【摘 要】
：
人工智能大数据时代,5G网络也在迅速覆盖,成为目前研究的热点,5G网络的覆盖程度影响了网络的服务质量,传统的5G网络覆盖算法覆盖性能差,无法满足5G网络覆盖需求,因此,基于计算图设计了5G网络覆盖优化算法,为了保证算法的有效性,规划了5G网络覆盖分类范围,基于计算图确定了5G网络覆盖区域,计算了最小覆盖集,最后确定了覆盖盲区,构建了优化算法,进行实验证明,设计的优化算法覆盖率高,覆盖效果好,具有高效性,有一定的应用价值.
论文部分内容阅读
人工智能大数据时代,5G网络也在迅速覆盖,成为目前研究的热点,5G网络的覆盖程度影响了网络的服务质量,传统的5G网络覆盖算法覆盖性能差,无法满足5G网络覆盖需求,因此,基于计算图设计了5G网络覆盖优化算法,为了保证算法的有效性,规划了5G网络覆盖分类范围,基于计算图确定了5G网络覆盖区域,计算了最小覆盖集,最后确定了覆盖盲区,构建了优化算法,进行实验证明,设计的优化算法覆盖率高,覆盖效果好,具有高效性,有一定的应用价值.
其他文献
现有支持向量机对于训练样本过多或训练样本中类的数量不平衡,存在训练花费时间过长和得到的分类面偏离最优分类面使得样本错分等问题.为此文章提出一种基于冗余数据消除的不平衡样本加权支持向量机方法.该方法使用费歇尔判别率准则去除训练样本集中那些对最终的分类面训练没有帮助的样本,即冗余数据,并依据训练样本对模糊分类面的贡献程度引入样本加权策略实现为不同的训练样本赋予权重.实验结果表明,该方法与传统的支持向量机相比,大大缩短了不平衡大样本数据上支持向量机的训练时间,以及减少了因数据集中样本不平衡而引起的预测样本被错分
针对现有常规时间序列分析法在地铁沉降预测方面的不足,提出了一种小波去噪与时序分析组合方法.首先利用小波分析方法对实测数据进行去噪处理,然后再运用时序分析法建立合适的时序分析模型,并利用该模型对沉降趋势进行预测.结合济南地铁1号线某地表沉降监测点实测数据,对小波去噪与时序分析组合方法的可行性进行验证.试验结果表明,小波去噪与时序分析组合方法的沉降预测准确性相比于常规时序分析法有明显提高.
无线传感器网络低成本灵活易组织,部控传感器节点采集敏感数据,利用无线信道方便传输数据的同时也面临很大的安全威胁.无线传感器网络受自身资源的限制,传统无线网络安全防护机制无法直接应用于此.针对数据相关性的多跳无线传感器网络中的数据泄露、毁坏、篡改和伪造,提出一种基于双重扰动压缩感知WSN轻量级高性能的数据传输安全机制,不增加额外开销下,采用原始数据上进行加密扰动和认证扰动有效解决无线传感器网络数据保密性、真实性和完整性.
为提高文字图像识别结果与文字图像实际分类结果的相似度,引入卷积神经网络DL算法,开展对文字图像识别方法设计研究.通过构建卷积神经网络文字图像识别层级模型、基于DL算法的模型训练、文字图像识别结果分类,提出一种全新的识别方法.分析对比实验结果得出,设计方法的识别结果相似度更高,识别误差更小,可以实现对文字图像识别精度的提升.
在兴澄特钢炼铁现有基础条件上,深度结合工业传感器、机理模型、大数据机器学习、专家知识库等技术,构建了高炉智能管理系统.在现场应用中解决了高炉炉缸炉底、风口、冷却壁等关键设备的异常状态诊断,操作制度优化,复杂工况诊断等难题,推动了兴澄特钢数字化、标准化、智能化炼铁操作作业,高炉指标进一步提高,实现燃料比降低6kg/t.
5G网络的出现使无线技术在工业控制系统中的全面应用成为可能.目前,工业控制系统中存在大量高实时数据需通过无线网络进行传输,但已有的传输调度方法无法适用于频率域可灵活拆分的5G网络.因此,文章针对5G时频使用规则,基于经典装箱算法,提出一种对5G时频资源分类细化处理的启发式调度方法.评估测试表明文章所提方法与传统调度方法相比数据传输延时减小了28％.
由于传播媒介的多样化,信息数据量呈爆炸式增长,从海量的事件信息中检测到谣言变得十分困难.为了减少人工成本,提高谣言检测准确率,深度学习中的神经网络模型被用到谣言检测任务中.首先文章对多种基于神经网络的谣言检测方法进行了介绍,分析了多种神经网络谣言检测模型的检测过程,以及多种神经网络模型在谣言检测过程中的判断依据及其特征提取效果,然后对现有的谣言检测模型结构进行了归纳,总结了使用神经网络检测谣言的模块化流程,最后对谣言检测的方法提出了建议.
针对目前多数的行为识别算法都是视频分类和时序定位的问题.通过对双流网络结构进行改进,构建出一种3D单阶段的时空定位双流网络,实现对视频中人的行为进行分类,同时可以实时地对人在视频中位置进行准确定位.为了验证效果的有效性,通过使用Kinect2.0摄像头采集训练的视频数据集,并使用不同的网络进行对比,最终得出基于改进的双流网络的行为识别算法的准确率可以达到68.9％,召回率可以达到94.5％,resnext101网络结构得到结果的准确率为66.2％,召回率为94.1％,与resnext101对比,改进的网络
现有的车载设备(On-Board Unit,OBU)在定位上主要采用全球卫星定位系统(Global Positioning System,GPS),但在市区中可能因为卫星讯号受到遮蔽,导致GPS产生较大的定位误差.因此,本研究通过收集和分析蜂巢移动网络讯号来建立高效率移动定位方法,并且提出分析模型来估计在不同的过滤条件下,此移动定位方法的可用率.实验数据显示,本研究所提出的移动定位方法和传统细胞ID基础(cell-ID based)的定位方法之平均定位误差分别为163.7公尺和521.2公尺.由实验结果显
在5G+北斗的新基建时代,随着5G和GNSS技术的深入应用,车路协同逐步成熟,成为智能车辆出现的重要解决方案.当前,车路协同有多种应用场景,每种应用场景都有起独特性.文章主要对逆向超车预警、车辆失控预警、限速预警、闯红灯预警等四类应用场景展开研究,并依托中国移动开发的开放道路低速网联自动驾驶示范区,对此四类应用场景进行了验证.实验表明,在5G和北斗的赋能下,当前的车路协同技术非常成熟.