【摘 要】
：
随着移动终端的飞速发展,以视频为主的通信网络数据传输负载越来越大。并且通信网络业务量的时变性导致了通信系统在传输高峰期时出现交通堵塞,在传输低峰期时出现通信资源未充分利用的情况。而编码缓存正是解决这种数据传输业务与通信资源不匹配问题的技术,该技术能够尽可能利用传输低峰期时的通信资源,来降低传输高峰期时的交通拥堵,从而整体提升通信系统的传输效率。针对中心化编码缓存模型,一种名为放置传输数组(PDA)
论文部分内容阅读
随着移动终端的飞速发展，以视频为主的通信网络数据传输负载越来越大。并且通信网络业务量的时变性导致了通信系统在传输高峰期时出现交通堵塞，在传输低峰期时出现通信资源未充分利用的情况。而编码缓存正是解决这种数据传输业务与通信资源不匹配问题的技术，该技术能够尽可能利用传输低峰期时的通信资源，来降低传输高峰期时的交通拥堵，从而整体提升通信系统的传输效率。针对中心化编码缓存模型，一种名为放置传输数组(PDA)的结构能够分别刻画中心化编码缓存方案的两个阶段。本文针对中心化编码缓存模型，分别利用复合构造和直接构造两种方法对PDA进行构造。
针对复合构造方法，本文对PDA提出了两种复合方案，其中第二种复合方案体现了缓存资源无浪费的优势。所获得的新PDA实现的编码缓存方案相比已有方案在各项性能指标上都具有优势。针对直接构造方法，本文利用汉明距离提出了构造PDA的一般性框架并提出了两类新PDA，其所实现的编码缓存方案相较于若干个已知方案在各项性能指标上都具有优势。
不同于以往大部分的研究，本文构造PDA的框架针对文件分块数线性级增长的编码缓存方案。在该框架下PDA的构造具有较大的参数灵活性。另外，本文除经典的从PDA到编码缓存方案的实现策略之外，也针对最新提出的实现策略考虑了相对应的PDA构造。
其他文献
图像检索是模式识别中极具挑战性的研究方向。其中特征提取和紧凑的特征描述是图像检索技术的重要组成部分。传统的图像检索技术主要由两部分组成:(1)基于文本的图像检索(TBIR);(2)基于内容的图像检索(CBIR)。TBIR技术存在局限性且难以精确描述图像内容,而CBIR虽然能够通过低层视觉特征传达图像信息,但在高层语义表达方面仍存在很多不足。近些年,卷积神经网络(CNN)在图像检索和图像分类等任务中
多相流不仅普遍存在于生活之中,在许多自然现象和工业生产中更有广泛应用。更好地了解和研究多相流的机理和性能,不仅能够帮助人们了解自然认识自然,在工业生产中创造更多的价值,而且在科学进步以及能源开采等方面有着重要的意义。表面润湿性作为多相流中的一个重要性质,用于表征液体在固体表面的延展能力,用接触角的大小来进行度量。接触角是在液体表面和固体表面之间的接触位置形成的特征角度,是很多工业应用和自然现象的基
癌症驱动模块对癌症精准医疗和个性化医疗的重要性,使癌症驱动模块识别问题成为生物信息学的研究热点。对该问题的研究方法主要分为两大类:一类是从头识别方法,另一类是基于先验知识的识别方法。本文主要利用第二类方法对识别问题进行研究,针对组学数据噪声多、不完整、单一组学数据信息有限等特征,通过蛋白质相互作用网络整合多组学数据信息以提高数据的完整性和准确性,提出基于网络模型的癌症驱动模块识别方法,主要工作如下
轨迹数据可以反映用户的兴趣和偏好,如果没有经过匿名化处理,这些私人数据是不能直接发布的。基于用户的轨迹数据,攻击者能够根据用户的部分位置进行时空关联推测出用户的其他敏感位置信息,导致用户隐私的泄露。目前,大多数轨迹数据发布中的隐私保护方法要么将所有的位置信息都视为敏感信息,要么只单从位置标签或访问频率进行敏感位置的区分,以提高数据的效用性。然而,不同的位置对于不同的用户而言,是具有不同敏感度的,如
近年来,随着我国经济的发展,无人机行业取得了蓬勃的发展。无人机在军事勘察、环境监测、应急指挥、农业生产等领域有着广泛的应用。在这些应用中,需要利用无人机拍摄图像或影像。当利用无人机拍摄图像时,受到飞行高度和相机焦距的限制,单幅图像往往无法覆盖整个目标区域。因此需要对无人机拍摄的多幅航拍图像进行拼接,来获取覆盖整个目标区域的图像。一直以来,图像拼接都是国内外研究的热点。完整的图像拼接包括图像获取、图
可满足性问题(SAT)是第一个被证明的NP-完全问题,在人工智能和计算机科学中占据着重要的位置,许多问题都可以转化为SAT问题进行求解。最近杨洋等人提出了一种新的基于局部搜索的扩展规则方法ERACC(Extension Rule Based on Accurate Configuration Checking),该方法突破了传统基于扩展规则方法对实例规模的局限。然而,ERACC在k-SAT(k&g
随着互联网技术的迅速发展,每天都有海量的数据产生,这大大提升了机器学习算法性能的同时,也让其遭受到了巨大的隐私威胁。机器学习的隐私保护已经成为当前的一个研究热点。集成学习作为机器学习的一个重要分支,被认为是人群智慧的机器学习解释,其主要思想是通过规则训练多个学习器,然后根据某种组合策略进行组合,最后以投票的方式输出最终结果。集成学习由其高精度和稳定等特点被广泛应用到数据挖掘、医疗诊断等多个领域。但
随着人工智能的兴旺，电子商务行业迎来了新的发展机遇。随着在线交易的频率和规模的增加，商家与客户之间的在线协商和沟通变得越来越频繁。因为它们无法实现谈判，也无法分析用户，因此难以针对特定用户更好地达成交易。在线交易谈判流程的自动化已逐渐成为商家和消费者的潜在需求。但是，现有的在线对话系统（例如淘宝上的阿里小蜜和京东的在线客户服务）无法很好地满足这样的需求。目前，一方面，自动谈判的研究者主要集中在计算
图作为一种无处不在的数据结构,因其强大的表示能力,广泛存在于社交网络、推荐系统、生物化学和金融系统等领域中。由于这些图数据中往往存储着很多有价值的信息,不少学者进行图数据研究以探索数据中的重要信息,其中节点分类是图数据研究中的一项热门任务。例如,在蛋白质分子网络中,通过分析蛋白质网络的相互关系进行分类学习,从而得到蛋白质的相关性质。这不仅有利于理解蛋白质的特性,而且对生物制药,农林科技等领域同样具
近年来,卷积神经网络(CNN)依靠着大量的真实数据集和高效的优化算法,已经被证明在多个领域取得了最先进的性能。尽管如此,CNN因其训练所需较高的复杂度以及黑盒特性的不可解释性阻碍着它的发展。目前,国内外学者从不同的方向来研究卷积神经网络的可解释性,前向设计卷积神经网络(Feedforward-Designed Convolutional Neural Network,FF-CNN)是众多研究成果中