基于用户感知体系的神经网络算法研究

用户感知是目前无线移动网络研究的热点。主要讨论了人工神经网络算法运用在用户感知体系上的情况。通过用户感知体系发展特点及要求,对几种用户感知体系进行比较。最终将神经网络算法与改进后用户感知体系相结合,达到优化体系映射的目的。     

新的位置感知分簇算法

针对无线传感器网络能量有效性和可靠性问题,提出一种新的位置感知分簇算法(LACA,location awareclustering algorithm).算法引入角度比和距离比2个感知参数,使节点通过其所在的位置自主地决定是否作为簇头,通过了NS2仿真验证.结果表明,与LEACH和GAF算法相比,LACA不仅提高了网络能量有效性,延长了网络寿命,而且有效地抑制了孤立节点的产生,确保了网络的可靠性.     

基于色谱识别的室分问题快速定位算法研究

现有室分问题发现主要是通过客户投诉被动响应,具有较大的滞后性;而且在定位室分问题时,是通过串行判断的方法进行,工作效率较低,主观值强,准确率较低。文章将室分问题归类汇总,挖掘同类室分问题的共同特征。引入关联系数分析法,锁定每类室分问题的强相关指标集,并通过盒须图划分5级色标门限值,建立科学合理的色谱分析法。应用色谱分析法,定位室分问题准确率达到80%以上,同时实现室分问题的并行分析和快速定位。     

基于AI的室分故障问题定位方法研究与实践

目前4G室内深度覆盖不足问题是影响客户体验和运营商收益的主要因素。本文通过对室分站点性能和用户MR等数据的全量采集与研究分析,利用AI技术建立室分故障特征模型,并根据模型中好点和差点与室分物业点、站点、小区进行匹配,实现室分故障的精准定位,进一步提升网络优化及维护工作效率。     

基于感知学习算法的地铁通信故障定位方法

由于对异常地铁通信程度的不够完善,导致在故障定位阶段准确性较低,为此,提出基于感知学习算法的地铁通信故障定位方法。考虑到地铁通信系统输出日志中的单个异常状态受其在整个通信系统中的占比影响,无法直接作为判断通信设备是否存在异常的标准,对单位运行时间内地铁通信节点状态权重进行差异化设置后,实现对其异常严重程度的计算,并根据计算结果与告警阈值之间的关系构建了通信节点的故障告警函数,以此判断通信节点是否存在异常。在机器学习中的二元分类函数PLA算法中引入了误差函数,计算得到满足分类要求的目标参数值,根据分类结果判断各个通信节点的状态,实现对故障的定位。测试结果表明,在SINR阈值范围为-3dBm条件下,设计方法对故障定位的准确度为100.0%,在SINR阈值范围为-10dBm条件下,设计方法对故障定位的准确度为80.0%。     

广电网络用户互联网感知的监控和保障

本文以飞思达公司的Net Vista系统为例,介绍如何在广电网络中部署一套互联网用户感知监控系统。     

基于循环谱对称性的频谱感知算法

针对现有基于循环谱的频谱感知算法的不足,利用改进SSCA算法计算接收信号的循环谱,减少算法的计算量;利用循环谱的对称性,选择非零循环频率处的循环谱抵抗干扰和噪声,结合对称性搜索策略进行频谱感知.分析并仿真了循环谱的参数对频谱感知算法的影响,仿真结果证明了所提出算法克服了传统算法的不足,提高了低信噪比下的正确检测性能.     

基于常驻用户分离的室分隐性故障识别研究与实践

基于常驻用户分离的室分故障定位方法,在完成LTE号码回填和经纬度回填的基础上,基于室内常驻用户识别,用户楼宇位置识别,常驻用户特征聚类完成室分常驻用户分离模型。通过对室分常驻用户历史样本和网络指标的学习,建立室分隐性故障特征模型,输出高置信度的疑似室分故障清单和解决方案。完成数字化网优平台的室分健康度模块建设,并通过数字化运营系统实现工单一点看全。     

基于机器学习的无线网络用户感知速率智能预测研究

本文利用人工智能算法,结合DT/CQT、SpeedVideo、某厂家专有平台用户感知栅格速率数据,并关联栅格内覆盖、质量、负荷、性能等指标作为训练样本,分析影响用户感知速率的关键因素。通过建立预测用户感知速率的算法模型,实现栅格粒度用户感知速率预测,快速精准定位用户体验短板,有的放矢的解决用户体验问题,实现网络竞争力持续提升。     

