文章针对基于同步数字体系(Synchronous Digital Hierarchy,SDH)的电力通信网络中的时钟同步机制展开研究与性能评估。通过分析SDH电力通信网络的基础知识和时钟同步需求,设计一种有效的时钟同步机制,并提出相应的同步算法和优化方法。...文章针对基于同步数字体系(Synchronous Digital Hierarchy,SDH)的电力通信网络中的时钟同步机制展开研究与性能评估。通过分析SDH电力通信网络的基础知识和时钟同步需求,设计一种有效的时钟同步机制,并提出相应的同步算法和优化方法。在此基础上,建立评估性能的方法与实验平台,并对实验结果进行深入的分析与评估。通过文章的研究,为提升SDH电力通信网络中时钟同步的性能提供重要参考。展开更多
深度强化学习(DRL)广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要...深度强化学习(DRL)广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要人工精心的设计。因此,提出了一种基于注意力机制(attention mecha-nism)的DRL交通信号控制算法。通过引入注意力机制,使得神经网络自动地关注重要的状态分量以增强网络的感知能力,提升了信号控制效果,并减少了状态向量设计的难度。在SUMO(simulation of urban mobility)仿真平台上的实验结果表明,在单交叉口、多交叉口中,在低、高交通流量条件下,仅仅使用简单的交通状态,与三种基准信号控制算法相比,所提算法在平均等待时间、行驶时间等指标上都具有最好的性能。展开更多
文摘文章针对基于同步数字体系(Synchronous Digital Hierarchy,SDH)的电力通信网络中的时钟同步机制展开研究与性能评估。通过分析SDH电力通信网络的基础知识和时钟同步需求,设计一种有效的时钟同步机制,并提出相应的同步算法和优化方法。在此基础上,建立评估性能的方法与实验平台,并对实验结果进行深入的分析与评估。通过文章的研究,为提升SDH电力通信网络中时钟同步的性能提供重要参考。
文摘深度强化学习(DRL)广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要人工精心的设计。因此,提出了一种基于注意力机制(attention mecha-nism)的DRL交通信号控制算法。通过引入注意力机制,使得神经网络自动地关注重要的状态分量以增强网络的感知能力,提升了信号控制效果,并减少了状态向量设计的难度。在SUMO(simulation of urban mobility)仿真平台上的实验结果表明,在单交叉口、多交叉口中,在低、高交通流量条件下,仅仅使用简单的交通状态,与三种基准信号控制算法相比,所提算法在平均等待时间、行驶时间等指标上都具有最好的性能。