}})$, 且旋转矩阵分别为${R_{{i}}}, {R_{{j}}}$, 那么它们之间的夹角为$a{\rm{cos}}(R_{{i}}^{\rm{T}}{p_{{i}}}, R_{{j}}^{\rm{T}}{p_{{j}}})$, 可依此来衡量两个相机之间的基线距离:夹角越大, 基线距离越长.设, ${S_{{i}}}, {Q_{{i}}}$分别为影像${I_{{i}}}$中已重建场景的可见点的数目和提取的特征点数目, ${A_{{i}}}$是影像${I_{{i}}}$的整体面积, 是可见点的凸包面积.定义最佳影像选择指数如下:
$$ \begin{equation} {a_i} = \frac{1}{3}\frac{{{S_i}}}{{{Q_i}}} + \frac{1}{3}\frac{{CH({S_i})}}{{{A_i}}} + \frac{1}{3}\frac{{a{\rm{cos}}(R_{{i}}^{\rm{T}}{p_{{i}}}, R_{{j}}^{\rm{T}}{p_{{j}}})}}{{{{180}^ \circ }}} \end{equation} $$ (5) 显然, ${a_i}$在范围内, 值越大, 表明候选影像更适合作为最佳影像.为了进一步提高计算效率, 首先, 对所有未添加影像进行筛选, 确定候选影像, 只有满足一定可视点阈值条件(大于等于100)的影像才可作为候选影像; 其次, 对候选影像按照场景可视点的数目多到少进行排序, 选择可视点最多的前5个作为候选影像, 其他的删除; 最后, 计算5张影像的选择指数${a_i}$, 选择值最大的候选影像作为最佳视图.通过使用强化的最佳影像选择策略, 可以提高重建算法的稳健性.
3.3 相机中心估计
如图 5所示, 新增影像的特征点可分为两部分:一部分是重叠点, 这些点是已重建场景在新增影像中的可视点, 可用来恢复相机的中心位置; 另一部分是新增点, 这些点在完成新增影像配准后通过三角测量计算得到.经过全局旋转平均后, 可得到任意新增相机$i$的旋转矩阵${R_{{i}}}$, 利用重叠点, 通过最小化3D场景点的重投影误差和求解新增相机$i$的平移向量$t$, 目标函数为:
$$ \begin{equation} \arg \mathop {\min }\limits_{{t_{{i}}}} \sum\limits_{p = 1}^M {\left\| {{u_{{p}}} - \frac{{r_{{{i1}}}^{\rm{T}}{X_{{p}}} + {t_{{{i1}}}}}}{{r_{{{i3}}}^{\rm{T}}{X_{{p}}} + {t_{{{i3}}}}}}, {v_{{p}}} - \frac{{r_{{{i2}}}^{\rm{T}}{X_{{p}}} + {t_{{{i2}}}}}}{{r_{{{i3}}}^{\rm{T}}{X_{{p}}} + {t_{{{i3}}}}}}} \right\|} \end{equation} $$ (6) 其中, . 2D点$({u_{{p}}}, {v_{{p}}})$为空间点${X_{{p}}}$对应的特征点.设已注册影像$j$的相机中心的平移向量为${t_j}$, 新增影像与已注册影像$j$间的相对平移向量为${t_{jk}}$, 新增影像的旋转矩阵${R_k}$已在第3.1节通过全局旋转平均得到, 可通过获得新增影像的相机中心的平移向量的初值${\widehat t_k}$.在实际重建过程中, 与新增影像有重叠关系的影像数目可能较多, 可选择与新增影像之间匹配点数目最多的8张影像按照上述方法求得相机中心位置的初值后, 取平均作为新增影像的相机中心的初始位置.这样, 可加快式(6)求解时的收敛速度.使用该方法进行相机中心估计, 能够提高重建精度和系统的稳健性.
3.4 三角测量
三角测量是指在给定相机投影矩阵的情况下, 从影像2D特征点中估计场景3D结构的过程[36].经过相机位姿估计, 可以得到相机$i$的投影矩阵, 对于任意2D-3D匹配对应点$[{u_{{p}}}, {v_{{p}}}]$与${X_{{p}}} \in {{\bf R}^3}$, 提出使用最小化最大重投影误差计算新增3D点$X$的坐标值, 目标函数为:
$$ \begin{equation} \begin{split} & \arg \mathop {\min }\limits_X \max _{p = 1}^N\left\| {{u_{{p}}} - \frac{{r_{{{i1}}}^{\rm{T}}X + {t_{{{i1}}}}}}{{r_{{{i3}}}^{\rm{T}}X + {t_{{{i3}}}}}}, {v_{{p}}} - \frac{{r_{{{i2}}}^{\rm{T}}X + {t_{{{i2}}}}}}{{r_{{{i3}}}^{\rm{T}}X + {t_{{{i3}}}}}}} \right\|{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \\ & {\rm{s}}{\rm{.t}}{\rm{.}}\quad {\kern 1pt} {\kern 1pt} r_{{{i3}}}^{\rm{T}}X + {t_{{{i3}}}} > 0, \forall i = 1, \cdots , N \end{split} \end{equation} $$ (7) 使用本文方法进行三角测量, 能够均匀分布重投影误差, 进一步避免误差积累, 提高重建的稳健性, 同时降低外点率.
3.5 局部优化
目前, 三维重建在进行BA优化时, 一般采用全局优化的形式进行, 即所有已重建的影像全部参与优化.每添加一张影像就需要进行一次全局优化, 大大降低了系统的重建效率.实际上, 新添加影像与已重建影像之间的连接关系图 6所示, 一级连接影像是与新添加影像由直接匹配对应点的影像, 次级连接影像是除新添加影像外与一级连接影像有直接匹配对应点的影像, 依次类推.依据文献[37]中相关结论, 提出使用一级连接影像及部分二级连接影像参与BA优化.具体方法如下:
在完成新增影像配准和三角点测量后, 根据2D-2D匹配链可得到已重建影像中与新增影像直接相连的一级影像, 通过一级连接影像可获得次级连接影像.本文选择参与局部优化的影像数目为50, 每次优化前, 确定参与优化的影像集合${Q_{{i}}}$:首先从一级连接影像中选择, 如果一级连接影像不足, 则从次级连接影像中按照可视点的由多到少进行补足.于是, BA优化函数可写为:
$$ \begin{equation} g(R, t, X) = \sum\limits_{i \in {Q_{{i}}}} {\sum\limits_{j = 1}^M {{{\left\| {{u_{{{ij}}}} - {P_{{i}}}{X_{{{ij}}}}} \right\|}^2}} } \end{equation} $$ (8) 其中, ${u_{{{ij}}}}$为特征点, ${X_{{{ij}}}}$为${u_{{{ij}}}}$对应的3D重建点.求解上式非线性方程, 使用最为广泛的是Levenberg-Marquardt算法, 它是介于牛顿法与梯度下降法之间的一种非线性优化方法, 对于过参数化问题不敏感, 能有效处理冗余参数问题, 使代价函数陷入局部极小值的机会大大减小. Ceres solver库包含了Levenberg-Marquardt算法的求解方案, 本文使用该库对式(8)进行求解.
