多尺度残差密集注意力网络图像超分辨率重建

目的使用单一尺度卷积网络提取低分辨率(low-resolution,LR)图像特征会造成大量图像高频特征丢失,为了获取更多高频特征,重建更清晰的超分辨率图像,方法提出一种基于多尺度残差密集注意力网络(multi-scale residual dense attention network)的单幅图像超分辨率重建算法。首先,使用卷积网络从低分辨率图像中提取浅层特征并将其作为后续网络各级输入;其次,采用各级多尺度残差密集注意力块(multi-scale residual dense attention block)处理前级网络图像特征并从中提取图像高频特征,多尺度残差密集网络善于提取更丰富的图像特征,并融入注意力机制,增强网络对高频区域特征的关注;然后,将网络各级提取不同深度的图像特征进行全局特征融合;最后,融合后的特征经上采样输出重建的超分辨率图像。结果放大因子为4时,网络在SET5,SET14,BSDS100,URBAN100和MANGA109数据集上测试,峰值信噪比分别为31.97,28.58,27.57,25.85,29.79 dB;网络中基本模块分别由多尺度残差密集注意力块、残差块和密集块替换提取特征,以峰值信噪比作为模块性能评估标准,多尺度残差密集注意力块表现更优异。结论该网络结合多尺度残差密集网络能够获取更丰富图像高低频信息,融入注意力机制有效对网络中高频信息进行提取,能重建纹理更清晰的超分辨率图像。

超密集网络中基于多基站博弈均衡的分布式无线资源管理算法

移动边缘计算和超密集网络技术在扩大移动设备计算能力和增加网络容量方面有明显的优势.然而,在两者融合的场景下,如何有效降低基站之间的同信道干扰,减少任务传输的时延和能耗是一个重要研究课题.本文设计了一个基于多基站博弈均衡的分布式无线资源管理算法.将小基站之间的无线资源管理问题转化为博弈问题,提出一种基于奖励驱动的策略选择算法.基站通过迭代不断更新其策略的选择概率,最终优化子信道分配和发射功率的调控.仿真结果表明,我们的算法在提高信道利用率和降低任务处理的时延和能耗方面具有优势.

5G超密集异构网络双连接技术架构设计

双连接(Dual Connectivity,DC)技术是一种创新型技术,可以满足5G超密集异构网络(Heterogeneous Network,HetNet)日益增长的高数据速率传输需求。在5G超密集HetNet中,DC切换是对传统移动网络切换的进一步优化和发展。因此,以DC技术的一般概念为基础,设计了5G非独立接入(Non-Standalone Access,NSA)架构和独立接入(Standalone Access,SA)架构。同时,为确保5G超密集HetNet业务的连续性,避免小蜂窝之间频繁切换和乒乓效应的发生,设计了基于DC的切换程序。

超密集网络中基于BCD的联合频谱资源优化方法

针对超密集网络(ultra dense network,UDN)中基站密集部署导致的严重层间干扰问题,构建了考虑频谱复用和共信道干扰条件下最大化系统总吞吐量问题模型,提出了一种基于块坐标下降(block coordinate descent,BCD)法的联合频谱资源优化(joint resource optimization based on BCD,JROBB)方法。该方法将原问题分解为分簇、子信道分配和功率分配三个子问题,通过BCD法迭代优化子信道分配和功率分配,逼近原问题的最优解。仿真分析表明,在复杂度提升有限的情况下,系统总吞吐量比现有典型算法平均至少提升22%,可以有效提升频谱利用率。

非完美频谱感知下认知超密集网络的资源分配

针对实际认知超密集网络场景中认知无线电存在非完美频谱感知的情况,提出了一种基于非完美频谱感知的资源分配方案,目标是在考虑跨/同层干扰约束、保障用户服务质量下,最大化非完美频谱感知下认知超密集网络中次级网络的能效。为此,依据网络模型构建能效优化问题,其为混合整数非凸规划问题,先通过分时共享松弛法和丁克尔巴赫法将其转换成等价的凸优化问题,再使用拉格朗日对偶法求其最优解,以此获得最优能效时的子信道和功率分配策略。基于此,提出了一种迭代的子信道和功率分配算法;为权衡计算复杂度,还提出了一种实用的子信道和功率分配算法。仿真结果表明,所提算法都有效地提升了网络能效。

