【摘 要】
：
应急场景中灾情信息的及时传输与处理对于提升应急救援效率十分重要。而灾区基础通信设施往往损毁严重,应急通信车等传统应急通信手段存在移动性差、灵活性低等缺点,无法很好的支撑应急场景中的通信需求。因此,可以采用无人机辅助应急通信,高效完成灾区中的救援任务。然而,在无人机辅助下的空地协同应急场景中,存在两方面的问题需要考虑:首先,无人机服务能力有限,如何通过无人机位置的最优部署,最大程度提升通信容量,是需
论文部分内容阅读
应急场景中灾情信息的及时传输与处理对于提升应急救援效率十分重要。而灾区基础通信设施往往损毁严重,应急通信车等传统应急通信手段存在移动性差、灵活性低等缺点,无法很好的支撑应急场景中的通信需求。因此,可以采用无人机辅助应急通信,高效完成灾区中的救援任务。然而,在无人机辅助下的空地协同应急场景中,存在两方面的问题需要考虑:首先,无人机服务能力有限,如何通过无人机位置的最优部署,最大程度提升通信容量,是需要考虑的问题;其次,无人机感知的数据回传到后方数据中心后,如何保证数据中心网络中（Data Center Networks,DCNs）信息传输的稳定性,也需要进行研究。因此,针对应急下无人机辅助的应急场景中面临的两大问题,本文分别进行了研究。首先,针对无人机的部署问题,分别考虑大规模用户接入场景和林区场景下无人机的部署优化策略;进而,对数据中心信息传输的稳定性开展研究,从理论上推导其稳定性条件。具体地,本文的主要研究工作将从以下三个方面展开。首先,在大规模用户接入应急场景下,面对地面基础通信设施不足的问题,采用多架无人机充当临时基站,为救援人员提供通信服务。具体地,在考虑用户分布差异性的情况下,提出一种基于粒子群优化（Particle Swarm Optimization,PSO）算法的启发式算法,通过对无人机三维部署位置的优化,实现灾区所需部署数量的最小化;为了进一步提升系统性能和收敛速度,提出基于模糊聚类算法的初始化方法和差异性惯性因子更新方案,加快算法收敛速度;此外,考虑用户业务的差异性需求,提出一种用户功率分配方案,在无人机发射功率限制下,满足所有用户的最低不同服务需求。最后通过仿真结果验证所提方案的合理性和有效性。然后,考虑到林区场景的特殊性,传统城乡信道模型不适配的问题,对林区场景下无人机的部署问题进行了研究。具体地,基于林区专有信道模型,本文提出一种基于深度强化学习（Deep Reinforcement Learning,DRL）的无人机部署方案;同时,为进一步降低智能体的状态动作空间,本文将无人机划分为多个分簇,并将每个分簇看作独立的智能体,对簇内无人机的部署位置进行联合优化。仿真结果表明,本文所提方案可以很好的平衡系统吞吐量和算法复杂度之间的折中关系。最后,考虑到应急场景下对数据传输高稳定性的需求,本文进一步对数据中心网络传输稳定性进行了研究。具体地,本文主要针对数据中心传输控制协议（Data Center Transmission Control Protocol,DCTCP）的流体模型,分析网络稳定性和往返时延（Round-trip time,RTT）的关系,并从理论推导证明,当RTT小于一定阈值,即Hopf分岔点的时候,网络保持高稳定性。本文进一步分析了其他参数对数据中心网络稳定性的影响,并通过仿真结果进一步验证了理论推导结果的正确性,为稳定性敏感型应用的稳定性控制和调整提供了理论基础。
其他文献
图分析用于深入挖掘图数据的内在特征,然而图作为非欧几里德数据,传统的数据分析方法普遍存在较高的计算量和空间开销.图嵌入是一种解决图分析问题的有效方法,其将原始图数据转换到低维空间并保留关键信息,从而提升节点分类、链接预测、节点聚类等下游任务的性能.与以往的研究不同,同时对静态图和动态图嵌入文献进行全面回顾,提出一种静态图嵌入和动态图嵌入通用分类方法,即基于矩阵分解的图嵌入、基于随机游走的图嵌入、基于自编码器的图嵌入、基于图神经网络(GNN)的图嵌入和基于其他方法的图嵌入.其次,对静态图和动态图方法的理论相
多表连接运算是大数据处理中常见的运算.类似于数据库运算中常见的连接操作,多表连接运算的顺序会对计算资源和传输资源的消耗产生巨大影响.对多表连接顺序的优化是一个经典的优化问题,同时每次连接中表的投影结果大小也会影响节点间传输的数据体积,因此整体连接的顺序和每次连接的投影关系都会对连接效率产生显著的影响,而在传统的优化策略中,往往不会考虑到中间投影关系的取舍问题,以及基于中间投影关系而对最优连接策略产生的影响.针对这个问题,建立了一种连接关系索引,能够在构建优化连接策略中调整每次连接的投影关系,及时删除冗余列
现有的人员简历信息抽取方法无法针对金融公告中非结构化人员简历进行人员属性以及事件的抽取,无法发现金融公告中跨文档的人员之间关系.针对以上问题,将非结构化的人员简历抽取成结构化的人员信息模板,提出一种金融领域人物关系图谱构建方法.通过对B E RT预训练语言模型进行训练,抽取出非结构化人员简历文本中的人员属性实体,利用训练好的B E RT预训练模型获取事件实例向量,对事件实例向量进行准确的分类,填充层次化的人员信息模板,准确地关联人员属性.进一步地,通过填充好的人员信息模板,提取人员关系,构建人物关系图谱.