为进一步提高重建的精度与稳健性, 本文采用文献[4]中的外点滤除、重三角测量和迭代优化策略.首先在经过全局BA后, 还是会存在一些投影误差较大的观测点需要滤除.同时, 对于重建的三维点, 通过设置所有对应影像的最小三角测量角度进行几何配置的优化[3].其次, 为降低场景偏移风险, 提高场景重建的完整性, 通过2D-2D匹配链, 检索前期三角测量失败的2D点, 重新进行三角测量, 并保留低于重投影滤波阈值的点.最后, 进行迭代优化, 即反复进行外点滤除、重三角测量和BA优化直到重建场景中不再有异常点.
4. 实验验证
为验证本文重建系统的重建效率、重建精度和重建的完整性, 共进行4组实验, 并分别与1DSFM、HSFM进行了对比.实验1, 采用互联网数据Rome Forum与航测数据(西安大雁塔), 验证本文场景图分割算法的有效性.实验2采用互联网下载数据的4组数据进行三维重建, 分别为龙泉寺[38]、Yorkminster、Piccadilly和Trafalgar [22], 其中龙泉寺数据集规模较小, 且相机排列规范, 相片尺度一致性好, 重建难度Yorkminster、Piccadilly为中等规模数据集, Yorkminster数据集影像间明暗变化大, 很多影像存在较严重遮挡, 且影像间连接较弱, 重建难度大; Trafalgar为较大规模数据集, 对单机重建具备一定的挑战性.实验3采用航测数据集, 分别为西安大雁塔、大连市区与某城市市区, 不使用辅助数据直接进行三维重建, 并完成后续重建步骤, 从而更直观的观测重建质量.实验4采用采用我国嵩山地区带控制点航测数据集和带地理参考信息的Quad数据集进行三维重建, 进一步验证本文提出算法的精度.实验环境为8核2.8 GHz Intel Core i7-4900MQ CPU的计算机, 算法采用C++实现.
4.1 分块效果评估
大雁塔数据共包含1 045张影像, Rome Forum共包含2 364张影像, 重建时, 设置场景图分割数目为4, 子场景图之间的重叠影像数目为50.可见, 不同子场景图重建后对应的区域位置不同, 但相互间保持一定的重叠.其次, 从表 1中可见, 分割后子场景图中的影像数目较为均衡, 能够保证重建效率, 分散重建误差; 合并前后重投影误差没有出现较大的变化, 证明了算法的有效性和场景的稳定性.从图 8中可见, 对于互联网数据, 子场景图中的相机位置与重建后的位置相差较大, 只使用相对位置信息进行场景图分割势必会造成较大的误差, 重建后的场景的完整性也就无法得到保证.使用本文算法得到的重建结果, 子场景图覆盖区域分布均匀, 最终模型重建精度较高.
表 1 合并前后重建结果对比Table 1 Comparison of reconstruction results before and after merging数据集 子场景序号 合并前 合并后 $N_R$ $A_{RE}$ $N_R$ $A_{RE}$ 大雁塔 1 296 0.416 1 045 0.455 2 323 0.463 3 268 0.451 4 253 0.437 Rome Forum 1 470 0.577 1 475 0.572 2 386 0.556 3 355 0.583 4 431 0.572 表中, $N_R$为重建影像数目; $A_{RE}$表示重投影误差, 单位(pixel). 
图 7 大雁塔场景图分割重建结果(上:分割后子场景图; 中:子场景图相机地面投影; 下:子场景图重建结果)Fig. 7 Reconstruction results of DAYANTA based on scene graph partition (up: sub-scene graph; middle: camera ground projection in sub-scene graph; below: reconstruction result of sub-scene graph)
图 8 场景图分割重建结果(上:分割后子场景图; 下:子场景图重建结果)Fig. 8 Reconstruction results of Rome Forum based on scene graph partition (up: sub-scene graph; below: reconstruction result of sub-scene graph)4.2 重建效率和完整性
图 9(a)~(d)分别为龙泉寺、Yorkminster、Piccadilly和Trafalgar数据集的重建结果, 其中锥体表示重建得到的相机位置和姿态, 浅色点云代表场景的稀疏结构.可见, 使用本文算法得到的重建结果, 相机位姿合理, 场景立面完整、结构清晰, 外点数目极少.
通过表 2可见, 除龙泉寺数据外, 使用本文算法重建后, 注册影像数目多于1DSFM与HSFM重建结果, 表明本文算法对场景的重建完整性更好, 尤其是对于存在一定挑战的Yorkminster数据集, 本文算法在保证重建精度的前提下, 共重建影像1 712张, 重建结果更完整.在重建效率方面, 本文算法与HSFM场景效率远高于1DSFM, 同时, 以Trafalgar数据集为例, 本文算法重建时间为438.443 min, 少于HSFM重建的时间(481.857 min), 且本文重建注册的影像更多.由于本文采用分割重建策略, 受计算资源限制较小, 可使用单机进行大范围场景的三维重建.
表 2 1DSFM、HSFM与本文算法的不同数据集三维重建结果对比Table 2 Comparison of 3D reconstruction result of different dataset using 1DSFM, HSFM and Ours数据集 1DSFM HSFM Ours 名称 $N_D$ $N_R$ $T_{A}$ $A_{RE}$ $N_R$ $T_{A}$ $A_{RE}$ $N_R$ $T_{A}$ $A_{RE}$ 龙泉寺 443 406 25.386 0.841 417 19.661 0.717 413 16.815 0.711 Yorkminster 3 368 1 176 93.910 0.736 1 472 64.726 0.628 1 712 65.803 0.607 Piccadilly 7 351 6 445 476.781 1.194 6 791 269.561 0.865 6 979 231.794 0.822 Trafalgar 15 683 9 384 765.685 1.173 11 943 481.857 0.837 12 741 438.443 0.816 西安大雁塔 1 045 1 043 58.357 0.617 1 045 31.637 0.510 1 045 26.946 0.455 大连市区 4 900 4 900 327.625 1.397 4 900 231.394 1.478 4 900 197.872 1.353 某城市市区 15 750 NA NA NA 15 745 845.632 1.359 15 750 785.451 1.211 表中, $N_D$为数据集中的影像数目; $N_R$为重建影像数目; $T_{A}$表示重建时间, 单位(min); $A_{RE}$表示重投影误差, 单位(pixel). 实验3采用三组航拍影像进行三维重建, 三组影像集分别为西安大雁塔、大连市区与某城市市区, 全部采用五镜头相机获取.使用本文算法完成稀疏重建后, 分别使用半全局匹配算法进行稠密重建、使用泊松算法进行表面重建, 完成纹理映射后结果如图 10所示.可见, 使用本文算法重建后的场景真实性良好, 场景内建筑、车辆等物体清晰、结构完整.
