车联网中深度强化学习辅助的RAN切片和任务卸载联合优化

车联网特点包括多种业务并存、车辆高速移动、车流在时域和空域分布不匀等,使得任务卸载和资源分配面临许多挑战性问题.本文提出一种深度强化学习辅助的无线接入网(Radio Access Network,RAN)切片和任务卸载联合优化方法,目的是最大化车联网任务完成数量.设计一种多时间尺度、多维资源切片框架,为不同类型任务的卸载提供差异化服务质量(Quality-of-Service,QoS)保障.在该框架下,任务完成数量最大化问题被建模为一个带约束的长时累积优化问题.该问题被解耦为大时间尺度上的RAN切片子问题与小时间尺度上的任务调度子问题.每当一个新切片窗口到来,控制器通过一种最优化方法为切片分配频谱和计算资源.切片窗口内各个时隙的工作流调度由一种基于深度强化学习的任务调度算法决定.该算法综合考虑车速、行驶方向、基站资源等因素,可以根据网络态势变化动态地在不同基站之间分配任务,实现全网资源的高效利用.仿真结果表明,所提方案在任务完成率、环境适应性等方面优于现有典型的基准方法.

基于最大熵强化学习的最优渗透路径生成方法

从攻击者角度分析入侵意图和渗透行为对于指导网络安全防御具有重要意义。然而,现有的渗透路径大多依据瞬时的网络环境构建,导致路径参考价值降低。针对该问题,文中提出了一种基于最大熵强化学习的最优渗透路径生成方法,该方法可以在网络环境动态变化的情况下,以探索的形式捕获多种模式的近似最优行为。首先,依据攻击图和漏洞评分对渗透过程进行建模,通过量化攻击获益来刻画渗透行为的威胁程度;然后,考虑到入侵行为的复杂性,开发基于最大熵模型的Soft Q-学习方法,通过控制熵值和奖励的重要程度来保证求解渗透路径的过程具有稳定性;最后将该方法应用于动态变化的测试环境中,生成高可用的渗透路径。仿真实验结果表明,相比于现有基于强化学习的基准方法,所提方法具有更强的环境适应性,能够以更低的代价生成更高收益的渗透路径。

基于分层联邦学习的无人机小基站RAN切片方法

针对多架无人机共同为地面用户提供差异化服务的场景,本文提出一种基于分层联邦学习的动态RAN(Radio Access Network)切片框架,目的是提升切片性能隔离效果、减少协同训练过程的通信代价.考虑到无人机动态部署和数据不足等特点,本文通过数据增广促进本地模型训练.为了使得距离地面基站较远的无人机有更多机会参与联邦学习并降低通信代价,本文根据位置和数据分布信息设计支持边缘模型聚合的无人机分簇策略.在此基础上,本文探索基于注意力机制的边缘和全局模型聚合方案,以增强全局模型的泛化能力.仿真结果表明,与联邦平均和分布式LSTM(Long Short-Term Memory)相比,所提方案在切片性能隔离的时长占比上分别有8.4%和16.5%的提升,并降低了无人机协同训练的通信代价.

基于自适应冗余字典的语音信号稀疏表示算法

基于冗余字典的信号稀疏表示是一种新的信号表示理论,当前的理论研究主要集中在字典构造算法和稀疏分解算法两方面。该文提出一种新的基于自适应冗余字典的语音信号稀疏表示算法,该算法针对自相关函数为指数衰减的平稳信号,从K-L展开出发,建立了匹配信号结构的冗余字典,进而提出一种高效的基于非线性逼近的信号稀疏表示算法。实验结果表明冗余字典中原子的自适应性和代数结构使短时平稳语音信号稀疏表示具有较高的稀疏度和较好的重构精度,并使稀疏表示算法较好地应用于语音压缩感知理论。

基于滤波的压缩感知信号采集方案

压缩感知中常选择随机矩阵作为测量矩阵来进行随机线性投影采样,但过多自由元素使得随机矩阵硬件实现、存储和计算困难,因此设计易于硬件实现的测量矩阵是将压缩感知推向实用化的关键。根据信号通过有限脉冲响应滤波器的差分方程,提出一种新的基于滤波的压缩感知信号采集方案,实现了信号在托普利兹测量矩阵下有用信息的高效获取。仿真实验说明托普利兹测量矩阵比随机矩阵更易实现信号采样和重构,并具有硬件实现简单、存储量小、计算复杂度低的优点。

基于遗传算法的无线传感器网络自适应数据融合路由算法

针对移动代理以能量有效的方式收集相关性数据的问题,该文提出了一种新的基于遗传算法的自适应数据融合路由算法。算法选择移动代理路由时,根据数据传输和融合能量开销及节能增益,对移动代理迁移到每个传感器节点是否进行数据融合做自适应选择,以在信息收集过程中提高网络能量效率。仿真结果表明自适应数据融合路由算法的能量效率优于完全数据融合路由算法和最邻近启发式算法。

基于空间相关性的事件驱动无线传感器网络分簇算法

分簇算法是传感器网络中减少能量消耗的一种关键技术,它能够增强网络的扩展性和延长网络的生存时间。针对传感器节点数据的空间相关性,该文提出了一种新的基于空间相关性的事件驱动传感器网络分簇算法。算法根据用户要求的误差门限及结合节点数据的空间相关性马尔可夫模型,将事件感知区域划分成虚拟极坐标等价层。每个等价层选取层内当前剩余能量最大的节点作为簇头,网络通过移动代理收集簇头感知信息,该方法减少了传输数据量,有效节省了网络能量。

非线性lp问题的极大熵方法

在非线性l1问题极大熵方法的基础上,构造了非线性l(0<p<1)问题的极大熵方法.为了克服lp问题的非光滑性,导出了极大熵函数,并证明了极大熵函数列的收敛性.根据同伦算法证明了极大熵函数的最优解序列逼近于非线性lp问题的最优解,并提出了解决计算过程中易于溢出的方法.最后,数值仿真表明算法是十分有效的.

