针对单导频结构的正交时频空(orthogonal time frequency and space,OTFS)调制系统接收信号特性,提出了一种基于时延-多普勒域的帧同步算法,该算法无须在发送信号中插入前导码,而是利用单导频OTFS帧结构特征,通过计算接收信号在时延-多...针对单导频结构的正交时频空(orthogonal time frequency and space,OTFS)调制系统接收信号特性,提出了一种基于时延-多普勒域的帧同步算法,该算法无须在发送信号中插入前导码,而是利用单导频OTFS帧结构特征,通过计算接收信号在时延-多普勒域的稀疏度并结合单导频位置的变化对帧同步位置进行判断。仿真实验结果表明,所提方案在高信噪比下有一定性能优势,且随着移动速度的增加,所提方案相较于对比方案的性能优势更加明显,因此,更适合应用于高速甚至超高速移动通信场景中。展开更多
链路预测是利用深度学习技术分析网络数据,挖掘网络中潜在的节点关系,通常应用于网络安全、信息挖掘等领域。通过预测网络中节点间的链路,可以识别社交工程攻击、欺诈行为和隐私泄露风险。但移动社交网络的拓扑结构随时间变化,链路稀疏...链路预测是利用深度学习技术分析网络数据,挖掘网络中潜在的节点关系,通常应用于网络安全、信息挖掘等领域。通过预测网络中节点间的链路,可以识别社交工程攻击、欺诈行为和隐私泄露风险。但移动社交网络的拓扑结构随时间变化,链路稀疏,影响预测准确性。为了解决移动社交网络中链路预测的强稀疏性问题,提出基于深度学习的预测方法,即面向强稀疏性移动社交网络的链路预测深度学习方法(deep learning-based method for mobile social networks with strong sparsity for link prediction,DLMSS-LP)。该方法综合运用了图自编码器(graph auto-encoder,GAE)、特征矩阵聚合技术以及多层长短期记忆网络(long short-term memory,LSTM),旨在降低了模型的学习成本,更有效地处理高维和非线性的网络结构,并且捕捉移动社交网络中的时序动态变化,进而增强模型对现有链路生成可能性的预测能力。对比其他方法在AUC(area under curve)和ER(error rate)指标上有明显提升,体现了模型对不确定链路预测的高准确率和强鲁棒性。展开更多
文摘针对单导频结构的正交时频空(orthogonal time frequency and space,OTFS)调制系统接收信号特性,提出了一种基于时延-多普勒域的帧同步算法,该算法无须在发送信号中插入前导码,而是利用单导频OTFS帧结构特征,通过计算接收信号在时延-多普勒域的稀疏度并结合单导频位置的变化对帧同步位置进行判断。仿真实验结果表明,所提方案在高信噪比下有一定性能优势,且随着移动速度的增加,所提方案相较于对比方案的性能优势更加明显,因此,更适合应用于高速甚至超高速移动通信场景中。
文摘链路预测是利用深度学习技术分析网络数据,挖掘网络中潜在的节点关系,通常应用于网络安全、信息挖掘等领域。通过预测网络中节点间的链路,可以识别社交工程攻击、欺诈行为和隐私泄露风险。但移动社交网络的拓扑结构随时间变化,链路稀疏,影响预测准确性。为了解决移动社交网络中链路预测的强稀疏性问题,提出基于深度学习的预测方法,即面向强稀疏性移动社交网络的链路预测深度学习方法(deep learning-based method for mobile social networks with strong sparsity for link prediction,DLMSS-LP)。该方法综合运用了图自编码器(graph auto-encoder,GAE)、特征矩阵聚合技术以及多层长短期记忆网络(long short-term memory,LSTM),旨在降低了模型的学习成本,更有效地处理高维和非线性的网络结构,并且捕捉移动社交网络中的时序动态变化,进而增强模型对现有链路生成可能性的预测能力。对比其他方法在AUC(area under curve)和ER(error rate)指标上有明显提升,体现了模型对不确定链路预测的高准确率和强鲁棒性。