图 10 航测数据集(西安大雁塔、大连市区、某城市市区)三维重建结果Fig. 10 3D reconstruction result of aerial images (Da-Yan Tower in Xi$'$an, Dalian City, and A City Center)4.3 重建精度
根据表 2, 对各数据集重建的重投影误差进行对比可见, 本文算法重建精度大大优于1DSFM算法, 对比HSFM算法, 也有一定的优势.为进一步验证本文算法的重建精度, 使用本文算法对带地面控制点的嵩山航测数据集与带地理参考信息的Quad数据集进行三维重建, 重建结果如图 11所示.
图 11 稀疏重建结果(左:嵩山, 右: Quad)Fig. 11 Sparse reconstruction results (left: Songshan; right: Quad)嵩山数据集共有3 910张影像, 影像尺寸为$10\, 328 \times 7\, 760$, 采用航测飞机搭载AMC580五镜头相机进行影像获取, 飞行高度约为900 m, 像元分辨率为$0.0052\, {\rm{mm}}\times0.0052\, {\rm{mm}}$, 其中相机1为下视相机, 焦距为55 mm, 侧视相机焦距为80 mm.
由图 11 (a)可见, 重建场景中航线稳定, 相机位姿合理, 物体结构清晰.选择部分控制点作为选取部分控制点作为检查点, 得到的部分误差结果如表 3所示, 三维重建场景的三维平均中误差为0.4238 m, 平面平均中误差为0.1873 m, 通过换算可得, 三维中误差优于5个像素, 平面中误差优于2.5个像素, 部分重投影误差分布如图 12所示, 特征点与重投影点基本完全重合, 重建精度较高.
表 3 嵩山地区部分误差结果Table 3 Partial error result of the Songshan area序号 $\Delta X$ $\Delta Y$ $\Delta Z$ RMS 1 0.2727 0.2337 0.2512 0.4383 2 0.1222 0.1053 0.1597 0.3370 3 0.1725 0.3045 0.3623 0.5037 4 0.2045 0.3643 0.5239 0.6703 5 0.1380 0.1419 0.4578 0.4987 
图 12 嵩山地区部分区域特征点与重投影点分布图(×表示特征点位置, +表示重投影点位置)Fig. 12 Distribution of feature points and re-projection points in the Songshan areas (×: feature points, +: re-projection points)Quad数据集提供了348张影像的相机位置参考数据, 采用部分相机位置信息进行坐标换换, 然后从未参与坐标转换的影像中选择部分相机位置作为检查点, 得到的部分误差结果如表 4所示, 经过统计分析, 使用本文方法进行三维重建得到的最终结果的中误差为1.0155 m, 优于HSFM的1.03 m.
表 4 Quad数据集部分误差结果Table 4 Partial error result of Quad dataset序号 $\Delta X$ $\Delta Y$ $\Delta Z$ RMS 1 0.2727 0.2337 0.2512 0.4383 2 0.1222 0.1053 0.1597 0.3370 3 0.1725 0.3045 0.3623 0.5037 4 0.2045 0.3643 0.5239 0.6703 5 0.1380 0.1419 0.4578 0.4987 综上所述, 本文提出的三维重建算法能够实现大范围场景三维重建, 并在重建精度、重建完整性和重建效率方面较1DSFM和HSFM算法有较大提高.
5. 结论
本文提出了一种高效、高精度的三维重建方法, 该方法通过使用多层次加权核K-means算法进行场景图分割, 可实现大范围场景的高效重建, 同时, 提出使用混合式重建和局部优化等方法进一步提高了算法的重建效率.通过综合使用强化的最佳影像选择标准、稳健的三角测量方法、迭代优化等策略大大提高了算法的重建精度和稳健性.经实验验证, 该算法能够进行航测数据和互联网收集数据的三维重建, 重建效率、重建精度和重建的完整性较1DSFM和HSFM算法有较大的提高.
-
图 7 传统网络与计算实验优化性能对比
Fig. 7 Performance comparison of traditional method and parallel network computational experiment
表 1 常用仿真软件分类
Table 1 Common simulators classification
通用型 无线传感网 P2P网络 车载自组网 NS-2 SensorSim QueryCycle GrooveNet NS-3 Castalia Narses TraNS GlomoSim VisualSense 3LS NCTUns OMNeT++ Viptos NeuroGrid MOVE OPNET Sidh Peersim VANET MobiSim JiST/SWANS Prowler P2PSim Veins GTNetS Nsrlsensorsim SimP2 – SSFNet – – – 
下载: 导出CSV
表 2 NS-2和NS-3的比较
Table 2 Comparison of NS-2 and NS-3
NS-2 NS-3 开源 开源 用户自定义模型困难 用户自定义模型容易 大量的用户贡献工具 少量的用户贡献工具 双语言编写(C++, Otcl) 单语言编写(C++) 编程能力要求高 编程能力要求适中 现有模型支持大量的协议 现有模型支持少量的协议
下载: 导出CSV
表 3 JiST/SWANS与GlomoSim和NS-2的性能对比
Table 3 Comparison of JiST/SWANS, GlomoSim and NS-2
节点数 仿真器 耗时 内存消耗 500 SWANS 43 s 1 101 KB GlomoSim 82 s 5 759 KB NS-2 7136 s 5 8761 KB 5 000 SWANS 430 s 5 284 KB GlomoSim 6191 s 27 570 KB 50 000 SWANS 4 377 s 49 262 KB 1 000 000 SWANS – 933 MB
下载: 导出CSV
表 4 仿真软件性能对比
Table 4 Performance comparison of simulators
软件名称 编程语言 平台 开源 内存消耗 速度 灵活性 可扩展性 易用性 NS-2 C++, Otcl 跨平台 开源 * * * ** * NS-3 C++ 跨平台 开源 *** *** ** *** *** GlomoSim Parsec Linux 开源 ** ** * *** ** QualNet Parsec 跨平台 不开源 ** ** * * *** OMNeT++ C++ 跨平台 开源 * ** ** *** ** OPNET C++ 跨平台 不开源 ** * ** * *** J-SIM Java 跨平台 开源 ** ** *** *** ** JiST/SWANS Java 跨平台 开源 *** *** *** ** ** GTNetS C++ Linux 开源 – – ** ** * SSFNet Java 跨平台 开源 – – * ** ** Mininet Python Linux 开源 ** ** *** *** ** EstiNet – Linux 不开源 *** *** ** * **
下载: 导出CSV
表 5 转发预测召回率
Table 5 Recall rate of retweet prediction
线性分类器 决策树 SVM 随机森林 历史转发频度 5.6 71.09 89.9 71.09 浏览时间+历史转发频度 5.6 71.23 92.07 0 浏览页数/总页数+历史转发频度 5.7 71.09 3.03 0 浏览时间+浏览页数/总页数+历史转发频度 5.91 71.09 2.38 57.1
下载: 导出CSV
-
[1] 王飞跃, 杨柳青, 胡晓娅, 程翔, 韩双双, 杨坚.平行网络与网络软件化:一种新颖的网络架构.中国科学:信息科学, 2017, 47(7):811-831 http://www.cnki.com.cn/Article/CJFDTOTAL-PZKX201707001.htmWang Fei-Yue, Yang Liu-Qing, Hu Xiao-Ya, Cheng Xiang, Han Shuang-Shuang, Yang Jian. Parallel networks and network softwarization:a novel network architecture. Scientia Sinica Informationis, 2017, 47(7):811-831 http://www.cnki.com.cn/Article/CJFDTOTAL-PZKX201707001.htm [2] 俞晨, 王延年.计算机网络应用的现状与展望.信息与电脑(理论版), 2018, (9):168-169 http://www.cnki.com.cn/Article/CJFDTotal-XXDL201809067.htmYu Chen, Wang Yan-Nian. The status and prospect of computer network application. China Computer & Communication, 2018, (9):168-169 http://www.cnki.com.cn/Article/CJFDTotal-XXDL201809067.htm [3] 杨仁宇, 韩毅刚, 章帆, 冯飞.基于SDN的内容中心网络研究综述.