無線蜂窩網(wǎng)中用于D2D多播簇的低能耗多播方案[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

研究基站到某個小區(qū)域內(nèi)多個節(jié)點(diǎn)的設(shè)備到設(shè)備的高效數(shù)據(jù)多播通信技術(shù)，提出了一種中繼節(jié)點(diǎn)固定的多播方案和一種中繼節(jié)點(diǎn)動態(tài)選取的多播方案，并以最小化所有接收節(jié)點(diǎn)的總能耗為目標(biāo)，最優(yōu)化中繼節(jié)點(diǎn)及其發(fā)送功率的選取。相比于傳統(tǒng)方案，該方案可顯著降低多播簇中接收節(jié)點(diǎn)的總能耗。

發(fā)表于：1/22/2019 1:05:00 PM

Massive MIMO中基于統(tǒng)計信道的波束形成和功率分配[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為了提高大規(guī)模多輸入多輸出系統(tǒng)(Massive MIMO)的總?cè)萘?，提出了基于統(tǒng)計信道信息的波束形成和功率分配的優(yōu)化算法。所提出的波束形成方法以信噪泄漏比為優(yōu)化標(biāo)準(zhǔn)，而功率分配方案以系統(tǒng)容量為優(yōu)化目標(biāo)，同時滿足基站總發(fā)射功率約束條件。上述優(yōu)化問題轉(zhuǎn)化為多個變量的等價優(yōu)化形式，從而可以通過變量的交替優(yōu)化迭代達(dá)到收斂。每次迭代過程中均可以求出閉式解，迭代完成后可得到優(yōu)化的功率分配方案。仿真結(jié)果表明，相比于平均功率分配方案，該算法能有效地提高系統(tǒng)的總?cè)萘俊?/a>

一種稀疏度自適應(yīng)的SIMO-NOMA系統(tǒng)多用戶檢測算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

非正交多址接入（NOMA）可以通過對資源的非交使用來提高頻譜利用率，增加用戶連接數(shù)，有望成為5G的關(guān)鍵技術(shù)之一?？紤]基站端配備多根天線，針對上行免調(diào)度SIMO-NOMA系統(tǒng)中活躍用戶數(shù)量未知的情況，提出了一種基于壓縮感知的稀疏度自適應(yīng)匹配追蹤硬融合算法(SAMP-HFA)。所提算法主要包括三部分：首先利用傳統(tǒng)的SAMP算法估計基站端每根天線上的用戶活動情況，接著融合這些檢測到的用戶活動信息獲得一個公共的活躍用戶集合，最后利用該集合估計活躍用戶的傳輸數(shù)據(jù)。仿真結(jié)果表明，隨著天線數(shù)目的增加，所提算法的誤碼率性能顯著提高。

發(fā)表于：1/21/2019 2:20:00 PM

應(yīng)用于空間調(diào)制系統(tǒng)的低復(fù)雜度檢測算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

應(yīng)用于大規(guī)模多輸入多輸出系統(tǒng)的空間調(diào)制系統(tǒng)是一種新穎的5G傳輸方案。針對空間調(diào)制提出了一種復(fù)雜度較低的檢測算法，提出的算法通過將接收天線重排序來減少總復(fù)雜度。算法結(jié)合已有的A-Star算法對接收天線分層并排序，改變樹搜索結(jié)構(gòu)并排除錯的節(jié)點(diǎn)，使所選分支盡可能包括最優(yōu)路徑，極大縮小了所需訪問節(jié)點(diǎn)數(shù)。該算法具有近似最優(yōu)的誤比特性能和更低的計算復(fù)雜度，與最大似然檢測算法相比復(fù)雜度減少了80%左右。

發(fā)表于：1/21/2019 2:03:00 PM

基于議價博弈的高效機(jī)會網(wǎng)絡(luò)路由算法[通信與網(wǎng)絡(luò)][其他]

現(xiàn)有基于議價博弈的機(jī)會網(wǎng)絡(luò)路由算法存在著因節(jié)點(diǎn)交互過程偏多所引起的控制開銷過大、對無用消息提出請求時帶來了額外開銷和博弈雙方達(dá)成交易概率不高所引起的時延以及SV列表中消息剩余跳數(shù)降為1時帶來了額外開銷等問題，對此提出了一種高效的機(jī)會網(wǎng)絡(luò)路由算法——EORB。該算法通過采用自適應(yīng)精簡數(shù)據(jù)包摘要、自適應(yīng)合并SV-DP消息和求購消息、綜合考慮買賣雙方收益的博弈策略等機(jī)制減少了冗余開銷，加速了消息的轉(zhuǎn)發(fā)速率并提高了消息的到達(dá)率。仿真結(jié)果表明，該算法有效提高了數(shù)據(jù)傳送到達(dá)的成功率，降低了系統(tǒng)開銷以及消息的平均端到端時延。

