【摘 要】
：
针对移动异构网络环境网络参数动态变化、多路传输过程中数据包乱序引发的吞吐量下降等问题,提出一种基于BP神经网络(back propagation neural network,BPNN)端到端时延预测的多路传输调度方法,通过BP神经网络的构建、训练和学习,实现对端到端传输时延的更准确预测,以此为基础,对子流拥塞状况及网络状态进行综合评估后实施数据调度.仿真结果表明,该方法可有效减少数据包乱序的发生,实现负载均衡,提高网络吞吐量.
【机 构】
：
首都师范大学 信息工程学院,北京 100048
论文部分内容阅读
针对移动异构网络环境网络参数动态变化、多路传输过程中数据包乱序引发的吞吐量下降等问题,提出一种基于BP神经网络(back propagation neural network,BPNN)端到端时延预测的多路传输调度方法,通过BP神经网络的构建、训练和学习,实现对端到端传输时延的更准确预测,以此为基础,对子流拥塞状况及网络状态进行综合评估后实施数据调度.仿真结果表明,该方法可有效减少数据包乱序的发生,实现负载均衡,提高网络吞吐量.
其他文献
基于有码率和无码率的纠删码技术常用于解决网络丢包问题,但是存在译码率不高等缺点.面向数据可靠传输的高译码带反馈的LT码通过利用多个编码之间相互异或操作制造新的译码条件,可以大大提高译码率.相应的反馈机制能够以较小的传输反馈代价,实现可靠传输.实验结果表明,与现有译码方案相比,该方案的译码率可以提高35％.
为有效降低视频服务商成本开销和提高服务质量,研究当前业界流行的资源交易模型,构建一种适用于流媒体资源交易的拍卖模型(SMRTM).由于模型中资源组合交易问题为NP-hard问题,计算复杂度高,通过把多种资源加权为综合满意度,将资源组合交易问题转化为图论中求解二分图最大权匹配问题,基于二分图设计一种资源组合交易算法(RPTA),RPTA在满足市场需求的情况下实现最大化满意度交易匹配,提高交易的收益.验证了算法的可行性、有效性.
针对无线系统带宽资源有限、基站负载压力大、传输时延长等问题,提出一种基于非正交多址接入技术的D2D系统吞吐量最大化资源分配算法.在不同用户的服务质量约束条件下,建立D2D系统吞吐量最大化资源分配模型.该模型的优化目标是一个混合整数非线性规划问题,将其解耦为信道匹配与功率分配2个子问题并分别进行处理,利用自适应惩罚函数法处理约束条件并提出一种基于爬山策略的自适应遗传算法以对问题进行求解.仿真结果表明,与GA、AGA算法相比,该算法能够有效提高D2D系统的吞吐量,且收敛性能更好.
电力负荷预测对电力系统的部署、规划和运行影响重大,但目前各输入特征对电网负荷情况影响的程度不稳定,且递归神经网络捕获负荷数据的长期记忆能力差,导致预测精度下降.提出一种基于双重注意力机制和GRU网络的预测新模型,利用特征注意力机制自主分析历史信息与输入特征间的关联关系,提取重要特征,并通过时序注意力机制自主选取GRU网络中关键时间点的历史信息,提升较长时间段预测效果的稳定性.在3个公开数据集上的实验结果表明,该模型在预测精度指标上表现良好,对比SVR、KPCA-ELM、DBN、GRU、Attention-
通过对现有的非正交多址下行功率分配方案进行研究,发现目前各方案中用户间的公平性都位于较低的水平,为提高系统的用户公平性,提出一种多载波功率分配方案.在保证系统能效和用户QoS的前提下,通过对载波间和载波内的功率重新分配,达到增强系统内用户公平性的目的.仿真结果表明,所提方案提升了用户公平性.
对数据发布中传统方法脱敏多元组关系-集值数据可能导致信息泄露以及产生较高信息损失的问题进行研究,提出基于(K,L)-多样性模型的多元组关系-集值数据的脱敏方法PAHI.根据准标识符将多元组数据转换为单元组数据;用信息增益比优化分割方法,实现集值数据K-匿名;引入敏感度值建立集值指纹桶,采用敏感度距离优化剩余元组的处理,实现关系-集值数据L-多样性.引入辨识度度量标准和信息熵计算K和L的阈值.安全性分析和实验验证,对比现有的脱敏方法,该方法保证了脱敏后数据安全,降低了时间开销和信息损失,提高了数据的可用性.
语音情感识别在人机交互中具有重要意义.为解决中文语音情感识别效率和准确率低等问题,提出一种基于Trumpet-6卷积神经网络模型的中文语音情感识别方法.在MFCC特征提取过程中,通过增加分帧加窗操作时采样点的个数,增添每个汉明窗内的特征及减少汉明窗个数,从而缩小MFCC特征图的像素尺寸,提高单次识别的处理效率.在此基础上,使用高斯白噪声对数据集进行数据增强处理,缓解训练过程中的过拟合问题.在CASIA语音情感数据集上的实验结果表明,该方法的测试准确率达95.7％,优于Lenet-5、RNN、LSTM等传统
针对异常离群点对k-means‖算法的聚类精确度影响较大且在确定中心点过程中会泄露聚类数据隐私的问题,提出DPk-means‖算法.标记离群点,降低离群点对k-means‖算法聚类精确度的影响,将差分隐私应用于k-means‖聚类算法中保护聚类数据隐私.在选择聚类初始中心点和迭代求取均值中心点的过程中,应用拉普拉斯机制注入噪声,解决数据隐私泄露的问题.通过隐私预算动态变化对聚类结果准确性的影响及同类算法对比实验分析验证,DPk-means‖算法能够提供更高的隐私保护水平且保证聚类结果的准确性.
为解决以往算法无法平衡精度和模型大小的问题,提出一种基于上下文学习的轻量级自动抠图算法.采用上下文特征聚合模块和编解码结构相结合的方式进行网络构建,其中编解码器能够有效进行特征提取,通过恢复空间信息捕获更清晰的对象边界;上下文特征聚合模块能够编码多尺度的上下文信息,保留更多细节纹理特征,提高结果的精度.将深度可分离卷积应用到网络主干,形成更快、更强的编解码网络.经Compositon-1 k数据集测试,其结果表明,在不进行任何后处理的情况下,该算法精度优于DIM算法,模型参数量较DIM模型降低了98.1％
针对多变量模型预测控制系统在长期运行中出现设定值变化、模型失配、扰动特性变化后控制器参数不再匹配的问题,提出一种在得到性能诊断结果后基于改进粒子群算法的控制器参数整定方法.通过分析最优控制律与三项系统性能的关系,构造出对应的目标优化函数,对粒子群算法迭代过程中粒子的位置和惯性因子做出改进,弥补该算法易于陷入局部最优以及无法优化控制器整型参数变量的不足.用Wood-Berry模型对其进行仿真仿真,结果验证了该方法的有效性.