【摘 要】
：
随着汽车工业和物联网技术的飞速发展,车载应用与服务日渐丰富给计算资源有限的车辆造成了很大的困扰。针对车联网“低延时、高带宽、高可靠性”的严格要求,将移动边缘计算（Mobile Edge Computing,MEC）技术引入是一个很好的解决方案,MEC将云计算服务下沉至无线网络边缘侧,在车载终端附近能够提供计算服务,从而弥补了云服务器远程传输过程带来的延迟干扰,更容易满足用户服务质量。目前,学术界和
论文部分内容阅读
随着汽车工业和物联网技术的飞速发展,车载应用与服务日渐丰富给计算资源有限的车辆造成了很大的困扰。针对车联网“低延时、高带宽、高可靠性”的严格要求,将移动边缘计算（Mobile Edge Computing,MEC）技术引入是一个很好的解决方案,MEC将云计算服务下沉至无线网络边缘侧,在车载终端附近能够提供计算服务,从而弥补了云服务器远程传输过程带来的延迟干扰,更容易满足用户服务质量。目前,学术界和工业界将车联网与MEC技术相联合,引起了广泛的关注。由于时延敏感型和计算复杂度高的车载应用日益增多,对于资源受限的车载终端而言却无法满足以上的要求。因此,本文在基于MEC的车联网场景下,研究了如何选择卸载任务、如何合理分配网络内通信、计算资源以及最小化系统总开销的问题。本文的主要内容概括如下:（1）针对时变复杂的车辆环境,提出基于竞争深度Q网络（Dueling-DQN）的半在线计算任务分发卸载算法。由于原优化问题具有较高复杂度,首先构建一个车载边缘计算（Vehicular Edge Computing,VEC）的智能卸载系统,接着将其分解为车辆的卸载动作生成子问题和卸载行为预测子问题,然后,通过对不同的车辆卸载行为进行预测,并计算在一系列车辆卸载动作之后获得的累积奖励值,从而有效地更新车辆卸载决策。仿真结果表明,该算法在一定程度上改善了计算任务执行效率和负载均衡,即使资源受限的车载终端也能够更好地实时处理大量的数据消息,最大限度地降低能耗。（2）针对车联网场景复杂的网络状态与庞大的数据导致时延和能耗增加的严峻问题,提出了一种基于Dueling-DQN的深度强化学习（Deep Reinforcement Learning,DRL）联合优化算法,解决了传统优化算法陷入局部最优的问题,改善了奖励函数来制定卸载策略,以使能耗、计算延迟和通信成本最小化。仿真结果证明,所提算法更适用于现实世界中低延迟的车联网场景。相比强化学习（Reinforcement Learning,RL）算法和基线算法,其性能表现更优,能有效降低整个系统开销。
其他文献
随着GNSS等新技术的发展,大坝变形监测已经实现全天候实时动态化,传统的大坝变形预测方法不能很好地对海量的监测数据进行处理。深度学习是在神经网络的基础上对网络层数加深的优化算法,目前已经在风电、空气质量、灾害预警等领域广泛应用。相对于传统的机器学习算法,深度学习强调从海量数据中进行学习,能够解决大坝变形数据中存在的高维、冗杂以及高噪等传统机器学习算法难以处理的问题。因此,非常有必要开展基于深度学习
随着互联网技术的发展,信息技术时代逐渐过渡到数据技术时代,数据在人们的生活中充当着越来越重要的角色。面对无所不在的数据,如何从当中获取到所需的信息变得十分困难了,这就是所谓的“信息超载”问题。传统的推荐系统在一定程度上缓解了这个问题,通过分析用户的历史行为,从海量的数据中分析出用户的偏好,并把具有用户偏好的物品推荐给用户。然而在实际应用中存在数据稀疏、冷启动等问题,它会导致推荐系统准确率低、推荐单