基于残差密集网络的智能超表面信道估计算法

信道估计是通信系统中一项关键的技术,涉及评估信号在传输过程中经历的信道特性,以便接收端能够有效地对接收到的信号进行处理和恢复。为提高视距信道遮挡通信下的通信系统质量,使用智能超表面来辅助现有通信系统。智能超表面辅助的无线通信系统中,除了基站和用户之间的视距信道外,同时包含基站到智能超表面和智能超表面到用户之间的级联信道。当前信道估计方法基本上利用传统算法进行估计,为了解决智能超表面辅助多用户系统中复杂统计分布的级联信道估计精度低和计算复杂度高的问题,文中提出了一种基于传统算法和深度学习算法相结合的信道估计算法。利用传统算法的可解释性和深度学习算法的高性能特性,在卷积网络基础上,提出了一种基于残差密集网络(RDN)的去噪方法。首先按照系统参数模拟生成真实环境的数据集,使用传统最小二乘法(LS)进行信道粗估计,并将信道看作二维含噪图像;其次采用密集块(RDB)充分提取噪声数据局部特征,并使用多路卷积和残差网络对数据进行特征融合;最后通过已训练模型对数据进行在线估计,并得到去噪信道。文中从信道的估计精度对所提算法进行验证,在Rician信道模型上进行理论公式推导和系统仿真分析。仿真结果表明,与传统算法相比,文中所提出的算法提高了信道估计精度。

基于图卷积神经网络的超密集物联网资源分配策略

针对超密集物联网(UD-IoT)中存在大量隐藏终端干扰严重影响资源管理问题,提出了一种基于图卷积神经网络的深度确定性梯度的超密集物联网资源分配策略。通过矩阵变换构建冲突图模型,采用极大团和超图理论将冲突图模型转化为冲突超图模型,进而将无冲突资源分配问题转化为超图顶点着色问题,并提出了一种基于图卷积神经网络的深度确定性梯度的超密集物联网资源分配算法,采用图卷积强化学习实现无冲突资源分配和资源复用率最大化。仿真实验表明,所提算法具有更高的资源复用率和吞吐量,可以在超密集物联网中提供更好的性能。

基于密集残差连接U型网络的噪声图像超分辨率重建

现有的图像超分辨率重建网络难以适用于煤矿井下噪声密集的应用场景,且多数网络通过增加深度提升性能会导致无法有效提取关键特征、高频信息丢失等问题。针对上述问题,提出了一种密集残差连接U型网络,用于对低分辨率噪声图像进行超分辨率重建。在特征提取路径中引入基于密集残差连接的去噪模块,通过密集连接的方式对图像特征进行充分提取,再利用残差学习的特点对低分辨率噪声图像进行有效去噪;在重建路径中引入残差特征注意力蒸馏模块,通过在残差块中融入增强特征注意力块,对不同空间的特征赋予不同的权重,加强网络对于图像关键特征的提取能力,同时减少图像细节特征在残差块中的损失,从而更好地恢复图像细节信息。在煤矿井下图像数据集及公共数据集上进行了对比实验,结果表明:在客观评价指标上,所提网络的结构相似度、图像感知相似度均优于对比网络,且在复杂度及运行速度上有着较好的均衡;在主观视觉效果上,所提网络重建的图像基本消除了原有图像噪声,有效恢复了图像的细节特征。

基于残差密集注意力网络的图像超分辨率重建

针对现有图像超分辨率重建算法中细节丢失和图像边缘模糊等问题,提出了一种基于残差密集注意力网络的图像超分辨率重建方法。该方法采用了密集连接和残差连接的结构来构建残差网络,充分利用低层特征与高层特征之间的信息交互,提取更高层次的图像特征。同时,融合通道注意力和空间注意力自适应地选择重要特征,并将这些特征进行加权融合,从而更好地恢复图片的纹理细节。实验结果表明,文中所提方法在峰值信噪比(PSNR)和结构相似度(SSIM)上表现优异。

