山桐子是有重要应用前景的能源树种,然而自然条件下休眠期长、萌发困难、发芽率极低,严重影响其推广应用。为了提高山桐子的萌发效率,笔者研究了不同消毒剂（氯化汞、过氧化氢）、消毒时间、处理方法（硫酸、超声波处理、低温层积）对...山桐子是有重要应用前景的能源树种,然而自然条件下休眠期长、萌发困难、发芽率极低,严重影响其推广应用。为了提高山桐子的萌发效率,笔者研究了不同消毒剂（氯化汞、过氧化氢）、消毒时间、处理方法（硫酸、超声波处理、低温层积）对山桐子种子消毒和促进萌发的作用。结果表明：70%乙醇结合10 min 30%过氧化氢处理,无菌苗种子污染率为0,第15天发芽率达到90%;而利用低温层积结合5-10 min 20%过氧化氢处理,实生苗种子的发芽率大幅提高,第22天发芽率达到78%。展开更多
快变信道环境下,采用频分双工模式下的大规模MIMO系统,用户通过反馈链路将信道状态信息(Channel State Information,CSI)发送给基站,为适应信道快速变化保证系统性能,要求降低反馈时延及减少反馈开销.提出一种基于深度学习的多分辨率信...快变信道环境下,采用频分双工模式下的大规模MIMO系统,用户通过反馈链路将信道状态信息(Channel State Information,CSI)发送给基站,为适应信道快速变化保证系统性能,要求降低反馈时延及减少反馈开销.提出一种基于深度学习的多分辨率信道状态信息网络(Multi-resolution Channel State Information Network,MCSINet),对反馈的信道状态信息进行压缩及预测,能够显著减少信道状态信息捕获与反馈开销,及降低时延.MCSINet模拟信道状态信息编解码系统,采用残差网络从信道样本中学习并完成信道预测,并通过多分辨率的卷积操作以及针对不同压缩率改变网络结构,从而更好预测信道状态.实验结果表明:与LASSO,TVAL3,CSINet等方法相比,MCSINet可以显著提高恢复信道状态信息,并且具有更低的误码率,复杂度和时延.展开更多
针对移动场景中毫米波MISO系统的可靠性通信问题,提出一种基于深度Q网络(deep Q network,DQN)的下行链路波束成形优化方案.考虑用户快速移动导致的多普勒频移来构建移动场景中的毫米波信道模型,结合功率控制和干扰约束,将MISO系统下行...针对移动场景中毫米波MISO系统的可靠性通信问题,提出一种基于深度Q网络(deep Q network,DQN)的下行链路波束成形优化方案.考虑用户快速移动导致的多普勒频移来构建移动场景中的毫米波信道模型,结合功率控制和干扰约束,将MISO系统下行链路的波束成形联合设计方案(joint beamforming-power control and interference coordination,JB-PCIC)建模为非凸优化问题.根据最大化信干噪比(signal to interference plus noise ratio,SINR)及用户的位置坐标,构建智能体-无线环境交互,利用DQN的贪婪属性估计动作的未来奖励,求解该优化问题.仿真结果表明:与穷举搜索的蛮力算法相比,所提出的基于DQN算法的JB-PCIC方案在显著降低复杂度的情况下,可以达到蛮力算法的速率和容量.展开更多
文摘山桐子是有重要应用前景的能源树种,然而自然条件下休眠期长、萌发困难、发芽率极低,严重影响其推广应用。为了提高山桐子的萌发效率,笔者研究了不同消毒剂（氯化汞、过氧化氢）、消毒时间、处理方法（硫酸、超声波处理、低温层积）对山桐子种子消毒和促进萌发的作用。结果表明：70%乙醇结合10 min 30%过氧化氢处理,无菌苗种子污染率为0,第15天发芽率达到90%;而利用低温层积结合5-10 min 20%过氧化氢处理,实生苗种子的发芽率大幅提高,第22天发芽率达到78%。
文摘快变信道环境下,采用频分双工模式下的大规模MIMO系统,用户通过反馈链路将信道状态信息(Channel State Information,CSI)发送给基站,为适应信道快速变化保证系统性能,要求降低反馈时延及减少反馈开销.提出一种基于深度学习的多分辨率信道状态信息网络(Multi-resolution Channel State Information Network,MCSINet),对反馈的信道状态信息进行压缩及预测,能够显著减少信道状态信息捕获与反馈开销,及降低时延.MCSINet模拟信道状态信息编解码系统,采用残差网络从信道样本中学习并完成信道预测,并通过多分辨率的卷积操作以及针对不同压缩率改变网络结构,从而更好预测信道状态.实验结果表明:与LASSO,TVAL3,CSINet等方法相比,MCSINet可以显著提高恢复信道状态信息,并且具有更低的误码率,复杂度和时延.
文摘针对移动场景中毫米波MISO系统的可靠性通信问题,提出一种基于深度Q网络(deep Q network,DQN)的下行链路波束成形优化方案.考虑用户快速移动导致的多普勒频移来构建移动场景中的毫米波信道模型,结合功率控制和干扰约束,将MISO系统下行链路的波束成形联合设计方案(joint beamforming-power control and interference coordination,JB-PCIC)建模为非凸优化问题.根据最大化信干噪比(signal to interference plus noise ratio,SINR)及用户的位置坐标,构建智能体-无线环境交互,利用DQN的贪婪属性估计动作的未来奖励,求解该优化问题.仿真结果表明:与穷举搜索的蛮力算法相比,所提出的基于DQN算法的JB-PCIC方案在显著降低复杂度的情况下,可以达到蛮力算法的速率和容量.
