【摘 要】
：
基于D2D和中继异构蜂窝网络进行资源复用可获得系统性能增益,但同时也使得网络中的干扰更加复杂。针对该问题,提出功率和资源分配博弈(PRAG)算法,通过功率控制和资源分配对D2D和中继异构蜂窝网络进行干扰协调。基于代价参数设定D2D和中继链路效用函数,确定最佳发射功率。在此基础上,将生成的效用值矩阵参与博弈,选择合适的蜂窝用户进行资源复用。仿真结果表明,与等功率分配随机(EPAR)算法相比,PRAG算法能够在消耗更少功率的基础上获得更大的系统吞吐量。
【基金项目】
：
国家自然科学基金(61962037,61762065,61762067),江西省教育厅科技项目(GJJ170615)。
论文部分内容阅读
基于D2D和中继异构蜂窝网络进行资源复用可获得系统性能增益,但同时也使得网络中的干扰更加复杂。针对该问题,提出功率和资源分配博弈(PRAG)算法,通过功率控制和资源分配对D2D和中继异构蜂窝网络进行干扰协调。基于代价参数设定D2D和中继链路效用函数,确定最佳发射功率。在此基础上,将生成的效用值矩阵参与博弈,选择合适的蜂窝用户进行资源复用。仿真结果表明,与等功率分配随机(EPAR)算法相比,PRAG算法能够在消耗更少功率的基础上获得更大的系统吞吐量。
其他文献
现有图像描述模型存在解码端层次不深、训练效率低下的问题,且生成的描述语句在语言连贯性和内容多样性方面效果欠佳,为此,提出一种基于独立循环神经网络的深层图像描述模型Deep-NIC。采用独立循环神经元与批标准化方法构建解码单元,通过解码单元的多层叠加建立深层解码端。使用谷歌inception V3作为编码端,构建深层图像描述模型。在数据集MS COCO2014上进行对比实验,结果表明,与基线模型相比
车载自组织网络(VANET)中的高速移动性节点和动态的网络拓扑结构使得车辆间通信链路存在传输时延长、连接时间短的问题。通过引入双簇头选择算法,提出一种改进的AODV路由协议(AODV-CMIRP),用于VANET的连通性维护。利用分簇技术降低全局网络拓扑的动态性,通过引入节点的相对移动度和相对速度作为簇头选择指标,并选取辅助簇头节点以延长车载自组织网络整体生存时间。仿真结果表明,在保证网络连通性和稳定性的前提下,相比CBDRP和AODV协议,AODV-CMIRP协议具有较低的平均端到端时延和较高的分组投递
泛在电力物联网具有接入节点数多、设备资源受限的特点,易发生网络拥塞而导致电力信息流丢失、时延过大等问题。基于受限应用协议(CoAP)的泛在电力物联网应用层通信架构,提出一种链路稳定性的CoAP拥塞控制(L-CoCC)算法。通过强、弱和失败消息往返时间来确定网络环境状态并平滑估计超时重传时间(RTO),根据超时重传次数和消息往返时间抖动值,引入下界RTO限制方法和更新老化概念,避免出现不必要的重传。
针对道路分割时存在的梯度消失问题,构建基于U-Net的卫星道路图像语义分割模型。通过密集连接模块减少梯度消失,并引入空间空洞金字塔结构保留更多的图像特征,在学习深层次特征信息时采用注意力监督机制,提取道路要素的特征信息。在卫星图像道路数据集上的测试结果表明,与FCN、SegNet、U_Net算法相比,该算法模型的准确率、召回率和精确率指标分别达到96.3%、96.9%和96.6%,能够有效地对道路
深度学习能够提高光学遥感图像场景分类的准确率和效率,但光学遥感图像语义丰富,部分场景仍存在易误分类的情况,同时由网络模型规模扩大带来的硬件要求过高、时间成本消耗过大等问题制约着深度学习网络模型的推广应用。为此,提出一种基于轻量化网络模型的光学遥感图像场景分类方法。通过EfficientNet网络提取图像特征,对图像特征进行复合提取以生成语义信息更丰富的新特征,利用多个子分类器构建集成学习模块解析新
无人机自组网的高动态特性以及节点能量高度受限的特点,使得传统路由协议难以适用于无人机网络。针对该问题,在OLSR协议的基础上提出一种无人机网络适用路由(UAV-OLSR)算法。依据链路变化情况实现无人机集群状态感知,综合考虑节点能量、节点位置等因素进行节点质量评估。采用多径思想并通过特定的路径度量准则选择较优路径进行数据转发。仿真结果表明,与OLSR和AODV协议相比,UAV-OLSR具有更低的数据包平均传输延迟、更高的数据包投递率以及更好的能量均衡效果,可以延长无人机网络的生存时间。
针对真实场景下安全帽佩戴检测面临的背景复杂、干扰性强、待检测目标较小等问题,在SSD算法的基础上,提出改进的MobileNet-SSD算法。通过引入轻量型网络MobileNet并构建MobileNet-SSD算法提高检测速度,采用迁移学习策略克服模型训练困难问题。从施工相关视频中获取真实环境下的安全帽样本构建样本集,以解决当前安全帽数据集规模较小、网络难以充分拟合特征的问题。实验结果表明,Mobi
传统多尺度卷积神经网络因接收域有限,难以对超尺度变化的空间目标进行建模。提出一种遥感船舶的超尺度自导注意力网络(HSSGAN)识别框架,通过组连接的轻量级超尺度子空间模块捕获船舶的超尺度特征和尺度不变性,使用自导注意力网络逐步细化超尺度特征图,并在超尺度局部和全局语义之间建立长期依赖关系以增强类之间特征图的差异性。同时,通过忽略不相关信息及聚合相关特征以增强目标船舶的识别性。实验结果表明,与TP-
加密数据的安全性受到加密算法和加密设备的影响,为评估密码硬件的可靠性,能量分析等多种针对加密平台的攻击方法得到广泛应用。深度学习是一种性能良好的数据分析方法,基于深度学习的功耗侧信道攻击方法一经提出便引起关注。提出一种基于深度学习LSTM的侧信道攻击方法,利用相关功耗分析方法确定侧信道功耗数据的兴趣点,通过兴趣点位置选择合适的兴趣区间作为特征向量以搭建神经网络模型。实验结果表明,相比MLP和CNN模型,LSTM网络模型在侧信道攻击中具有较高的攻击效率。
针对面部遮挡情况下表情特征难以提取的问题,提出一种双通道遮挡感知神经网络模型。设计区域遮挡判定单元并集成到VGG16网络中形成遮挡感知神经网络,提取面部图像中未遮挡区域及遮挡较少区域的表情特征。运用迁移学习算法对卷积层参数进行预训练,减轻训练数据样本不足带来的过拟合问题。通过优化残差网络提取全脸表情相关特征,在此基础上加权融合遮挡感知神经网络和残差网络的输出以识别表情。在CK+、RAF-DB、SF