关于论文中的图

1.图要精选,应具有自明性,切忌与表及文字表述重复。2.图要精心设计和绘制,要大小适中,线条均匀,主辅线分明。3.坐标图标目中的量和单位符号应齐全,并分别置于纵、横坐标轴的外侧。4.图中的术语、符号、单位等应与表格及文字表述所用的一致。     

链路增益平坦度对OTA测试准确性的影响分析

空口(OTA)测试已广泛应用在无线通信领域,提高测试结果的准确性是OTA测试当前急需解决的问题.文章从影响OTA测试结果准确性的因素链路增益平坦度入手,使用衰减器对测试链路进行增益削剪,分析测试了不同链路增益平坦度对被测件的EVM(误差矢量幅度)、BER(误码率)、TIS(总全向灵敏度)三项性能指标的测试误差与测试不确定度的影响.测试结果表明,增大链路增益平坦度会导致EVM、BER参数发生偏移,降低测试系统的通信质量;当系统的链路增益平坦度为1.82 dB时,测试误差与不确定度接近CTIA测试标准中规定值.最后,提出一种使用增益均衡器降低链路增益平坦度的方法,在链路增益平坦度为3.25 dB的测试系统中可将其控制在0.5dB以内.     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

供水管网DMA优化分区设计方案

实施独立计量分区(district metered area,DMA)是辅助供水管网管理和漏损识别的重要手段.图划分算法是进行DMA分区的方法之一,常规图划分算法应用中,存在解空间受限、分区后原水流状态易发生较大改变、形成较多串联分区(对流量计算不利)的缺点.在常规图划分算法基础上进行了改进:粗化阶段按照特定规则匹配、合并非输水干管两端的节点,形成简化的管网拓扑结构;分区阶段得到管网初步分区方案;细化阶段提出基于贪心算法、枚举算法、蒙特卡洛算法的分区调整方法,结合改进的仪表安置方法、水力模拟、优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS),对分区方案进行调整.将该方法应用于YX市供水管网,成功进行了分区.     

大规模多状态计算系统的容错性能分析

针对异构计算节点组成的大规模多状态计算系统的容错性能分析问题，提出了一种计算系统容错性能的评估方法。该方法采用自定义的两级容错性能形式化描述框架进行系统描述，通过构造多值决策图（Multi-value Decision Diagram，MDD）模型对系统进行容错性能建模，并基于构造的模型高效地计算出部件故障的条件下计算系统在特定性能水平上运行的概率，减少了计算的冗余性。实验结果表明，该方法在模型的大小和构建时间上均优于传统方法。该方法的提出将对系统操作员或程序设计者具有重要意义，使其确保系统适合预期应用。     

基于梯度提升决策树的车轮轮缘厚度磨耗预测

轮对在列车走行过程中起着导向、承受以及传递载荷的作用，其踏面及轮缘磨耗对地铁列车运行安全性和钢轨的寿命都将产生重要影响。根据地铁列车车轮磨耗机理，分析车轮尺寸数据特点，针对轮缘厚度这一型面参数，基于梯度提升决策树算法构建轮缘厚度磨耗预测模型。在该模型的基础上，任意选取某轮对数据进行验证分析，结果表明：基于梯度提升决策树的轮对磨耗预测模型具有较好的预测精度，可预测出1~6个月的轮缘厚度变化趋势范围，预测时间范围较长，可为地铁维保部门对轮对的维修方式由状态修转为预防修提供指导性建议。