基于SPSS的网络精简方案研究

文章主要是利用SPSS软件,运用大数据技术,对移动网用户进行终端分析、常驻小区分析、消费分析,并将其与网络话务指标进行关联,精准定向开展2G用户向4G网络的迁移,科学制定网络精简方案,实现降本增效。

区域网络精简实施方案及效能提升研究

根据我国对无线网络高速发展的要求,在无线频率资源极为有限的情况下,如何提升网络运营的竞争力成为今后关注的主要目标.为此我们对西南区某省网络深入研究,围绕"设备最简、TCO最优"的原则,积极推动高能耗老旧设备替换、2G/3G站点精简和4G低效能站点能效提升,为现有网络2/3G的精简提质及推进后期全面4G/5G演进,作出一定的指导作用.

基于分层精简双线性注意力网络的鱼类识别

由于水下鱼类图像采集困难,现有的数据集主要以视频提取为主,采集到的鱼类图像存在背景环境复杂、像素低下等问题,使得细粒度鱼类图像识别任务难度较大。针对上述问题,提出了一种基于空间域注意力机制和分层精简双线性特征融合的网络。识别网络可进行端到端的训练,由两部分组成:第一部分是以空间变换网络(STN)为注意力机制的背景过滤网络;第二部分以vgg16网络作为特征提取器,根据高层卷积部分对鱼类图像细粒度特征响应的差异性,选取三组特征进行降维近似的网络精简融合,最终级联三组融合的特征送入softmax分类器。特征提取网络以ImageNet数据集上训练的参数进行初始化,采用鱼类数据集进一步微调。通过在F4K鱼类数据集上的对比验证,结果表明,所提出的分层精简双线性注意力网络(STN-H-CBP)在降低特征维度减少计算量的同时,在该数据集上的表现与现有的最优方法相当。

基于密集连接结构的超分辨精简网络

近年来,随着深度神经网络的发展并被应用在超分辨领域,图像超分辨率重建的效果得到了明显的提升。但是之前的工作大都把精力放在如何设计深度模型来提高重建的效果上,而忽视了设计模型需要大量参数与计算量这一问题,严重制约了深度学习方法在图像超分辨率重建方面的实际应用范围。针对该问题,基于密集连接结构设计了一种新的网络。在以下3个方面进行了算法改进:1)提出了一种基于密集连接结构的新模型;2)加入1×1卷积层作为特征选择层,同时进一步减少计算量;3)探讨了通道数量与重建精度、计算量之间的关系。实验结果表明本文提出的模型取得了与其他卷积神经网络模型相近的复原精度,同时计算速度只有之前最快深度模型FSRCNN的一半以下。

关于IMS网络容灾能力提升的专题研究

基于2023年中国联通西南大区站点间倒换测试结果,分析了西南大区IMS网络在站点级容灾场景下IMS网元的容灾承载能力,提出了IMS网络流程精简及容灾能力提升方案,解决IMS网络在灾难场景下处理能力不足的问题,提升了西南大区IMS网络容灾能力。

数据缺失下SGAIN融合TCN预测滚动轴承剩余寿命

由于网络传输故障和传感器漏读会引起数据缺失问题。为了在数据缺失条件下能够较准确地预测滚动轴承使用寿命,论文给出了一种将精简生成对抗插补网络(SGAIN)与时间卷积网络(TCN)相融合的剩余寿命预测(RUL)方法。首先,通过SGAIN算法学习缺失数据集的分布规律,掌握已有数据和缺失数据的关联,对缺失数据进行插补填充。其次,使用TCN网络建立轴承寿命预测模型,运用插补完成的数据集实现数据缺失下滚动轴承的剩余寿命预测。最后,借助于公开数据集将SGAIN插补方法与其他插补方法进行对比,揭示了SGAIN插补方法的优越性。同时,选择20%缺失率下的轴承缺失数据做出预测,插补后寿命预测结果的得分达到了0.7222,与缺失未插补数据的预测结果的得分0.5425相比提高了0.1797,接近原始数据寿命预测结果的得分0.7552。这说明了SGAIN融合TCN的滚动轴承剩余寿命预测方法是有效的。