计算机科学, 2019, 46(1):13-20 http://d.old.wanfangdata.com.cn/Periodical/jsjkx201901003Yang Ren-Yu, Han Yi-Gang, Zhang Fan, Feng Fei. Survey of content centric network based on SDN. Computer Science, 2019, 46(1):13-20 http://d.old.wanfangdata.com.cn/Periodical/jsjkx201901003 [4] Breslau L, Estrin D, Fall K, Floyd S, Heidemann J, Helmy A, et al. Advances in network simulation. Computer, 2000, 33(5):59-67 doi: 10.1109/2.841785 [5] 方维维, 王锐.网络模拟和仿真技术.计算机教育, 2005, (12):51-54 doi: 10.3969/j.issn.1672-5913.2005.12.017 [6] 侯宗浩, 王秉康, 黄泳翔.网络仿真的研究.计算机仿真, 2003, 20(10):89-91, 136 doi: 10.3969/j.issn.1006-9348.2003.10.029Hou Zong-Hao, Wang Bing-Kang, Huang Yong-Xiang. Research of the network simulation. Computer Simulation, 2003, 20(10):89-91, 136 doi: 10.3969/j.issn.1006-9348.2003.10.029 [7] 吕方瑶.当前主要网络仿真工具研究和实践.信息通信, 2011, (4):3-5 doi: 10.3969/j.issn.1673-1131.2011.04.002 [8] Heidemann J, Mills K, Kumar S. Expanding confidence in network simulations. IEEE Network, 2001, 15(5):58-63 doi: 10.1109/65.953234 [9] Mehta S, Sulatan N, Kwak K S. Network and system simulation tools for next generation networks:a case study. Modelling, Simulation and Identification. InTech, 2010. [10] 袁晓, 蔡志平, 刘书昊, 喻颖.大规模网络仿真软件及其仿真技术.计算机技术与发展, 2014, (7):9-12 http://d.old.wanfangdata.com.cn/Periodical/wjfz201407003Yuan Xiao, Cai Zhi-Ping, Liu Shu-Hao, Yu Ying. Large-scale network emulation software and its key technologies. Computer Technology and Development, 2014, (7):9-12 http://d.old.wanfangdata.com.cn/Periodical/wjfz201407003 [11] 张贤军, 李鹤.计算机网络仿真技术及仿真工具.舰船电子工程, 2013, 33(1):25-27 doi: 10.3969/j.issn.1627-9730.2013.01.009Zhang Xian-Jun, Li He. Computer network simulation technology and simulation tools. Ship Electronic Engineering, 2013, 33(1):25-27 doi: 10.3969/j.issn.1627-9730.2013.01.009 [12] Siraj S, Gupta A K, Badgujar R. Network simulation tools survey. International Journal of Advanced Research in Computer and Communication Engineering, 2012, 1(4):201-210 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0232114831/ [13] Issariyakul T, Hossain E. Introduction to network simulator 2(NS2). Introduction to Network Simulator NS2. Boston, MA:Springer, 2012. 21-40 [14] 茹新宇, 刘渊.网络仿真器NS3的剖析与探究.计算机技术与发展, 2018, 28(3):72-77 doi: 10.3969/j.issn.1673-629X.2018.03.015Ru Xin-Yu, Liu Yuan. Analysis and research on network simulator 3. Computer Technology and Development, 2018, 28(3):72-77 doi: 10.3969/j.issn.1673-629X.2018.03.015 [15] Bagrodia R, Meyer R, Takai M, Chen Y A, Zeng X, Martin J, et al. Parsec:a parallel simulation environment for complex systems. Computer, 1998, 31(10):77-85 doi: 10.1109/2.722293 [16] Zeng X, Bagrodia R, Gerla M. GloMoSim:a library for parallel simulation of large-scale wireless networks. ACM SIGSIM Simulation Digest, 1998, 28(1):154-161 doi: 10.1145/278009.278027 [17] Farooq J, Rauf B. Implementation and Evaluation of IEEE 802.11e Wireless LAN in GloMoSim. Department of Computing Science Umea University Sweden, 2006. [18] 杨路明, 李谢华.网络仿真软件比较分析及仿真过程探讨.计算技术与自动化, 2002, 21(4):65-70 doi: 10.3969/j.issn.1003-6199.2002.04.015Yang Lu-Ming, Li Xie-Hua. Comparison & analysis of network simulators and discussion on process of network simulation. Computing Technology and Automation, 2002, 21(4):65-70 doi: 10.3969/j.issn.1003-6199.2002.04.015 [19] Spaho E, Barolli L, Mino G, Xhafa F, Kolici F. VANET simulators:a survey on mobility and routing protocols. In:Proceedings of the 2011 International Conference on Broadband and Wireless Computing, Communication and Applications. Barcelona, Spain:IEEE, 2011. 1-10 [20] 石怀伟, 王华, 张念军, 赵林胜, 佀同光. OPNET网络仿真技术及其应用分析.计算机工程与设计, 2006, 27(17):3309-3311 doi: 10.3969/j.issn.1000-7024.2006.17.064Shi Huai-Wei, Wang Hua, Zhang Nian-Jun, Zhao Lin-Sheng, Si Tong-Guang. Analysis of OPNET simulation technology and its application. Computer Engineering and Design, 2006, 27(17):3309-3311 doi: 10.3969/j.issn.1000-7024.2006.17.064 [21] Kumar A, Kaushik S K, Sharma R, Raj P. Simulators for wireless networks:a comparative study. In:Proceedings of the 2012 IEEE International Conference on Computing Sciences. Phagwara, India:IEEE, 2012. 338-342 [22] 陈敏. OPNET物联网仿真.武汉:华中科技大学出版社, 2015. 55-75Chen Min. OPNET IOT Simulation. Wuhan:Huazhong University of Science and Technology Press, 2015. 55-75 [23] 陈敏. OPNET网络仿真.北京:清华大学出版社, 2004. 48-53 [24] 周慧. OPNET网络仿真及其应用研究[硕士学位论文], 武汉科技大学, 中国, 2009. 15-18 http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1546288Zhou Hui. The Study of OPNET Simulation and its Application[Master thesis], Wuhan University of Science and Technology, China, 2009. 