针对大数据环境下并行MRPrePost频繁项集挖掘算法中存在计算节点负载不均衡,N-list合并效率低以及冗余搜索等问题,提出了基于N-list结构的混合并行频繁项集挖掘算法HP-FIMBN.首先,设计负载量估计函数(LE)来计算出频繁1项集F-list中每一项的负载量,同时提出基于贪心策略的分组方法(GM-GS)将F-list中的每一项根据其负载量进行均匀分组,既解决了数据划分中计算节点负载不均衡的问题,又降低了集群中各节点上子PPC-Tree树的规模;其次,提出预先放弃策略(EAS),该策略不仅能有效
个性化学习推荐是智能学习的一个研究领域,其目标是在学习平台上给特定学习者提供有效学习资源,从而提升学习积极性与学习效果.虽然现有的推荐方法已被广泛用于教学场景,但教学活动自身的科学规律,使个性化学习推荐在个性化参数设置、推荐目标设定、评价标准设计等方面具有一定的特殊性.针对上述问题,在调研大量文献的基础上对近年来个性化学习推荐的研究进行了综述.从学习推荐通用框架、学习者建模、学习推荐对象建模、学习推荐算法、学习推荐评价五方面对个性化学习推荐的相关研究进行了系统的梳理和解读.首先提出了学习推荐系统的通用框架
随机森林(RF)是最经典的机器学习算法之一,并已获得广泛应用.然而观察发现,尽管现实中存在众多的二视图数据并已获得广泛的分析研究,但针对二视图场景的RF构建相当少,仅有的利用RF解决二视图学习问题的方法也都是先为各个视图生成各自的RF,在决策时才融合了视图间的信息.这样的方法存在一个显著不足是在其RF的构建阶段未利用两个视图间的相关性,这无疑浪费了信息资源.为了弥补这一不足,提出了一种改进的二视图随机森林(ITVRF).具体而言,在决策树的生成过程中采用典型相关分析(CCA)进行视图融合,将视图间的信息交
知识图谱(KG)提供了一种数据结构来生成基于内容和协同过滤的混合推荐,但现有的基于知识图谱推荐方法对用户属性信息的考虑少于对物品属性的考虑,针对这一问题,提出了基于知识图谱卷积网络的双端推荐算法(DEKGCN).该算法用知识图谱中每一个实体邻域的抽取样本作为其高阶接受域,用数据集中用户的相关属性作为其一阶接受域,在计算给定实体和用户的表示时分别结合各自的邻域信息,最后得到用户对物品的偏好概率.用户端和物品端的多种信息被用来学习用户和物品的向量表示,有效解决了数据稀疏和冷启动问题.在真实数据集上的实验结果表
移动边缘计算(MEC)支持终端设备将任务或应用程序卸载到边缘云服务器处理,边缘云服务器处理外来任务会消耗本地资源,为激励边缘云提供资源服务,构建向终端设备收费以奖励边缘云的资源定价机制尤为重要.现有的定价机制依赖中间商的静态定价,费用高且终端任务处理不及时,难以实现边缘云计算资源的有效利用.针对上述问题,提出一种基于Stackelberg博弈的边缘云资源定价机制.首先,针对资源定价时终端设备因资金不足而导致的本地任务搁置问题,提出包含贷款和激励的辅助机制,实现终端设备任务的及时处理;其次,提出影响资源定价
近年来,自编码器和神经网络技术已被广泛研究并应用于轴承振动等工业数据的异常检测问题上,但仍存在着训练数据量大、网络参数初始化、训练效率较低、异常检测效果较差等问题.为解决上述问题,提出了一种结合马氏距离和自编码网络的异常检测方法.利用轴承振动数据特征之间具有一定相关性的特点,通过数据的马氏距离快速检测出部分异常数据,减少了自编码网络的训练数据量;用自编码器结合分类器构建自编码网络,解决了网络参数初始化问题并且显著提高了训练效率;将数据的马氏距离作为特征加入训练中提升了自编码网络的异常检测效果;在自编码器中
随着我国经济水平的不断提高,我国医疗行业发展迅速,行业体量不断增大。人们对高质量、高水平的医疗服务的需求日益增长,国家也在积极号召要加强人工智能在医疗卫生等领域的深度应用。目前医院的信息化建设虽然已经初见成效,但仍存在医疗工具缺乏维护、用法繁琐、缺乏智能化等问题。本论文以结直肠癌为例,在XGBoost方法的基础上使用SEER数据集进行结直肠癌症患者采用特定治疗方案存活性预测模型的研究,并将该模型应