高效协同、全息感知的光伏结算新模式设计与研究

通过深入调研分析,梳理了光伏结算业务当前面临的业务痛点,并分析了具体的业务需求。基于业务需求,对当前业务流程进行改进;为了保障新业务的有效运作,提出了包括营销部、财务部以及外部支撑单位等在内的"五位一体"工作协同机制;同时,研发微信小程序作为信息化支撑,建立了高效协同、全息感知的光伏结算新模式。这些措施有效提升了供电公司的服务效率,更好地贯彻了国家光伏扶贫政策,可为兰溪光伏产业发展提供助力。     

在四网协同背景下保持和提升GSM网络质量研究

在中国移动四网协同战略转型背景下,对未来GSM网络的发展和网络语音质量提升进行探讨     

室内外协同规划优化场景应用

随着通信技术的不断发展,当前各运营商网络建设的重心已经从室外转移到室内,室内网络覆盖作为网络的重要组成部分,对网络质量的影响日趋明显。目前一般运营商网络运维重心仍在室外宏站覆盖区域,显然已经无法满足当前网络的发展趋势,因此结合各个室内分布系统应用场景特性,基于室内外协同规划优化理念开展室内分布系统规划优化项目,旨在加强深度覆盖和室外覆盖的有机融合,进一步提高网络质量,改善用户感知度。     

雷达-通信共存系统中雷达脉冲串信号的高效协同感知算法

该文针对与雷达共存的认知无线电通信系统,为实现通信系统对雷达频段空闲频谱的机会利用,提出一种对转动扫描雷达脉冲串信号的高效协同感知算法。该算法由中心处理节点协同各感知节点进行感知,通过各协作感知节点的相似度判决处理和中心处理节点的基于时序准则判别的数据融合方法,提高了检测概率并降低了虚警概率。相比于现有的雷达信号感知方法,该感知算法无需雷达先验信息,在快速可靠感知雷达脉冲串信号的同时,能够确定雷达的特征参数,如扫描周期、扫描方向、距离等。最后,仿真结果表明了所提算法的有效性和正确性。     

车联网中基于BP神经网络的智能协同频谱感知算法

针对传统信噪比加权频谱感知方法在车联网(Internet of Vehicles,IoV)环境中受噪声影响较大、感知准确率较低的问题,提出了一种基于反向传播(Back Propagation,BP)神经网络的IoV协同频谱感知(Cooperative Spectrum Sensing based on BP Neura...     

4/5G自智协同助力无线网络高效健康运营

4G/5G网络将长期共存,充分发挥双网融合优势,实现两者深度、高效协同,已成为运营商当前的重要工作。为实现网络“安全、健康、高效”运营,本文总结了4/5G“规建维优服营”协同体系,对4/5G网络协同关键技术深入分析后构建了“五层协同”模型,并实践探索了4/5G网络自动化、智能化动态协同的应用方法,对加速数智化运维转型提...     

TD-LTE系统中下行协同技术研究及其测试

根据技术研究和在TD-LTE商用网络中的外场试验,提出了以协作多点传输(Co MP)技术为基础的小区间下行协同技术。该技术可以在不改变现有基站和传输部署的前提下,通过IP互联有效地提升小区边缘用户的吞吐量,并增强用户体验,最终达成提升TD-LTE产业竞争力的目标。     

高效协同网络传输在广电视频云服务中的应用

在广电媒体服务领域,云计算的应用越来越广泛,但“云、管、端”需要同步建设,广电网络公司目前对“云”和“端”倾注了大量的精力,一定程度上忽略了“管”的重要性,本文通过探讨高效协同传输在广电视频云服务中的应用,希望对融合多种传输方式的广电特色通道建设进行有益的探讨并提供一种新的思路.     

