针对异构网络中的多样业务需求,并且为了能够适应网络环境的动态变化,为每一个会话选择一个最合适的网络为其服务同时实现网络负载的均衡,以HSDPA和W iM ax构成的异构网络为背景,基于Q学习算法,提出了一种异构网络环境下无线接入网络选...针对异构网络中的多样业务需求,并且为了能够适应网络环境的动态变化,为每一个会话选择一个最合适的网络为其服务同时实现网络负载的均衡,以HSDPA和W iM ax构成的异构网络为背景,基于Q学习算法,提出了一种异构网络环境下无线接入网络选择的新算法。该算法在进行网络选择时不仅考虑到网络的负载情况,还充分考虑了发起会话的业务属性、终端的移动性以及终端在网络中所处位置的不同。仿真结果表明该算法降低了系统阻塞率,提高了频谱效用,实现了网络选择的自主性。展开更多
目的 :对比研究IDEAL序列和频率选择预饱和脂肪抑制方法的信噪比(signal to noise ratio,SNR)、对比噪声比(contrast to noise ratio,CNR)和脂肪抑制的均匀性,以明确IDEAL序列在乳腺MR成像中的优缺点。方法:选取19名行乳腺MR检查的患者...目的 :对比研究IDEAL序列和频率选择预饱和脂肪抑制方法的信噪比(signal to noise ratio,SNR)、对比噪声比(contrast to noise ratio,CNR)和脂肪抑制的均匀性,以明确IDEAL序列在乳腺MR成像中的优缺点。方法:选取19名行乳腺MR检查的患者,选择病变相同的层面测量SNR和CNR;对2种脂肪抑制方法所得图像选择相同层面的20个相同感兴趣区,测量皮下脂肪的信号值,并绘图进行比较。结果:IDEAL序列的SNR=7.159±0.279,频率选择预饱和脂肪抑制的SNR=5.012±0.243(P=0.000);IDEAL序列的CNR=24.643±1.598,频率选择预饱和脂肪抑制的CNR=21.832±2.096(P=0.031)。IDEAL序列的信号空间分布曲线形态平缓,频率选择预饱和脂肪抑制的信号空间分布曲线形态陡峭。结论:IDEAL序列具有良好的信噪比、对比噪声比和脂肪抑制均匀性,可作为乳腺MRI检查的首选序列。展开更多
针对饥饿游戏搜索算法(hunger games search, HGS)存在收敛速度慢和易陷入局部最优等缺点,提出了一种基于均衡池和莱维飞行的饥饿游戏搜索算法(equilibrium Lévy hunger games search, ELHGS)。该算法首先利用tent映射产生更具多...针对饥饿游戏搜索算法(hunger games search, HGS)存在收敛速度慢和易陷入局部最优等缺点,提出了一种基于均衡池和莱维飞行的饥饿游戏搜索算法(equilibrium Lévy hunger games search, ELHGS)。该算法首先利用tent映射产生更具多样性的初始种群;受到平衡优化器算法(EO)的启发,提出一种基于动态均衡池收敛的更新公式,其动态调整的更新策略使算法的全局搜索能力增强;为了进一步增强算法跳出局部最优的能力,在一定条件下对种群实施基于莱维飞行的变异操作。对23个基准函数进行仿真实验,结果显示与原始HGS算法相比,ELHGS求解精度更高、收敛更为迅速,在高维度多峰函数问题上效果最为显著。展开更多
文摘针对异构网络中的多样业务需求,并且为了能够适应网络环境的动态变化,为每一个会话选择一个最合适的网络为其服务同时实现网络负载的均衡,以HSDPA和W iM ax构成的异构网络为背景,基于Q学习算法,提出了一种异构网络环境下无线接入网络选择的新算法。该算法在进行网络选择时不仅考虑到网络的负载情况,还充分考虑了发起会话的业务属性、终端的移动性以及终端在网络中所处位置的不同。仿真结果表明该算法降低了系统阻塞率,提高了频谱效用,实现了网络选择的自主性。
文摘目的 :对比研究IDEAL序列和频率选择预饱和脂肪抑制方法的信噪比(signal to noise ratio,SNR)、对比噪声比(contrast to noise ratio,CNR)和脂肪抑制的均匀性,以明确IDEAL序列在乳腺MR成像中的优缺点。方法:选取19名行乳腺MR检查的患者,选择病变相同的层面测量SNR和CNR;对2种脂肪抑制方法所得图像选择相同层面的20个相同感兴趣区,测量皮下脂肪的信号值,并绘图进行比较。结果:IDEAL序列的SNR=7.159±0.279,频率选择预饱和脂肪抑制的SNR=5.012±0.243(P=0.000);IDEAL序列的CNR=24.643±1.598,频率选择预饱和脂肪抑制的CNR=21.832±2.096(P=0.031)。IDEAL序列的信号空间分布曲线形态平缓,频率选择预饱和脂肪抑制的信号空间分布曲线形态陡峭。结论:IDEAL序列具有良好的信噪比、对比噪声比和脂肪抑制均匀性,可作为乳腺MRI检查的首选序列。
文摘针对饥饿游戏搜索算法(hunger games search, HGS)存在收敛速度慢和易陷入局部最优等缺点,提出了一种基于均衡池和莱维飞行的饥饿游戏搜索算法(equilibrium Lévy hunger games search, ELHGS)。该算法首先利用tent映射产生更具多样性的初始种群;受到平衡优化器算法(EO)的启发,提出一种基于动态均衡池收敛的更新公式,其动态调整的更新策略使算法的全局搜索能力增强;为了进一步增强算法跳出局部最优的能力,在一定条件下对种群实施基于莱维飞行的变异操作。对23个基准函数进行仿真实验,结果显示与原始HGS算法相比,ELHGS求解精度更高、收敛更为迅速,在高维度多峰函数问题上效果最为显著。