特殊场景的LTE覆盖技术

文章首先介绍了 LTE异构网和 LTE立体组网技术,在此基础上,重点研究高铁和密集城区的 LTE覆盖技术。讨论了如何应对高铁 LTE覆盖的多普勒频移效应问题,并给出了高铁沿线覆盖和隧道两种环境下的组网方式建议。最后,探讨了如何采用 LTE异构网和立体组网技术,通过合理的网络布局来解决密集城区的容量和深度覆盖问题。     

异构环境下基于移动代理的主动自组网构架

分析了移动自组网的异构性、路由协议和能量保护问题,应用移动代理和主动网络技术,给出了一个开放的、扩展性强的基于移动代理的主动自组网构架,该构架通过分群策略,使多个路由协议能在异构环境下并行工作,而且也满足移动节点能量保护的需求。     

LTE异构网络技术研究

在移动数据业务爆发性增长、频率和站址资源有限的背景下,采用异构方式搭建移动网络是疏导热点数据流量的有效方式,异构网将成为移动网络的长期发展趋势,但是异构网的引入将带来复杂的同频干扰、移动性管理等问题.本文对LTE异构网的组网方案、关键技术进行研究,并提出组网及技术应用建议.     

基于中间件的异构数据集成系统设计

针对分布式异构数据有效集成,设计了一种基于中间件的异构数据集成系统;建立了在分布式环境下的公共集成环境,在不影响已有系统正常工作的前提下,屏蔽了各个异构数据源的平台、系统环境、内部数据结构等方面的异构性,为用户提供一个统一和透明的访问接口,以实现对异构数据源间关联数据的访问和发布。     

基于马尔科夫过程的异构网络性能分析与优化

该文给出了一种基于马尔科夫过程的异构网络性能优化方法。该方法将用户的移动性作为影响系统性能的一个重要因素,通过切换率来反映用户的移动性,并采用马尔科夫过程来分析异构网络的系统性能,得到异构网络系统的总吞吐量表达式。考虑到在两个网络的重叠区域用户需要选择接入的网络,将在重叠区域选择其中一个网络的业务到达率占该区域总的业务到达率的比例作为一个优化因子,通过选择合适的因子来最大化系统的吞吐量,最后通过黄金分割法来求解该优化问题。仿真结果表明,该算法能够有效提高异构网络系统的吞吐量,改善异构网络中无线资源的利用率。     

异构无线传感器网络覆盖优化算法

针对异构传感网络节点在初始随机部署时产生覆盖盲区的问题,受简单随机抽样理论和最优化算法的启发,该文提出一种适用于感知半径异构的无线传感网覆盖优化算法。该算法以提高网络覆盖率和节点移动距离最小为优化目标,根据采样直线与平面感知圆的交点坐标之间的关系,建立了二次优化的数学模型。当平面中的多条采样直线段达到最优覆盖时,该文算法可以使平面的覆盖得到优化。实验证明,该算法能够有效提高异构网的覆盖率。     

基于固件虚拟的承载网络资源重构模型研究

结合三网融合的异构网络环境,提出了一种基于固件虚拟的承载网络资源重构模型,并对异构环境下动态可重构网络的关键技术——资源分配算法进行研究,提出了一种基于动态重构的资源分配算法.该模型基于平台化支撑、构件化处理的思想,设计基于底层承载网络中核心节点虚拟化的可重构网络,支持异构网络环境下的动态重构,从而构建更为灵活的高速率、可定制、多服务提供网络.     

基于环境感知的异构无线Mesh网络体系结构及关键技术

文章以蜂窝网、无线局域网(WLAN)、Ad Hoc网络3种典型网络环境为组成元素,研究集环境感知、协作通信与网络融合于一体的异构无线格状网(Mesh)网络体系架构及其相关理论与技术问题.文章设计与实现的软硬件平台,不仅达到了各种异构网络的兼容和融合的目的,而且显著提高了无线通信网的容量和质量,可提供更经济和更便利的服务.     