基于NOMA的超密集网络中资源分配与计算卸载

针对移动边缘计算(MEC)中计算卸载的通信资源有限和任务完成时间难以保证的问题。在论文中,将非正交多址接入技术(NOMA)应用到超密集网络中,并提出了一个联合计算卸载和资源分配方案,以最大限度地降低任务完成时间,提高系统卸载收益。首先,用匹配联盟方法和二分法解决资源分配问题。然后,基于资源分配的结果,提出了一种计算卸载决策算法,以获取最优的任务卸载方案。通过与其他方案相比,论文所提出的方案能够显著地提高系统地卸载收益。

5G通信中基于超密集网络的小区部署与资源优化策略

文章深入探讨了5G通信中基于超密集网络的部署和资源优化策略。首先,概述超密集网络在5G网络中的应用及其主要特征;其次,分析超密集网络背景下的5G小区部署策略,包括小区密度、布局设计、覆盖优化以及小区间干扰管理;再次,深入研究超密集网络的资源优化方法,涵盖频谱利用、功率与能耗管理、传输资源的优化配置;最后,分析超密集网络环境下5G通信的性能优化和运维策略,提出相应的管理与维护方案。

渐进式逐层密集连接网络图像超分辨率重建

针对现有基于深度神经网络的图像超分辨率重建,存在未完全考虑层次特征信息的提取和利用问题,本文提出了一种渐进式逐层密集连接网络。通过设计一种逐层密集连接特征融合块,以挖掘和利用图像中不同层次的特征信息,并且利用一种渐进式特征融合机制,在全局层次上融合从逐层密集连接特征融合块中提取到的特征信息,促进图像纹理细节的重建。实验结果表明,所提方法与其他方法相比,在客观评价指标与主观视觉效果上有着更加显著的表现。

基于双残差超密集网络的多模态医学图像融合

针对基于残差网络和密集网络的图像融合方法存在网络中间层的部分有用信息丢失和融合图像细节不清晰的问题,提出了基于双残差超密集网络(Dual Residual Hyper-Densely Networks,DRHDNs)的多模态医学图像融合方法。DRHDNs分为特征提取和特征融合两部分。特征提取部分通过将超密集连接与残差学习相结合,构造出双残差超密集块,用于提取特征,其中超密集连接不仅发生在同一路径的层之间,还发生在不同路径的层之间,这种连接使特征提取更充分,细节信息更丰富,并且对源图像进行了初步的特征融合。特征融合部分则进行最终的融合。通过实验将其与另外6种图像融合方法对4组脑部图像进行了融合比较,并根据4种评价指标进行了客观比较。结果显示,DRHDNs在保留细节、对比度和清晰度等方面都有很好的表现,其融合图像细节信息丰富并且清晰,便于疾病的诊断。

超密集分簇网络中基于预测门限滞后余量可调的切换算法

在第五代移动通信(5G)系统中,大规模MIMO天线和超密集部署网络是实现高吞吐量的两种方式。针对超密集网络的切换管理的问题,该文基于网络分簇的思想提出了根据终端设备运动情况动态调节滞后余量的切换管理算法。在该算法中,基于小基站分簇化管理的前提,用户设备在小区间切换分为预切换和正式切换两个阶段,预切换阶段完成最佳目标小区选择、小区资源预留和预鉴权等操作,正式切换阶段根据预切换阶段监测的设备速度动态调节切换门限的滞后余量。仿真结果表明了该算法可以有效降低设备的切换时延和切换失败率。

多载波超密集网络的抗干扰分布式节能功率分配

该文研究多载波超密集网络(UDN)上行链路能效最优功率分配方案,基于非合作博弈论提出一种抗干扰分布式功率分配方案,使每个小区独立优化能效的同时抑制邻小区干扰。由于最大传输功率和QoS约束下的能效函数具有不易解决的非凸特性,且小小区间存在严重干扰。针对以上挑战,该文在最佳响应过程中设计了一种高精度低复杂度的阶梯注水算法,基于该算法利用干扰信道增益提出了一种多用户抗干扰功率分配算法。仿真结果和数值分析表明该算法运算复杂度低,且能在保证系统频谱效率的同时大幅度提升系统能效。