基于SRN/HMM的非特定人连续手语识别系统

手语识别是通过计算机提供一种有效而准确的机制将手语翻译成文本或语音.目前最新发展水平的手语识别系统在实际应用中应解决非特定人连续手语问题.提出一种将连续手语识别分解成各孤立词识别的分治方法,用于非特定人连续手语识别.把精简循环网(simple recurrent network,简称SRN)作为连续手语的段边界检测器,把SRN分段结果作为隐马可夫模型(hidden Markov models,简称HMM)框架中的状态输入,在HMM框架里使用网格Viterbi算法搜索出一条最佳手语词路径.实验结果表明,该方法的识别效果比单纯使用HMM要好.

嵌入式以太网接口及精简网络协议的非常规实现

嵌入式系统资源有限,因此要求嵌入式以太网的应用在实现网络功能的前提下,尽可能对协议栈精简。分析了嵌入式网络协议栈的一般精简方法,并在此基础上提出更进一步的网络精简策略,即通过对应用层标准网络协议的改造,同时简略ARP协议、ICMP协议这些非常规实现方法下,仍能确保网络数据的正常通信和一定的网络测试功能。从而使嵌入式网络协议得到最大化的精简,为资源极端匮乏的应用提供一套切实可行的方案。

基于改进型CenterNet的车辆检测应用

CenterNet算法在车辆检测领域中表现优异,具有检测精度高和速度快的特点,但其也具有明显的缺点,由于网络采用复杂的Hourglass-104结构导致检测速度达不到实时性要求,同时检测过程中也有误检和漏检的现象发生。针对这些问题,提出一种基于改进型CenterNet的车辆检测算法。该方法首先对网络结构进行精简,将2个堆叠的Hourglass网络中的下采样和上采样次数减少为3次,然后用空洞卷积替换传统卷积以增大网络的感受野,捕捉多尺度上下文信息,最后通过在残差单元中增加一条支路以实现检测精度的提升。在KITTI数据集上进行仿真实验,检测精度和每张图片的检测时间分别为58.9%和105 ms,总体性能优于现有算法。

采用精简卷积神经网络的快速视频超分辨率重建

超分辨率重建在视频的传输和显示中起着重要的作用。为了既保证重建视频的清晰度,又面向用户实时显示,提出了一种采用精简卷积神经网络的快速视频超分辨率重建方法。所提的精简卷积神经网络体现在以下三点:首先,考虑到输入的尺寸大小会直接影响网络的运算速度,所提网络省去传统方法的预插值过程,直接对多个低分辨率输入视频帧提取特征,并进行多维特征通道融合。接着,为了避免网络中产生零梯度而丢失视频的重要信息,采用参数线性纠正单元(Parametric Rectified Linear Unit,PReLU)作为激活函数,并采用尺寸更小的滤波器调整网络结构以进行多层映射。最后,在网络末端添加反卷积层上采样得到重建视频。实验结果显示,所提方法相比有代表性的方法在PSNR和SSIM指标上分别平均提升了0.32dB和0.016,同时在GPU下达到平均41帧/秒的重建速度。结果表明所提方法可快速重建质量更优的视频。

基于精简双线性注意力网络的环境声音分类方法

局部区域差异会导致环境声音难以精确分类。对此,提出了一种基于精简双线性注意力网络的环境声音分类方法。首先,引入多维时频特征充分表征环境声音的特点;其次,引入随机擦除在线数据增强的方法,避免缺乏数据集而导致所训练的模型出现过拟合问题,提高样本的多样性;最后,在精简双线性网络框架不变的情况下,采用密集型连接网络DensNet-169作为特征提取模块,并引入通道空间位置注意力模块,关注环境声音特征局部区域的差异。实验结果表明,所提方法在ESC-10和ESC-50数据集上的准确率均超过人耳识别的准确率。