基于多源异构数据融合的配网规划决策系统研究

本文以佛山供电局配网规划决策项目为例,探讨基于多异构数据融合的情况下配网规划决策系统的建立,首先对多源异构数据进行概况分析,其次在研究佛山供电局配网规划现状的情况下探讨配网规划决策系统的构建。     

异构云无线接入网架构下面向混合能源供应的动态资源分配及能源管理算法

针对面向混合能源供应的 5G 异构云无线接入网(H-CRANs)网络架构下的动态资源分配和能源管理问题,该文提出一种基于深度强化学习的动态网络资源分配及能源管理算法。首先,由于可再生能源到达的波动性及用户数据业务到达的随机性,同时考虑到系统的稳定性、能源的可持续性以及用户的服务质量(QoS)需求,将H-CRANs网络下的资源分配以及能源管理问题建立为一个以最大化服务提供商平均净收益为目标的受限无穷时间马尔科夫决策过程(CMDP)。然后,使用拉格朗日乘子法将所提CMDP问题转换为一个非受限的马尔科夫决策过程(MDP)问题。最后,因为行为空间与状态空间都是连续值集合,因此该文利用深度强化学习解决上述MDP问题。仿真结果表明,该文所提算法可有效保证用户QoS及能量可持续性的同时,提升了服务提供商的平均净收益,降低了能耗。     

基于匹配博弈的车辆异构网络选择算法

摘要：针对车辆在异构网络覆盖环境下的网络接入选择问题,基于双边匹配博弈中稳定匹配的相关概念,提出一种车辆异构网络选择博弈模型,通过用户侧与网络侧的双向选择得到异构网络选择的稳定匹配。算法首先利用层次分析法获得相应权重分配以给出满意度函数,然后将网络侧的一对多匹配转化为一对一匹配问题,在稳定匹配条件下构建多目标优化模型,并求解最优匹配结果。相关性能分析及仿真实验表明,基于稳定匹配的博弈模型相对于传统决策模型,能够使网络和用户侧双方的满意度最优化,从而得到双向网络选择的均衡状态。     

基于布谷鸟算法的光纤激光网络异质信息入侵检测

采用以往入侵检测方法时,通过随机方式对参数进行初始化处理,检测精度低,为此,提出一种基于布谷鸟算法的光纤激光网络异质信息入侵检测方法。分析了布谷鸟算法寻优过程,针对常规布谷鸟算法受参数改变的影响相对较大,具有收敛速度慢、准确率低以及容易陷入局部最优的弊端,依据差分进化方法,通过在新鸟巢位置公式中结合别的鸟巢位置完成简易交叉变异,提升种群多样性,同时利用惯性权重减少迭代次数,保证整体寻优速度。对光纤激光网络异质信息入侵的历史数据进行采集,提取关键特征,通过布谷鸟算法对极限学习机进行改进,获取最优入侵检测分类器,通过分类器构建异质信息入侵检测模型,实现光纤激光网络异质信息入侵检测。实验结果表明,所提方法收敛速度快,误报率低且入侵检测精度高。     

一种基于图注意力网络的异质信息网络表示学习框架

常用的异质信息网络有知识图谱和具有简单模式层的异质信息网络,它们的表示学习通常遵循不同的方法。该文总结了知识图谱和具有简单模式层的异质信息网络之间的异同,提出了一个通用的异质信息网络表示学习框架。该文提出的框架可以分为3个部分：基础向量模型,基于图注意力网络的传播模型以及任务模型。基础向量模型用于学习基础的网络向量;传播模型通过堆叠注意力层学习网络的高阶邻居特征;可更换的任务模型适用于不同的应用场景。与基准模型相比,该文所提框架在知识图谱的链接预测任务和异质信息网络的节点分类任务中都取得了相对不错的效果。     

一种基于图注意力网络的异质信息网络表示学习框架

常用的异质信息网络有知识图谱和具有简单模式层的异质信息网络,它们的表示学习通常遵循不同的方法。该文总结了知识图谱和具有简单模式层的异质信息网络之间的异同,提出了一个通用的异质信息网络表示学习框架。该文提出的框架可以分为3个部分:基础向量模型,基于图注意力网络的传播模型以及任务模型。基础向量模型用于学习基础的网络向量;传播模型通过堆叠注意力层学习网络的高阶邻居特征;可更换的任务模型适用于不同的应用场景。与基准模型相比,该文所提框架在知识图谱的链接预测任务和异质信息网络的节点分类任务中都取得了相对不错的效果。     

异构网络中用户关联和功率控制的协同优化

针对正交频分多址(Orthogonal Frequency Division Multiplexing Access,OFDMA)异构网络中用户关联和功率控制协同优化不佳的问题,提出了一种多智能体深度Q学习网络(Deep Q-learning Network,DQN)方法.首先,基于用户关联和功率控制最优化问题,构建了正交频分多址的双层异构网络系统模型,以实现智能决策;其次,根据应用场景和多智能体DQN框架的动作空间,对状态空间和奖励函数进行重构;最后,通过选取具有宏基站(Base Station,BS)和小型BS的两层异构网络,对多智能体DQN算法的性能进行仿真实验.仿真结果表明,相较于传统学习算法,多智能体DQN算法具有更好的收敛性,且能够有效提升用户设备(User Equipment,UE)的服务质量与能效,并可获得最大的长期总体网络实用性.     