近年来,人工智能已成为了人们生活密不可分的一部分。随着科技的不断发展与进步,计算性能的不断提高,深度学习的发展更是迅速,而生成对抗网络作为深度学习的重要组成部分,在计算机视觉领域取得了众多成就。同时,在物质生活得到满足的当今社会,越来越多的人对动漫领域产生浓厚的兴趣,而生成对抗网络在动漫领域的应用也得到了更多人的关注,如人物图像的动漫风格迁移以及动漫头像的生成等。但是在动漫头像生成方面,仍然存在两
杨梅是浙江省重要的农果经济作物,稳居果树产值第一。然而由于杨梅树大多种植在山地丘陵地区且种植分散,致使果树种植与管理耗费大量的人力物力,因此采取自动化的方法提取杨梅树株数,实现大规模、分散果园的高效管理。但是使用卫星遥感图像提取果树往往面临方法流程繁琐、人力成本高、耗时长等问题。随着计算机软硬件的发展,基于深度神经网络的目标识别方法逐渐应用于农业、交通、医疗等行业。本文提出应用深度神经网络YOLO
目标检测是计算机视觉领域的重要研究方向之一,广泛应用于工业生产中。在检测任务中,对于一张输入图片,检测算法通过学习来区分图片的前景和背景,然后从背景中分离出感兴趣的目标物体,进而判断物体所在的具体位置和所属类别。然而由于小物体面积小分辨率低,使得对于小目标的检测精度不能达到理想的效果。针对小目标检测的问题,本文基于SSD（Single Shot Multi Box Detector）模型做出改进,
随着计算能力的提升,计算机视觉相关技术发展迅速。图像合成技术作为重要其中一个重要分支,同样发展迅速。本文深入研究了图像合成相关技术,介绍传统模型和基于深度学习的图像合成模型实现原理,并总结归纳各自的优势和不足。同时以复杂场景图像生成为主要研究对象,介绍了基于不同条件的图像合成方法实现,以及它们在各自领域的应用和已经取得的成果,并重点介绍了它们在实现包含多个前景对象的复杂场景图像生成任务上的优势和不
语义分割是图像理解的关键部分,是一项基础的计算机视觉任务,其广泛应用于自动驾驶、医疗图像分析、智能监控等领域。现有的语义分割方法大多数都是全监督语义分割方法,全监督语义分割方法需要大量的像素级标注来训练语义分割网络,然而获得大量具有像素级标注的图像集需要很大的时间和人力成本。为了降低人力和时间昂贵的成本,研究者们提出弱监督语义分割方法。弱监督语义分割方法仅仅只需要图像类别等弱标签去训练分割网络,所
室内火灾复杂多变,在应对完全未知的复杂室内环境时,传统人工势场法因为自身缺陷很难成功完成路径规划的任务。近年来,深度学习和强化学习在不断的向前发展,用深度强化学习的方法来实现智能体路径规划任务一直是前沿热点研究。传统的人工势场法应用到复杂的、未知的环境时,会因为目标不可达或局部极值点等原因导致寻路失败。而深度强化学习是通过让智能体在不断“犯错”的过程中,学习到相关躲避障碍物以及寻找目标点的策略,最
在智能化时代背景下,随着智能化的发展,机械手搭载视觉系统就相当于让机械手拥有了“眼睛”,促进工业制造更加智能化、柔性化。工业现场经常需要完成对无序堆叠零件定位的工作,由于单目视觉不能较好的解决这个问题,因此需要依靠人工或者振动机构将无序堆叠零件平整放置,然后利用单目视觉进行后续操作,影响了生产效率,增加了制造成本。为提高企业的生产效率,促进自动化的进一步发展,本论文针对无序堆叠问题开展了基于双目视
互联网高速发展,使得出现了一大批新型产业,其中电商是收获最大的产业。电商通过整合和分析数据,提供个性化的推荐服务给消费者,其新颖、便捷等特点吸引了大量的消费者。然而实体零售企业由于自身设备、数据标准不统一或其他原因,无法实现企业间的数据共享,无法优化自身服务,导致无法留住消费者。因此,为了改变实体零售企业存在的困境,需要一个安全共享数据平台。然而传统的大数据交易平台是第三方平台,其存在着成本高、收