认知无线电中基于信息简约的最大似然协同频谱感知算法

该文针对控制带宽受限条件下认知用户的协同频谱感知问题,提出了基于信息简约的最大似然协同频谱感知算法。算法使用信息简约模块来降低本地感知信息传递需要的网络开销,在基站处使用基于最大似然准则的检测来提高感知性能。理论分析和仿真表明,该算法能够以较少的网络开销有效提高频谱感知性能,特别是在认知用户接收信噪比相差较大的情况下,其性能优势更为明显。     

LTE系统中上行协同技术及其实践

LTE系统中的上行协同主要基于软合并技术,且适用于具备理想传输条件的小区间,因而在实际网络中部署受限。根据TD-SCDMA系统中的多小区联合检测原理提出了基于干扰抑制合并的上行协同技术,并应用于不具备理想传输条件的小区间。试验表明,基于软合并的上行协同技术可以提升主测小区边缘用户的平均吞吐量达89.9%,而基于干扰抑制合并的上行协同技术则可提升29.3%,两者的有机结合可有效提升全网用户感知。     

认知无线网络中硬合并协同频谱感知的融合准则优化

频谱感知是认知无线电一项基础的任务。在认知无线网络中,多个次级用户可以协同工作,对主用户进行可靠感知。如何融合多个次级用户的感知信息是实施协同感知的关键。本文围绕集中式认知无线网络中的硬合并协同感知技术展开研究,讨论了常用的k-out-of-m融合准则。与OR准则（k=1）、Half-voting准则（k=m/2）和AND准则（k=m）等特例不同,本文考虑参数k任意取值的场景,从最小化贝叶斯代价的角度,推导出了最优k值的闭合表达式。仿真结果验证了该闭合公式的有效性,并显示最优k值随判决门限、频谱非空闲与空闲先验概率比、漏检与虚警影响因子比的增大而减小,且在信噪比场景中更具应用价值。      

基于云边协同算力调度的高效边缘卸载研究

为了满足车载边缘计算网络(Vehicular Edge Computing,VEC)中低时延、高可靠、高传输速率等极致性能需求,亟需突破现有传统车联网中通信感知计算相互割裂的现状,基于云边端一体化与智能协同等算力网络技术设计一种高效的任务卸载策略成为解决方案。为此,提出一种云边协同智能驱动车载边缘算力网络架构,通过结合实时计算负载与网络状态条件,充分利用云中心、聚合服务器和MEC服务器的异构计算能力,权衡用户任务卸载策略,实现网络资源的全面协作和智能管理。考虑到计算型任务对时延和能耗的需求,将计算卸载策略建模为在通信与计算资源约束下的最小化长期系统成本的优化问题,并将其转化为马尔可夫决策过程(Markov Decision Process,MDP)。最后,鉴于车载网络的动态和随机特性,提出一种基于云边协同的深度Q网络(Cloud-Edge Collaborative Deep Q-Network,CEC-DQN)的高效计算卸载策略来解决MDP问题。仿真结果表明,与传统单点边缘服务器卸载或随机卸载算法相比,所提出的算法具有较高的性能提升,可有效解决多层次算力网络中节点算力分配不足、不均衡的问题。     

移动群智感知中基于协同排序的任务推荐方法

针对移动群智感知中参与者积极性不高导致的数据质量低和激励成本高的问题,本文提出了一种基于混合用户模型与列表级排序学习算法相结合的协同排序任务推荐方法.根据参与者的历史行为对其进行分析,初步过滤掉一些劣质感知用户,同时利用参与者间的相似性构建混合用户模型.利用概率矩阵分解对参与者的意愿值进行预测,并根据排序学习得到一个排序模型.根据排序模型生成任务推荐列表,作为目标参与者的优选任务列表.基于真实数据集的仿真实验结果表明,本文提出的方法有效地提高了任务分配的准确率,与此同时减少了感知用户的移动距离.     

基于虚拟原型机的软/硬件协同验证中高效调试手段的实现

针对基于虚拟原型机的软件/硬件协同验证环境中软件调试困难的缺点,通过在原协同验证环境中增加虚拟监视控制单元(VMCU)、外部工具等部件,实现了高效的调试手段.借助这些调试手段,开发人员可以快速定位并排除错误,从根本上提高了协同验证中调试的效率和准确性.