15-18 http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1546288 [25] Miller J A, Nair R S, Zhang Z, Zhao H. JSIM:a JAVA-based simulation and animation environment. In:Proceedings of IEEE 30th Annual Proceedings of Simulation Symposium. Atlanta, Georgia, USA:IEEE, 1997. 31-42 [26] Cao N, Liu P Z, Li G F, Zhang C, Cao S H, Cao G S, et al. Evaluation models for the nearest closer routing protocol in wireless sensor networks. IEEE Access, 2018, 6:77043-77054 doi: 10.1109/ACCESS.2018.2825441 [27] Kargl F, Schoch E. Simulation of MANETs:a qualitative comparison between JiST/SWANS and NS-2. In:Proceedings of the 1st International Workshop on System Evaluation for Mobile Platforms. San Juan, Puerto Rico:IEEE, 2007. 41-46 [28] Barr R, Haas Z J, van Renesse R. JiST:an efficient approach to simulation using virtual machines. Software:Practice and Experience, 2005, 35(6):539-576 doi: 10.1002/spe.647 [29] Riley G F. The Georgia tech network simulator. In:Proceedings of the 2003 ACM SIGCOMM Workshop on Models, Methods and Tools for Reproducible Network Research. Karlsruhe, Germany:ACM, 2003. 5-12 [30] 刘涛, 聂晓峰, 荆继武, 王跃武.基于小型对象分配技术的GTNetS蠕虫仿真内存管理.中国科学院大学学报, 2012, 29(1):131-135 http://d.old.wanfangdata.com.cn/Periodical/zgkxyyjsyxb201201019Liu Tao, Nie Xiao-Feng, Jing Ji-Wu, Wang Yue-Wu. Memory management in worm simulation based on small object memory allocation technique on the GTNetS. Journal of Graduate University of Chinese Academy of Sciences, 2012, 29(1):131-135 http://d.old.wanfangdata.com.cn/Periodical/zgkxyyjsyxb201201019 [31] Cowie J, Ogielski A, Nicol D. The SSFNet network simulator[Online], http://www.ssfnet.org/homePage.html, 2002 [32] Yoon S, Kim Y B. A design of network simulation environment using SSFNet. In:Proceedings of the 1st International Conference on Advances in System Simulation. Porto, Portugal:IEEE, 2009. 73-78 [33] 杨俊东, 尹强, 张硕.基于Mininet的SDN仿真与性能分析.信息通信, 2017, (3):189-191 doi: 10.3969/j.issn.1673-1131.2017.03.100Yang Jun-Dong, Yin Qiang, Zhang Shuo. Simulation and performance analysis of SDN based on Mininet. Information & Communications, 2017, (3):189-191 doi: 10.3969/j.issn.1673-1131.2017.03.100 [34] Wang S Y. Comparison of SDN OpenFlow network simulator and emulators:EstiNet vs. Mininet. In:Proceedings of the 2014 IEEE Symposium on Computers and Communication. Funchal, Portugal:IEEE, 2014. 1-6 [35] Wang S Y, Chou C L, Yang C M. EstiNet openflow network simulator and emulator. IEEE Communications Magazine, 2013, 51(9):110-117 doi: 10.1109/MCOM.2013.6588659 [36] Imran M, Said A M, Hasbullah H. A survey of simulators, emulators and testbeds for wireless sensor networks. In:Proceedings of the 2010 International Symposium on Information Technology. Kuala Lumpur, Malaysia:IEEE, 2010. 897-902 [37] Zhou S J, Zhou Y H, Luo J Q. Research on simulators for peer-to-peer systems. In:Proceedings of the 2013 IEEE 3rd International Conference on Computer Science and Network Technology. Dalian, China:IEEE, 2013. 726-731 [38] Owczarek P, Zwierzykowski P. Review of simulators for wireless mesh networks. Journal of Telecommunications Information Technology, 2014, 14(3):82-89 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=a7fca6901e4f97c85762a983b7925117 [39] 王润民, 邓晓峰, 徐志刚, 赵祥模.车联网仿真测试评价技术研究综述.计算机应用研究, 2019, (7):1-9 http://www.cnki.com.cn/Article/CJFDTotal-JSYJ2018070900M.htmWang Run-Min, Deng Xiao-Feng, Xu Zhi-Gang, Zhao Xiang-Mo. Survey on simulation testing and evaluation of internet of vehicles. Application Research of Computers, 2019, (7):1-9 http://www.cnki.com.cn/Article/CJFDTotal-JSYJ2018070900M.htm [40] McKeown N. Software-defined networking. INFOCOM Keynote Talk, 2009, 17(2):30-32 http://d.old.wanfangdata.com.cn/Periodical/rjxb201501006 [41] 王飞跃.平行系统方法与复杂系统的管理和控制.控制与决策, 2004, 19(5):485-489 doi: 10.3321/j.issn:1001-0920.2004.05.002Wang Fei-Yue. Parallel system methods for management and control of complex systems. Control and Decision, 2004, 19(5):485-489 doi: 10.3321/j.issn:1001-0920.2004.05.002 [42] Shen D Y, Wang X, Wang J, Guan X Y, Yang P H, Xu L. Parallel intermodal road-rail transportation system based on ACP approach. In:Proceedings of the 2017 IEEE International Conference on Systems, Man, and Cybernetics. Banff, Canada:IEEE, 2017. 444-449 [43] 王飞跃.人工社会、计算实验、平行系统——关于复杂社会经济系统计算研究的讨论.复杂系统与复杂性科学, 2004, 1(4):25-35 doi: 10.3969/j.issn.1672-3813.2004.04.002Wang Fei-Yue. Artificial societies, computational experiments, and parallel systems:a discussion on computational theory of complex social-economic systems. Complex Systems and Complexity Science, 2004, 1(4):25-35 doi: 10.3969/j.issn.1672-3813.2004.04.002 [44] 王飞跃, 杨坚, 韩双双, 杨柳青, 程翔.