移动边缘计算中资源分配和定价方法综述

移动边缘计算（mobile edge computing,MEC）通过将计算任务卸载至边缘服务器，降低网络负荷，减少传输时延，提升用户服务体验。因此，MEC受到了广泛关注，并成为5G的关键技术。资源分配作为MEC的主要问题，在提升能量效率、缩短任务时延和节约成本方面具有非常重大的研究意义。首先，介绍了MEC的基本概念、参考架构和技术优势；然后，从技术层面和经济层面归纳总结了MEC中最新的资源分配和定价策略；最后，讨论了MEC资源分配和定价策略中可能存在的问题与挑战，并提出了一些可行的解决方案，为后续研究发展提供参考。     

移动边缘计算中基于中继辅助计算方法综述*

为了满足下一代网络在覆盖范围、部署成本以及容量方面的挑战,移动边缘计算（MEC）通常需要借助中继节点的辅助来完成计算密集型和延迟敏感型的任务。首先介绍了基于中继辅助MEC系统的基本架构,之后从任务卸载、资源分配和中继节点选择三方面对基于中继辅助MEC系统最新的研究方法进行归纳总结。更进一步,针对现有方法可能存在的问题与挑战进行了讨论与分析,并提出一些可行的解决方案为后续研究发展提供参考。     

无监督混阶栈式稀疏自编码器的图像分类学习

目前多数图像分类的方法是采用监督学习或者半监督学习对图像进行降维,然而监督学习与半监督学习需要图像携带标签信息。针对无标签图像的降维及分类问题,提出采用混阶栈式稀疏自编码器对图像进行无监督降维来实现图像的分类学习。首先,构建一个具有三个隐藏层的串行栈式自编码器网络,对栈式自编码器的每一个隐藏层单独训练,将前一个隐藏层的输出作为后一个隐藏层的输入,对图像数据进行特征提取并实现对数据的降维。其次,将训练好的栈式自编码器的第一个隐藏层和第二个隐藏层的特征进行拼接融合,形成一个包含混阶特征的矩阵。最后,使用支持向量机对降维后的图像特征进行分类,并进行精度评价。在公开的四个图像数据集上将所提方法与七个对比算法进行对比实验,实验结果表明,所提方法能够对无标签图像进行特征提取,实现图像分类学习,减少分类时间,提高图像的分类精度。     

谈铁路货运市场营销

通过对目前铁路行业货运市场普遍存在的问题进行分析,找准铁路货运市场份额下降的原因,再从铁路机制、运价体系、服务质量及营销形式方面提出了建立铁路货运营销的设想,及建立铁路货运市场营销的基本对策.     

铁路货运向现代物流拓展对策探讨

文章从现代物流理念出发,根据国内外市场需求变化和现代物流发展趋势,分析论证铁路运输业拓展现代物流的必要性、战略目标、创新策略及对策措施.     

基于生理信号和多元统计的白芽奇兰茶口感评价

目的:调查年轻人对白芽奇兰茶的口感偏好，针对性地对茶饮料进行设计。方法:设计以脑电波(Electroencephalogram, EEG)、皮电活动(Electrodermal activity, EDA)、心率变异性(Heart rate variability, HRV)多元统计分析和感官评价相结合的方法，让24名受试者(其中男女各12人)对7个批次的不同克数和冲泡时长的白芽奇兰茶进行口感偏好评价。结果:EEG的功率谱密度、HRV和EDA的均值能够对受试者的口感偏好进行较准确的预测，均值和喜欢程度呈负相关关系。双因素方差分析表明，HRV和EDA不受被试者男女性别差异和被试茶样本的影响。结论:大部分受试者最喜欢10 g白芽奇兰冲泡10 s的口感。