改进的基于序列列表的MIMO迭代检测算法

该文改进了列表检测算法的列表搜索方法,提出首序列优先的搜索方法,同时提出了一种降低复杂度的迭代检测算法,该算法改变了列表检测基于列表的软信息计算方式,利用半定松弛算法思想采用最大似然测试降低了计算复杂度。仿真结果表明首序列优先检测算法与基本列表算法相比,在复杂度增加很小的情况下取得了更好的性能,提出的迭代检测算法降低了平均计算复杂度,取得了和首序列优先算法相同的性能。     

基于Hawkes过程的车联网协同缓存及资源分配

随着网络流量呈指数级增长,能够访问多媒体内容的智能汽车也面临巨大的流量压力,为此提出了一种基于Hawkes过程更新内容流行度的车联网协同缓存及资源分配框架.研究了在路边单元和智能车辆中的协同缓存及资源分配策略,同时,考虑到内容缓存的更新周期远大于信道条件的变化周期,提出了双时间尺度模型.首先,使用基于Hawkes过程的方法,考虑内容请求的新鲜度和时效性,根据历史内容请求记录更新流行度;然后,对路边单元和车辆协作缓存策略的数据传输吞吐量和缓存能耗进行建模,以最大化边缘设备的缓存效益为目标,并利用深度强化学习求解优化问题.仿真结果表明,所提出策略相比其他策略可以得到更高的效益.     

基于元蒸馏的个性化联邦学习算法

联邦学习(FL)中客户端数据异构导致训练的统一模型无法满足每个客户端对性能的需求。针对这一问题,提出了一种个性化联邦学习算法——元蒸馏联邦学习,将知识蒸馏和元学习与FL结合,并将个性化过程嵌入FL。在每次全局迭代中,每个客户端的本地模型(即学生模型)在蒸馏全局模型(即教师模型)的同时将自身情况反馈给教师模型并使其不断更新,从而获得一个更优的教师模型以进行个性化学习。仿真结果表明,与现有个性化算法相比,所提算法在提高个性化精度的同时能在全局精度和个性化精度之间取得较好的折中。     

北京市疑似违法用地的遥感识别及时空分布特征研究

近年来城市违法用地现象屡禁不止,给城市监管带来困扰的同时,也为区域生态环境和社会经济的可持续发展带来了诸多不确定性因素。采用机器学习算法识别地表扰动,结合生产建设项目防治范围等资料,得出疑似违法用地。基于Faster R-CNN算法识别的疑似违法用地,准确率为89.4%;疑似违法用地在年内差距明显,第一季度明显高于其他3个季度,第三季度最低,二四季度相对平稳;空间维度上,疑似违法用地主要集中在大兴区、通州区和丰台区,即平原、人口密度相对适中的地方。研究成果能够及时、准确地获取违法用地违法建设,可以有效提升城市监督管理工作效率。