基于平行系统理论的平行网络架构.指挥与控制学报, 2016, 2(1):71-77 http://d.old.wanfangdata.com.cn/Periodical/zhykzxb201601012Wang Fei-Yue, Yang Jian, Han Shuang-Shuang, Yang Liu-Qing, Cheng Xiang. The framework of parallel network based on the parallel system theory. Journal of Command & Control, 2016, 2(1):71-77 http://d.old.wanfangdata.com.cn/Periodical/zhykzxb201601012 [45] Wang F Y, Yang L Q, Cheng X, Han S S, Yang J. Network softwarization and parallel networks:beyond software-defined networks. IEEE Network, 2016, 30(4):60-65 doi: 10.1109/MNET.2016.7513865 [46] 王飞跃, 王晓, 袁勇, 王涛, 林懿伦.社会计算与计算社会:智慧社会的基础与必然.科学通报, 2015, 60(5-6):460-469 http://d.old.wanfangdata.com.cn/Periodical/jsjyjyfz201312002Wang Fei-Yue, Wang Xiao, Yuan Yong, Wang Tao, Lin Yi-Lun. Social computing and computational societies:the foundation and consequence of smart societies. Chinese Science Bulletin, 2015, 60(5-6):460-469 http://d.old.wanfangdata.com.cn/Periodical/jsjyjyfz201312002 [47] 刘烁, 王帅, 孟庆振, 叶佩军, 王涛, 黄文林, 等.基于ACP行为动力学的犯罪主体行为平行建模分析.自动化学报, 2018, 44(2):251-261 http://www.aas.net.cn/CN/abstract/abstract19220.shtmlLiu Shuo, Wang Shuai, Meng Qing-Zhen, Ye Pei-Jun, Wang Tao, Huang Wen-Lin, et al. Parallel modeling of criminal subjects behavior based on ACP behavioral dynamics. Acta Automatica Sinica, 2018, 44(2):251-261 http://www.aas.net.cn/CN/abstract/abstract19220.shtml [48] Zhang W W, Wang K F, Qu H, Zhao J H, Wang F Y. Scene-specific pedestrian detection based on parallel vision. arXiv preprint arXiv:1712.08745, 2017. [49] 袁勇, 王飞跃.平行区块链:概念、方法与内涵解析.自动化学报, 2017, 43(10):1703-1712 http://www.aas.net.cn/CN/abstract/abstract19148.shtmlYuan Yong, Wang Fei-Yue. Parallel Blockchain:concept, methods and issues. Acta Automatica Sinica, 2017, 43(10):1703-1712 http://www.aas.net.cn/CN/abstract/abstract19148.shtml [50] 刘昕, 王晓, 张卫山, 汪建基, 王飞跃.平行数据:从大数据到数据智能.模式识别与人工智能, 2017, 30(8):673-681 http://d.old.wanfangdata.com.cn/Periodical/mssbyrgzn201708001Liu Xin, Wang Xiao, Zhang Wei-Shan, Wang Jian-Ji, Wang Fei-Yue. Parallel data:from big data to data intelligence. Pattern Recognition & Artificial Intelligence, 2017, 30(8):673-681 http://d.old.wanfangdata.com.cn/Periodical/mssbyrgzn201708001 [51] 李力, 林懿伦, 曹东璞, 郑南宁, 王飞跃.平行学习-机器学习的一个新型理论框架.自动化学报, 2017, 43(1):1-8 doi: 10.3969/j.issn.1003-8930.2017.01.001Li Li, Lin Yi-Lun, Cao Dong-Pu, Zheng Nan-Ning, Wang Fei-Yue. Parallel learning:a new framework for machine learning. Acta Automatica Sinica, 2017, 43(1):1-8 doi: 10.3969/j.issn.1003-8930.2017.01.001 [52] 王飞跃, 张梅, 孟祥冰, 王蓉, 王晓, 张志成, 等.平行手术:基于ACP的智能手术计算方法.模式识别与人工智能, 2017, 30(11):961-970 http://d.old.wanfangdata.com.cn/Periodical/mssbyrgzn201711001Wang Fei-Yue, Zhang Mei, Meng Xiang-Bing, Wang Rong, Wang Xiao, Zhang Zhi-Cheng, et al. Parallel surgery:an ACP-based approach for intelligent operations. Pattern Recognition & Artificial Intelligence, 2017, 30(11):961-970 http://d.old.wanfangdata.com.cn/Periodical/mssbyrgzn201711001 [53] 王飞跃, 高彦臣, 商秀芹, 张俊.平行制造与工业5.0:从虚拟制造到智能制造.科技导报, 2018, 36(21):10-22 http://d.old.wanfangdata.com.cn/Periodical/dqgy201502004Wang Fei-Yue, Gao Yan-Chen, Shang Xiu-Qin, Zhang Jun. Parallel manufacturing and industries 5.0:from virtual manufacturing to intelligent manufacturing. Science & Technology Review, 2018, 36(21):10-22 http://d.old.wanfangdata.com.cn/Periodical/dqgy201502004 [54] 孟祥冰, 王蓉, 张梅, 王飞跃.平行感知:ACP理论在视觉SLAM技术中的应用.指挥与控制学报, 2017, 3(4):350-358 doi: 10.3969/j.issn.2096-0204.2017.04.0350Meng Xiang-Bing, Wang Rong, Zhang Mei, Wang Fei-Yue. Parallel perception:an ACP-based approach to visual SLAM. Journal of Command and Control, 2017, 3(4):350-358 doi: 10.3969/j.issn.2096-0204.2017.04.0350 [55] 杨柳青, 王飞跃, 张艳丽, 韩双双, 杨坚, 赵恺, 等.基于ACP方法的城市平行停车系统.指挥与控制学报, 2015, 1(4):384-390 http://d.old.wanfangdata.com.cn/Periodical/zhykzxb201504003Yang Liu-Qing, Wang Fei-Yue, Zhang Yan-Li, Han Shuang-Shuang, Yang Jian, Zhao Kai, et al. The urban parallel parking system based on ACP approach. Journal of Command and Control, 2015, 1(4):384-390 http://d.old.wanfangdata.com.cn/Periodical/zhykzxb201504003 [56] 王晓, 要婷婷, 韩双双, 曹东璞, 王飞跃.平行车联网:基于ACP的智能车辆网联管理与控制.自动化学报, 2018, 44(8):1391-1404 http://www.aas.net.cn/CN/abstract/abstract19324.shtmlWang Xiao, Yao Ting-Ting, Han Shuang-Shuang, Cao Dong-Pu, Wang Fei-Yue. Parallel internet of vehicles:the ACP-based networked management and control for intelligent vehicles. Acta Automatica Sinica, 2018, 44(8):1391-1404 http://www.aas.net.cn/CN/abstract/abstract19324.shtml [57] 王飞跃, 孙奇, 江国进, 谭珂, 张俊, 侯家琛, 等.