采用分组数据的序贯频谱感知方法

针对传统的认知无线电频谱感知方法在低信噪比下感知时间长、系统吞吐量低的问题,提出了一种采用分组数据的混合型序贯检测(MSD)方法。该方法首先将次用户的感知数据进行分组形成超采样,然后由数学理论推导出最大化系统吞吐量的最优虚警概率,并且利用牛顿迭代法搜索最优虚警概率,最后在最优虚警概率下对超采样序列依次进行细检测和粗检测,快速获得检测结果。MSD方法采用分组数据进行频谱感知,能有效缩短感知时长,获得最大系统吞吐量,从而提高频谱利用率。蒙特卡罗仿真结果表明,在低信噪比下MSD方法比传统的序贯检测法和序贯能量检测法的平均归一化吞吐量增加了109%和21%,平均感知开销率减少了75%和49%。

最优基选择的极大熵方法

本文在Wickerhauser和Donoho提出的通过扩散测度最小化的思想,求解最优基选择的方法基础上,构造了一类算法.并利用极大熵方法克服lp≤1测度的非光滑性,同时根据同伦算法构造极大熵函数的最优解序列来逼近最优基.最后,数值实验表明这种算法是十分有效的.

压缩感知中非凸优化的极大熵方法(英文)

压缩感知可由少量观测重构K-稀疏信号.本文提出的极大熵方法克服了压缩感知中lp(0<p<1)最优化问题的非光滑性.极大熵方法构造一条同伦曲线以获得全局最优稀疏解.数值实验表明极大熵方法的信号重构性能优于l1最优化和AST算法.

压缩感知中信号重构的极大熵方法(英文)

本文针对压缩感知理论中BP算法的l1最优化问题,构造了一种新的信号重构的极大熵方法.极大熵方法克服了l1最优化问题的非光滑性,同时根据同伦方法构造极大熵函数的最优解序列来逼近全局最优稀疏解.数值实验表明极大熵方法是十分有效的信号重构方法.

基于位置感知的无线传感器网络聚类算法

针对以能量有效的方式收集传感器网络空间相关性数据的问题,本文提出了一种新的基于位置感知的无线传感器网络聚类算法。算法根据用户查询误差门限和基于位置信息的节点感知数据相异度矩阵,进行无监督数据挖掘,将监测区域划分成信息等价域。每个等价域选取域内当前剩余能量最大的节点作为簇头,网络通过移动代理收集簇头感知信息,从而减少了传输数据量,有效节省了网络能量。

浅议建构主义理论指导下的高等数学教学改革原则

针对当前高等数学教学存在的问题,根据建构主义理论,提出了高等数学教学改革应遵循的原则。

行阶梯观测矩阵、对偶仿射尺度内点重构算法下的语音压缩感知

基于语音信号在离散余弦域上的近似稀疏性,针对采用随机高斯观测矩阵及线性规划方法进行语音压缩感知与重构时,重构零(近似零)系数定位能力差而导致重构效果不好的缺点,本文提出一种新的行阶梯矩阵做观测矩阵,用对偶仿射尺度内点重构算法对语音进行压缩感知与重构,并对该算法下的重构性能进行理论分析.语音压缩感知仿真结果表明,在离散余弦基下,压缩比(观测序列与原始序列样值数之比)为1∶4时,行阶梯观测矩阵下的平均重构信噪比比随机高斯观测矩阵下提高9.73dB,平均MOS分比随机高斯观测矩阵下提高1.22分.

DCT域的语音信号自适应压缩感知

利用语音信号在DCT域的稀疏特性,提出了一种基于语音信号能量特性的帧间与帧内自适应压缩感知方法。首先根据语音信号各帧能量和各帧所属能量区间自适应分配每帧观测个数,称之为帧间自适应。然后当帧观测个数确定后,根据每帧完全观测各分量的能量自适应选取相应个数的观测,称之为帧内自适应。实验表明,用该算法重构的语音具有较高的平均分段信噪比和平均意见得分。

法治在高校行政管理中的实现

法治在高校行政管理中有极其重要的作用。本文在对高校行政管理过程法治化实现的方式予以分析的基础上,讨论了高校行政管理过程中应当注意和解决的一些问题。

带总观测误差约束的模糊图像恢复

模糊图像恢复是数字图像处理领域的研究热点之一,总变差(Total Variation,TV)规整化可以很好的保持图像的细节,然而,传统的TV图像恢复模型需要考虑最优的正则化参数,由此,提出了一族包含不同规整化因子,带总观测误差约束的模糊图像恢复模型,并分为去模糊和去噪两步求解此模型。在去模糊过程中,利用共轭梯度法求出一个满足总观测误差约束的初始恢复图像;在去噪过程中,首先,以去模糊的结果作为初始估计;其次,针对lp范数最小化问题,利用优化—最小化(Majoriziation-Minimization,MM)算法的思想,将原问题转化为一系列容易求解的优化子问题;最后,极小化优化子问题,得到最终的恢复图像。实验结果表明,该算法对模糊图像的恢复效果是显著地。

解线性互补问题的一类区间方法

本文从Krawczyk算子及区间max运算入手,利用解非线性方程组的最佳Krawczyk算子方法,提出了解线性互补问题的一类最佳Krawczyk算子算法,给出了具体算法实例．