无线网络孪生中的统计信道建模方法:现状与前沿

数字孪生作为一种全新的数据驱动范式开始赋能各行各业。着重讨论了无线网络孪生的发展现状和无线网络孪生中最基础的数字孪生信道建模技术。针对现有数字孪生信道建模方法的不足,设计了一套面向无线网络的在地化统计信道建模方法,旨在实现对无线信道高效准确的数字孪生。搭建了可视化平台,以展示该数字孪生信道模型对特定无线网络环境大尺度多径统计特性的刻画。最后,展示了设计的数字孪生信道模型在5G无线网络优化中的两种典型应用。

基于语义信息的人脸特征匹配方法

人脸识别在图像处理领域是一个非常重要的研究方向,如何准确地从大量的人脸图像中识别出特定的人脸,是一个非常重要且迫切的问题。为此,提出一种能够有效提高识别准确率的辅助人脸识别方法。基于深度学习的人脸识别方法,是将人脸图像输入到一个训练好的卷积网络中,网络输出一个关于输入图像的特征描述向量。因此在人脸识别的过程中,只需计算两帧图像的描述向量间的相似性即可。但研究发现,识别准确率还有提升空间,因此利用第五层卷积特征图的特征,结合深度学习方法最终生成的图像描述向量,可以在人脸识别过程中显著提高识别准确率。大量实验证明,本方法可用于辅助基于深度学习方法的图像识别问题,能够有效提高识别准确率。

一种高效且鲁棒的网格化特征提取和匹配方法

在农业三维重建任务中,特征提取和匹配环节是极为重要的一环,对于重建精度和重建效率有较大的影响。文中提出的高质量网格化特征提取和特征匹配方法通过将图像网格化处理,逐块进行特征提取并自适应阈值处理,确保每个图像块中提取到足够多的特征点,并实现特征分布均匀化,提高三维重建算法的精度;通过对最近邻比例法的特征匹配结果进行网格化处理,并基于特征响应值和匹配分数两个维度对匹配对进行筛选,保留所有质量较高且空间分布均匀的匹配对,提高三维重建算法的精度和效率。在现有农业场景中进行实验验证,比较原始特征提取和匹配方法和文中提出的网格化处理的特征提取和匹配方法,证实文中提出的方法可以提取空间分布均匀且质量较高的匹配对,并且可以有效剔除冗余匹配对,提高三维重建匹配效率。

基于图卷积网络的基站用户数量预测

移动网络用户预测建模有助于发现城市人群时空分布特征和实行合理资源调度策略。随着移动网络的快速发展,移动通信基站产生了大量手机信令信息,为数据驱动建模提供了支撑。传统的时序预测只考虑时序特征而忽略了空间上的关联。针对这一问题,提出一种基于图卷积网络(Graph Convolutional Network,GCN)的基站用户数量预测模型。利用GCN获取基站之间的空间关联特征,通过长短时记忆(Long Short-Term Memory,LSTM)网络对时序特征进行建模。通过进行对比实验和消融实验,证明该模型能够有效提取基站用户数量的时空特征,相对传统方法具有更优的性能。