核能5.0:智能时代的核电工业新形态与体系架构.自动化学报, 2018, 44(5):922-934 http://www.aas.net.cn/CN/abstract/abstract19283.shtmlWang Fei-Yue, Sun Qi, Jiang Guo-Jin, Tan Ke, Zhang Jun, Hou Jia-Chen, et al. Nuclear Energy 5.0:new formation and system architecture of nuclear power industry in the new IT era. Acta Automatica Sinica, 2018, 44(5):922-934 http://www.aas.net.cn/CN/abstract/abstract19283.shtml [58] 白天翔, 王帅, 沈震, 曹东璞, 郑南宁, 王飞跃.平行机器人与平行无人系统:框架、结构、过程、平台及其应用.自动化学报, 2017, 43(2):161-175 http://www.aas.net.cn/CN/abstract/abstract18998.shtmlBai Tian-Xiang, Wang Shuai, Shen Zhen, Cao Dong-Pu, Zheng Nan-Ning, Wang Fei-Yue. Parallel robotics and parallel unmanned systems:framework, structure, process, platform and applications. Acta Automatica Sinica, 2017, 43(2):161-175 http://www.aas.net.cn/CN/abstract/abstract18998.shtml [59] 王飞跃, 李长贵, 国元元, 王静, 王晓, 邱天雨, 等.平行高特:基于ACP的平行痛风诊疗系统框架.模式识别与人工智能, 2017, 30(12):1057-1068 http://d.old.wanfangdata.com.cn/Periodical/mssbyrgzn201712001Wang Fei-Yue, Li Chang-Gui, Guo Yuan-Yuan, Wang Jing, Wang Xiao, Qiu Tian-Yu, et al. Parallel gout:an ACP-based system framework for gout diagnosis and treatment. Pattern Recognition and Artificial Intelligence, 2017, 30(12):1057-1068 http://d.old.wanfangdata.com.cn/Periodical/mssbyrgzn201712001 [60] 刘志杰, 欧阳云呈, 宋宇骅, 贺威, 王飞跃.分布参数系统的平行控制:从基于模型的控制到数据驱动的智能控制.指挥与控制学报, 2017, 3(3):177-185 doi: 10.3969/j.issn.2096-0204.2017.03.0177Liu Zhi-Jie, Ouyang Yun-Cheng, Song Yu-Hua, He Wei, Wang Fei-Yue. Parallel control of distributed parameter systems:from model based control to data driven intelligent control. Journal of Command & Control, 2017, 3(3):177-185 doi: 10.3969/j.issn.2096-0204.2017.03.0177 [61] 尹培丽, 王建华, 陈阳泉, 王飞跃.平行测量:复杂测量系统的一个新型理论框架及案例研究.自动化学报, 2018, 44(3):425-433 http://www.aas.net.cn/CN/abstract/abstract19235.shtmlYin Pei-Li, Wang Jian-Hua, Chen Yang-Quan, Wang Fei-Yue. Parallel measurements:a new theory and framework for complex measurement system and a case study. Acta Automatica Sinica, 2018, 44(3):425-433 http://www.aas.net.cn/CN/abstract/abstract19235.shtml [62] Floyd S, Paxson V. Difficulties in simulating the Internet. IEEE/ACM Transactions on Networking, 2001, 9(4):392-403 doi: 10.1109/90.944338 [63] Gehrke J, Madden S. Query processing in sensor networks. IEEE Pervasive Computing, 2004, 3(1):46-55 doi: 10.1109/MPRV.2004.1269131 [64] Lu S W, Schormans J A. Simulation acceleration techniques for mobile ad hoc networks. In:Proceedings of the 2003 London Communications Symposium. London, UK:IEEE, 2003. 9-14 [65] Hogie L, Bouvry P, Guinand F. An verview of MANETs simulation. Electronic Notes in Theoretical Computer Science, 2006, 150(1):81-101 doi: 10.1016/j.entcs.2005.12.025 [66] Lessmann J, Janacik P, Lachev L, Orfanus D. Comparative study of wireless network simulators. In:Proceedings of the 7th International Conference on Networking. Cancun, Mexico:IEEE, 2008. 517-523 [67] Suliman I A, Abdalla G M T. Comparative study of wireless LAN using OPNET and NS-2. In:Proceedings of the 2016 IEEE Conference of Basic Sciences and Engineering Studies. Khartoum, Sudan:IEEE, 2016. 196-200 [68] da Fontoura A C, de Oliveira Schmidt R, Trentin M A S. Simulation of Ad-hoc routing protocols in an interurban university mesh network. IEEE Latin America Transactions, 2009, 7(1):122-125 doi: 10.1109/TLA.2009.5173474 [69] 王波, 周志伟.网络模拟软件NS2与OPNET的剖析比较.计算机系统应用, 2010, 19(6):90-95 doi: 10.3969/j.issn.1003-3254.2010.06.023Wang Bo, Zhou Zhi-Wei. Comparative analysis on network simulation software NS2 and OPNET. Computer Systems & Applications, 2010, 19(6):90-95 doi: 10.3969/j.issn.1003-3254.2010.06.023 [70] Weingartner E, Vom Lehn H, Wehrle K. A performance comparison of recent network simulators. In:Proceedings of the 2009 IEEE International Conference on Communications. Dresden, Germany:IEEE, 2009. 1-5 [71] Walsh K, Sirer E G. Staged simulation:a general technique for improving simulation scale and performance. ACM Transactions on Modeling and Computer Simulation, 2004, 14(2):170-195 doi: 10.1145/985793.985797 [72] Li Z, Guo G, Chen B, Qiu X G. Accelerating large scale artificial society simulation with CPU/GPU based heterogeneous parallel method. In:Proceedings of the 19th IEEE/ACM International Symposium on Distributed Simulation and Real Time Applications. Chengdu, China:IEEE, 2015. 155-162 [73] Lin S M, Cheng X Q, Lv J M. A visualized parallel network simulator for modeling large-scale distributed applications. In:Proceedings of the 2007 Eighth International Conference on Parallel and Distributed Computing, Applications and Technologies. Adelaide, Australia:IEEE, 2007. 