發(fā)表于：1/18/2019 1:54:00 PM

基于EEMD-SE和GARBF的短期電力負(fù)荷預(yù)測[電源技術(shù)][其他]

為了提高短期電力負(fù)荷的預(yù)測精度，提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）-樣本熵（SE）和遺傳算法（GA）來優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的組合方法。利用EEMD分解法自適應(yīng)地對負(fù)荷序列進(jìn)行分解，結(jié)合樣本熵對復(fù)雜度相似的子序列進(jìn)行合并，有效減小了運(yùn)算規(guī)模?；诟鱾€子序列復(fù)雜度的差異構(gòu)建相應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，利用遺傳算法避免神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)和收斂性問題，進(jìn)而對合并的新子序列進(jìn)行預(yù)測并疊加得到最終預(yù)測結(jié)果。仿真結(jié)果表明，該預(yù)測算法具有良好的預(yù)測效果，滿足短期電力負(fù)荷預(yù)測的要求。

發(fā)表于：1/18/2019 1:40:00 PM

基于資源三號衛(wèi)星與Landsat 8 OLI的水庫庫容估算*[通信與網(wǎng)絡(luò)][工業(yè)自動化]

遙感技術(shù)具有探測范圍廣、更新速度快、周期性強(qiáng)等特點(diǎn)，在水庫庫容監(jiān)測中具有巨大優(yōu)勢。以遼寧省撫順市大伙房水庫為研究對象，基于資源三號衛(wèi)星提取的DEM數(shù)據(jù)建立模型，從不同時相的Landsat 8 OLI影像中提取庫面積，并利用模型計算庫容。結(jié)果顯示：與利用庫容曲線計算的庫容相比，該方法相對誤差在20%以內(nèi)，且具有較好的相關(guān)性，為水庫庫容的快速估算提供了一種方法，具有一定的實(shí)用價值。

發(fā)表于：1/18/2019 5:45:00 AM

電力企業(yè)云百科系統(tǒng)的架構(gòu)設(shè)計[電源技術(shù)][數(shù)據(jù)中心]

隨著云計算服務(wù)在電力行業(yè)的廣泛應(yīng)用，用戶對電力云平臺的搜索能力要求越來越高，電力云百科系統(tǒng)主要應(yīng)用于電力系統(tǒng)內(nèi)部的電力知識的共享以及更新。系統(tǒng)是基于電力系統(tǒng)數(shù)據(jù)庫通過云搜索引擎的快速檢索，便捷相應(yīng)知識內(nèi)容的利用。由于采用了云計算技術(shù)，可以提高并發(fā)訪問量、檢索速度，實(shí)現(xiàn)業(yè)務(wù)動態(tài)擴(kuò)展和節(jié)約成本。

發(fā)表于：1/17/2019 6:58:00 PM

基于頻譜特性和自適應(yīng)蟲孔定位的小麥識別[通信與網(wǎng)絡(luò)][信息安全]

為了實(shí)現(xiàn)對小麥不完善粒批量、快速、準(zhǔn)確地識別，提出了一種基于小麥圖像特征的小麥不完善粒識別方法。采集不完善粒小麥圖像，對每粒小麥圖像提取其自適應(yīng)蟲孔特征、頻譜特性、周長、最小外接圓面積等89維特征參數(shù)。研究結(jié)果表明，對于常見小麥不完善粒類別，尤其是發(fā)芽粒和生蟲粒具有較高的識別率。該識別方法對正常粒、破碎粒、生蟲粒、生病粒、發(fā)芽粒的識別率分別為98.75%、97.50%、93.02%、99%、96.25%，平均識別率為96.90%，相較于傳統(tǒng)的圖像處理識別方法，識別準(zhǔn)確率提高20%左右，表明提出的方法能有效運(yùn)用于小麥不完善粒檢測實(shí)際應(yīng)用場景中。

發(fā)表于：1/17/2019 3:51:00 PM

基于改進(jìn)的SVD和Prony的諧波檢測算法[測試測量][工業(yè)自動化]

針對傳統(tǒng)的Prony算法在諧波及間諧波檢測過程中對噪聲敏感，導(dǎo)致辨識精度不高的問題，提出了一種基于奇異值分解(Singular Value Decomposition，SVD)和Prony的改進(jìn)算法?；赟VD理論，提出了一種奇異點(diǎn)輔助算法，自適應(yīng)地選取奇異值分解的有效階次，從而精確地濾除噪聲信號?；谝汛_定的有效階次，利用改進(jìn)的Prony算法對濾除噪聲之后的信號進(jìn)行參數(shù)辨識，可以準(zhǔn)確地估計出各個諧波及間諧波分量的參數(shù)。通過MATLAB仿真分析，表明算法能夠準(zhǔn)確地提取出電力信號的參數(shù)信息，具有一定的應(yīng)用價值。

發(fā)表于：1/17/2019 11:41:00 AM