Multitier heterogeneous network using stochastic geometry and factorial moment approaches

The rapid growth of small cells is driving cellular network toward randomness and heterogeneity. Usually, cellular networks are modeled by placing each tier (eg, macro, pico, and relay nodes) deterministically on a grid. In such a heterogeneous cellular network, the rational approach to characterize the base stations (BSs), user, and relay locations is by using random spatial models. When calculating the metric performances such as coverage probability, these networks are idealized without consideration of interference. Therefore, interference modeling remains the key issue for the deployment of small cells. This paper developed a single and multitier cellular network model that captures the downlink heterogeneous cellular network with variable parameters such as the target signal‐to‐interference ratio (SIR), transmitted power, and deployment density. In particular, we model ‐tier transmission and compare it with a single‐tier and traditional grid model to obtain tractable coverage probability using stochastic geometry and factorial moment. The obtained results demonstrate the effectiveness and analytical tractability to study the heterogeneous performance.     

一种基于孪生神经网络的深度异构网络嵌入算法

针对现有异构网络嵌入方法导致的捕获关系冗余和模糊的问题,提出了一种基于孪生神经网络的深度异构网络嵌入模型。首先,基于面向关系的深度嵌入(Relation-Oriented Deep Embedding,RODE)框架构建了异构网络嵌入模型,以区分同型节点和异型节点之间的关系;其次,将同型节点与异类节点之间的相似性近似到低维空间,通过构建多任务的孪生神经网络来实现节点之间结构和语义关系的深度嵌入;最后,选取四个数据集执行典型网络挖掘任务,并与其他六种算法进行实验对比分析。实验结果表明,保持相同类型节点之间的相似性有助于提高节点分类效率,且损失函数在提高异构网络嵌入质量方面具有良好的优越性;RODE模型能够有效提高稀疏网络的嵌入质量,且具有良好的稳定性和鲁棒性。     

基于NOMA的全双工多层异构网下行链路覆盖分析

针对异构网（Heterogeneous Network,HetNet）无线回程,现有研究主要集中于提升网络吞吐量,而对回程覆盖性能研究较少.由此,本文构造了一种在小小区基站（Small cell Base Station,SBS）上结合全双工（Full-Duplex,FD）和非正交多址接入（Non-Orthogonal Multiple Access,NOMA）技术的大规模多输入多输出（Multiple Input Multiple Output,MIMO）辅助多层HetNet模型.利用信干比（Signal-to-Interference Ratio,SIR）来模拟有源SBS的分布,得出不同类型接收端的干扰;然后推导了移动用户（Mobile User,MU）下行链路覆盖概率闭合表达式.仿真和数值结果表明,SBS下行链路覆盖概率会随着小小区下行链路功率共享系数的增加而减小;此外,通过对比NOMA和正交多址接入（Orthogonal Multiple Access,OMA）以及FD和半双工（Half-Duplex,HD）对下行链路覆盖性能的影响,本文提出的方案能显著提升网络性能.     

LTE异构网络中小基站的应用发展分析

LTE异构网络的频段比较高,在进行网络建设的时候需要采用异构网络模式来深度覆盖,而小基站在LTE异构网络当中的应用则是能够实现其底层覆盖功能,因而小基站在LTE异构网络当中的应用研究也在逐渐增多.本文主要对LTE异构网络当中的小基站应用进行了分析,以期能够推动异构网络建设.     

基于改进深度Q学习的网络选择算法

在引入休眠机制的超密集异构无线网络中,针对网络动态性增强,导致切换性能下降的问题,该文提出一种基于改进深度Q学习的网络选择算法.首先,根据网络的动态性分析,构建深度Q学习选网模型;其次,将深度Q学习选网模型中线下训练模块的训练样本与权值,通过迁移学习,将其迁移到线上决策模块中;最后,利用迁移的训练样本及权值加速训练神经...