339-346 [74] Jin D, Zheng Y, Nicol D M. A parallel network simulation and virtual time-based network emulation testbed. Journal of Simulation, 2014, 8(3):206-214 doi: 10.1057/jos.2013.29 [75] White B, Lepreau J, Stoller L, Ricci R, Guruprasad S, Newbold M, et al. An integrated experimental environment for distributed systems and networks. ACM SIGOPS Operating Systems Review, 2002, 36(SI):255-270 doi: 10.1145/844128.844152 [76] Yang F, Wang Z K, Chen J Y, Liu Y J. Design of parallel packet switch simulation system based on NS2. In:Proceedings of the 5th International Conference on Wireless Communications, Networking and Mobile Computing. Beijing, China:IEEE, 2009. 1-4 [77] Gawlowicz P, Zubow A. ns3-gym:extending OpenAI gym for networking research. arXiv preprint arXiv:1810.03943, 2018 [78] 王磊.基于机器学习技术的LTE网络智能优化系统设计.电信工程技术与标准化, 2018, (1):39-42 doi: 10.3969/j.issn.1008-5599.2018.01.010Wang Lei. Intelligent LTE configuration optimization system based on machine learning technology. Telecom Engineering Technics and Standardization, 2018, (1):39-42 doi: 10.3969/j.issn.1008-5599.2018.01.010 [79] Wang X, Zeng K, Zhao X L, Wang F Y. Using web data to enhance traffic situation awareness. In:Proceedings of the 17th International Conference on Intelligent Transportation Systems. Qingdao, China:IEEE, 2014. 195-199 [80] Zeng K, Liu W L, Wang X, Chen S H. Traffic congestion and social media in China. IEEE Intelligent Systems, 2013, 28(1):72-77 https://www.researchgate.net/publication/260304843_Traffic_Congestion_and_Social_Media_in_China [81] Zheng X H, Chen W, Wang P, Shen D Y, Chen S H, Wang X, et al. Big data for social transportation. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(3):620-630 doi: 10.1109/TITS.2015.2480157 [82] Onnela J P, Saramäki J, Hyvönen J, Szabó G, Lazer D, Kaski K, et al. Structure and tie strengths in mobile communication networks. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(18):7332-7336 doi: 10.1073/pnas.0610245104 [83] Zhang Y X, Li Z Q, Gao C L, Bian K G, Song L Y, Dong S L, et al. Mobile social big data:WeChat moments dataset, network applications, and opportunities. IEEE Network, 2018, 32(3):146-153 doi: 10.1109/MNET.2018.1700282 [84] Elsayed S A, Abdelhamid S, Hassanein H S. Proactive caching at parked vehicles for social networking. In:Proceedings of the 2018 IEEE International Conference on Communications. Kansas City, MO, USA:IEEE, 2018. 1-6 [85] Zhang Y X, Li Z Q, Gao C L, Bian K G, Song L Y, Dong S L, et al. WeChatNet, a mobile social big dataset of WeChat moments[Online], available:https://github.com/pkumobile/WMdata, April 4, 2010. [86] Wang Z T, Chen C Y, Li W J. Predictive network representation learning for link prediction. In:Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval. Shinjuku, Tokyo, Japan:ACM, 2017. 969-972 [87] Shan S Q, Liu M N, Xu X B. Analysis of the key influencing factors of haze information dissemination behavior and motivation in WeChat. Information Discovery and Delivery, 2017, 45(1):21-29 doi: 10.1108/IDD-09-2016-0029 [88] 王飞跃, 张俊.智联网:概念、问题和平台.自动化学报, 2017, 43(12):2061-2070 http://www.aas.net.cn/CN/abstract/abstract19181.shtmlWang Fei-Yue, Zhang Jun. Internet of minds:the concept, issues and platforms. Acta Automatica Sinica, 2017, 43(12):2061-2070 http://www.aas.net.cn/CN/abstract/abstract19181.shtml [89] 王飞跃, 张军, 张俊, 王晓.工业智联网:基本概念、关键技术与核心应用.自动化学报, 2018, 44(9):1606-1617 http://www.aas.net.cn/CN/abstract/abstract19342.shtmlWang Fei-Yue, Zhang Jun, Zhang Jun, Wang Xiao. Industrial internet of minds:concept, technology and application. Acta Automatica Sinica, 2018, 44(9):1606-1617 http://www.aas.net.cn/CN/abstract/abstract19342.shtml 期刊类型引用(8)
1. 黎泽，彭慧斌. 面向自动化领域AI模型训练的光交换计算集群系统设计. 机电工程技术. 2024(06): 105-108 . 
百度学术2. 倪少杰，岳洋，左勇，刘文祥，肖伟，叶小舟. 卫星网络路由技术现状及展望. 电子与信息学报. 2023(02): 383-395 . 百度学术3. 王子骏，刘杨，鲍远义，管晓宏，吴桐，卢建刚，余志文，袁晓舒，刘烃. 电力系统安全仿真技术:工程安全、网络安全与信息物理综合安全. 中国科学:信息科学. 2022(03): 399-429 . 百度学术4. 郭宇莹，徐展琦，李允博，杜爽. 网络性能仿真软件综述. 无线电通信技术. 2021(02): 208-214 . 百度学术5. 杜晓明，王晓，韩双双，王飞跃. 一种能效最大化的一体化观测网络任务调度优化方法. 系统工程理论与实践. 2021(06): 1547-1555 . 百度学术6. 李亚玲，杨林瑶，葛俊，覃缘琪，王晓. 博弈5.0:基于平行系统和机器博弈的社会认知平行博弈. 智能科学与技术学报. 2021(04): 507-520 . 百度学术7. 王晓，韩双双，杨林瑶，曾轲，王飞跃. 基于ACP的动态网民群体运动组织建模与计算实验研究. 自动化学报. 2020(04): 653-669 . 本站查看8. 杨林瑶，陈思远，王晓，张俊，王成红. 数字孪生与平行系统:发展现状、对比及展望. 自动化学报. 2019(11): 2001-2031 . 本站查看其他类型引用(17)
-
下载:
计量
- 文章访问数: 2085
- HTML全文浏览量: 832
- PDF下载量: 318
- 被引次数: 25
