数字孪生辅助的智能楼宇多模态通信资源管理方法

多模态通信网络为智能楼宇能源调控数据的采集、传输、处理以及能源调控模型训练提供了通信支撑。数字孪生可以提供计算资源、信道特性等状态估计，辅助多模态通信资源管理优化，提高能源调控模型训练精度。然而，数字孪生辅助的智能楼宇多模态通信资源管理面临能源调控模型训练误差大、多时间尺度资源分配耦合、模型训练精度提高与能耗优化相互矛盾等挑战。针对上述挑战，提出基于数字孪生和经验匹配学习的多时间尺度通信资源管理优化算法，通过联合优化大时间尺度网关选择和小时间尺度信道分配与功率控制，最小化全局模型损失函数和能耗加权和。仿真结果表明，所提算法可以提高全局模型损失函数和能耗加权和性能，保障智能楼宇能源精准调控需求，促进智能楼宇能源调控低碳运行。     

基于生成对抗网络的数据不确定性量化方法

针对直接使用高维、高频、含有噪声的现实世界数据进行数据处理时会导致估计器不可靠的问题，提出一种基于生成对抗网络（GAN）的数据不确定性量化方法。首先，通过GAN重构原始数据分布，构建噪声空间到原始数据空间的映射分布；其次，使用马尔可夫链蒙特卡洛（MCMC）方法抽取样本，从而得到基于原始数据分布的新样本；然后，基于指定的函数定义样本的不确定性置信区间；最后，使用置信区间对原始数据进行不确定性估计，并选择置信区间内的数据作为估计器使用的数据。实验结果表明，与使用原始数据相比，使用置信区间内的数据进行估计器训练达到性能上限所需要的样本数减少了50%；同时，对比原始训练数据，置信区间内的数据在达到相同测试精度时所需要的样本数平均降低了30%。     

一种基于置信区间的5G规划基站评分方法

提出了一种5G无线网规划基站评分方法，基于置信区间，在归一化处理每个栅格得分时，评分的上限和下限限定在95%的置信区间内，减小了极大值和极小值对整体评分的影响，缩小了不同数据之间的分数差距，均衡了多指标加权评分结果，使基站评分更加客观有效。