基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

建筑施工过程的环境风险识别与分析

近些年来由于房地产的热度较高不下,建筑行业一直处于风口浪尖,并且已经有了长足的发展。但是在城市之中进行建筑施工,往往会带来一定的环境风险,施工扰民的状况,近些年来也常在舆论之中出现。本文针对建筑施工过程之中,对于环境影响的因素进行识别,从而提出了相关意见和建议,对于环境风险进行分析和规避,公有关建筑施工部门参考。     

建筑学专业环境行为学结合VR技术的教学思考

环境行为学作为建筑学专业的一门理论结合应用的课程,目的是帮助学生认知客观环境与人的行为,培养人性化设计思维.然而,传统的教学方法存在一些局限.将VR技术应用到环境行为学教学当中,形成以学生为主体的教学模式,实现教育科技化,对促进学科发展有重要意义.