基于双向GRU神经网络的医学文本PICO成分识别

针对传统机器学习模型在识别PICO(population/problem,intervention,comparison and outcome)成分时存在特征提取不充分的问题,本文提出了一种自动识别医学文本中PICO成分的GRUCM模型,该模型融合了双向门控循环单元(bi-bated recurrent unit,BiGRU)神经网络和条件随机场(conditional random field,CRF)的优点,不仅能改善传统机器学习模型存在的特征抽取不足的问题,而且可以同时抽取出多个成分,避免创建多个模型而造成的资源浪费。该模型在测试数据上P成分的F 1值为88.24%,I成分的F 1值为80.49%,O成分的F 1值为86.62%,与采用长短期记忆网络(long short-term memory,LSTM)和CRF模型的识别效果进行对比,本文提出的GRUCM模型对PICO成分的识别更有效。

LTE-A中异构网络的切换分析

在传统网络数据流量爆发性增长、频谱效率已接近极限值的形式下,异构组网是增加网络容量、提高数据速率的有效方式。LTE-A系统中异构组网引入低功率节点,缩短了网络与用户间距离,提高了无线链路质量和频谱效率,逐渐成为LTE-A系统中的关键技术之一,但同时也带来复杂的移动性管理等问题。在深入分析3GPP E-UTRA协议规范的基础上,首先建立了LTE-A MacroPico异构网络拓扑模型,然后对Macro-to-Pico和Pico-to-Macro双向切换概率进行了分析和仿真。在此基础上,给出了用户及其相关网络参数对于切换成功概率的影响分析。

基于M2M模型的出行路径规划算法

提出了一种源自于人类认知思维模式的普遍适用的算法设计模型——M2M模型(Macro to Micro model)。M2M模型的数据结构用O(n)时间建成,并具备高度的并行性。针对交通网络的最优路径规划问题,提出了基于M2M模型的交通网络出行路径规划算法,将交通路网运用M2M模型分层分块,减少搜索区域,优化路径搜索速度。实验证明,相对于当前使用较多的Dijkstra及A*等经典算法,本算法在求解速度上有明显提高。

基于Q学习异构网络干扰协调算法

在LTE-A中采用异构网络能提高用户的性能,但是由于小区间使用相同的频谱资源,产生了小区间干扰,影响了用户性能,从而需要采用小区间干扰协调技术来控制小区间干扰(ICI)。虽然现有的小区间干扰协调技术可以降低小区间干扰,但是存在Macro用户性能影响较大的问题。为此,提出了基于Q学习的ETPS算法,在不影响Macro用户性能的前提下,降低小区间干扰。仿真结果表明,QL-ETPS算法较传统固定ABS/RP-ABS子帧配置方案性能更优,可以在尽量不影响Macro基站用户的前提下,提高Pico基站边缘用户的吞吐量。

Femtocell的应用

Femtocell是排列在3G Macro Cell和Pico Cell之后的3G毫微微蜂巢式基地站。互通无障碍及不掉信号是FMC（固定网络与移动网络融合）成败之关键．为解决该问题，近年来业界相继提出了UMA、Cellular-WiFi双模手机、Softswitch、IMS技术和SDP平台、Convergence伺服器等局端及终端解决方案，而Femtocell为其中新浮现出的一种技术，正逐渐受到业内重视。