超密集异构无线网络中基于位置预测的切换算法

在密集异构蜂窝网络和无线局域网络构成的超密集异构无线网络中,变速移动的车辆终端会面临更加频繁的切换,导致用户服务质量(QoS)变差。该文针对上述问题,首先,利用高斯马尔可夫移动模型,预测车辆下一时刻的位置,筛选出满足终端服务质量的候选网络集,与当前的候选网络集做交运算,其次,当前接入网络不在交集中,则使用变步长的萤火虫算法寻找最佳网络;再次,对因预测误差导致的切换失效,则把终端用户迁移到宏蜂窝,以保证通信的持续性。仿真结果表明,在超密集异构无线网络中,使用该文所提算法能够减少乒乓切换等频繁切换现象,同时,提升了用户的服务质量和网络吞吐量。

动态超密集网络中的Markov预测切换

针对超密集蜂窝网络中大规模机器类通信所涉及的通信与计算问题,提出了一种基于Markov预测的切换方案。首先考虑半结构化的中心控制的异构网络设计,该设计中含有密集部署的虚拟节点,以实现低成本和高效率的覆盖。该网络可以根据用户的移动性及网络通信量动态调整接入点。其次构建Markov模型,引入负载感知思想,通过权衡信号质量与小区负载,有效地预测用户的下一个最优接入点。仿真实验结果证明了该方案用于小区切换预测的可行性与有效性。

密集残差网络红外图像超分辨率重构

单幅红外图像超分辨率重构算法作为红外图像分辨率提升应用的关键技术,近年来得到了广泛的研究。为了提高红外图像的分辨力,提出了一种基于残差密集对抗式生成网络的单幅红外图像分辨力提升方法。与以往基于对抗式生成网络的分辨力提升方法不同,本文方法的新颖性主要包含两个方面。首先,在网络架构方面进行改进,以提高性能。设计密集残差网络作为对抗式生成网络的生成网络,充分利用了低分辨率图像的有效特征。在生成网络中引入了一种连续内存机制,以利用密集的剩余块。其次,将Wasserstein-GAN作为损失函数,对判别网络模型进行修正,以达到稳定训练的目的。利用红外高分辨率图像数据集进行了大量的实验,结果表明,该方法在客观评价和主观评价方面均优于目前最新的方法。

基于区域感知贝叶斯决策的5G超密集异构网络联合垂直切换技术研究

针对无线通信异构网络切换中最优接入网的选择问题,现有研究主要集中于解决在两个网络间选择切换,而对于未来5G(5th Generation)通信系统中超密集网络的切换问题研究较少.本文就研究了5G无线通信系统中超密集异构网络的选择切换.文中提出了一种基于区域感知贝叶斯决策的联合垂直切换方式,该方案通过选择超密集异构接入网络的最优切换概率从而解决超密集网络切换问题.通过对移动用户(mobile station)从宏基站进入超密集服务小区,以及在小区内和小区间移动的不同场景进行仿真分析,研究结果表明本文决策方式能够准确地选择要切换的网络,因而该方案能够适用于超密集网络的应用场景.

超密集网络中基于多连接的用户归属和功率控制联合优化

超密集网络是第五代移动通信系统提升容量的关键技术之一。针对基站密集部署场景,考虑用户基于多连接用户归属方式接入多个基站,以充分利用基站资源。为进一步提高用户吞吐量,研究多连接场景下的用户归属与功率控制策略。从兼顾系统吞吐量与用户公平性角度出发,将问题建模成对数速率最大化问题。通过将优化问题分解为用户归属和功率控制两个子问题,得出一种高效的次优解法。仿真结果表明所提算法在系统吞吐量上较已有算法具有明显的增益.