基于遗传神经网络的入侵检测模型

这篇文章提出了一种基于遗传神经网络的入侵检测模型-进化神经网络入侵检测系统(ENNIDS),模型的核心模块利用遗传算法优化神经网络来实现,结合了误用检测和异常检测技术,并从理论上分析了该模型各个模块的功能和实现技术.我们在UCI机器学习数据库的入侵检测数据集上进行了实验,实验结果表明:该模型在检测正确率、误警率等方面能获得校好的性能。     

基于多级网格搜索的固定单站无源定位方法

针对扩展卡尔曼(EKF)类递推方法用于固定单站无源定位时存在依赖于初始值和不稳定性等缺点,本文提出了一种利用角度和频率变化率无源跟踪的网格搜索方法,只要网格取得足够密,最终估计趋近于全局最优的最小均方估计(MMSE).为了减少搜索的计算量,提出了利用多级搜索法将计算量控制在合理可实现的范围.仿真表明,该方法的滤波不受状态初值误差的影响,滤波收敛速度接近无初值误差时的EKF、修正协方差扩展卡尔曼滤波(MVFKF)方法.     

Optimization of an RFID location identification scheme based on the neural network

An indoor localization technology is increasingly critical as location‐aware applications evolve. Researchers have proposed several indoor localization technologies. Because most of the proposed indoor localization technologies simply involve using the received signal strength indicator value of radio‐frequency identification (RFID) for indoor localization, radio‐frequency interference, and environmental factors often limit the accuracy of localization results. Therefore, this study proposes an accurate RFID localization based on the neural network (ARL‐N²), a passive RFID indoor localization scheme for identifying tag positions in a room, combining a location identification based on dynamic active RFID calibration algorithm with a backpropagation neural network (BPN). The proposed scheme composed of two phases: in the training phase, an appropriate BPN architecture is constructed using the training data derived from the coordinates of reference tags and the coordinates obtained using the localization algorithm. By contrast, the online phase involves calculating the tracking tag coordinates and using these values as BPN inputs, thereby enhancing the estimated location. A performance evaluation of the ARL‐N² schemes confirms its high localization accuracy. The proposed method can be used to locate critical objects in difficult‐to‐find areas by creating minimal errors and applying and economical technique. Copyright © 2013 John Wiley & Sons, Ltd.     

一种基于组合神经网络的HEVC帧间预测方法

高效视频编码(HEVC)作为最新视频编码标准,有着非常高的压缩效率,但是由于各种新技术的提出,其编码复杂度也大大提高。复杂度对视频编码有着重要意义,低复杂度编码的研究非常必要。利用神经网络进行HEVC的分区预测为低复杂度编码提供了有效的解决方案。文中提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的组合网络架构来对帧间分区进行预测的方法,利用自建数据库对网络进行训练;文中设计了一种预搜索模块来建立训练数据库,仿真结果表明,神经网络的精度可达87%,利用该网络架构进行帧间预测可以实现52%~71%的复杂度节省。     

一种基于差分进化的BP神经网络学习算法

提出了一种基于改进差分进化算法和BP神经网络的计算机网络流量预测方法。利用差分进化算法的全局寻优能力,快速地得到BP神经网络的权值和阈值;然后利用BP神经网络的非线性拟合能力获得高精度的网络流量预测结果。实验结果表明,此方法能在较短的时间内获得较高精度的预测结果,具有较好的应用价值。     

基于分簇结构无线传感器网络的高效无源定位方法

针对基于节点通信能力和能量受限的无线传感器网络实现高精度无源定位的问题,首先,在分簇结构网络中,通过折中单个簇的TDOA定位精度和运算复杂度,确定了簇规模;其次,基于直达波环境中TDOA定位误差是按布站GDOP对测量误差放大的原理,提出第一轮定位先使用网内所有节点以RSSI定位方法粗估计目标辐射源位置,并根据各簇在该粗估计位置处的布站GDOP和测量误差估算TDOA定位标准差,第二轮定位选择具有较低TDOA定位估计标准差的部分簇参与TDOA定位,最后将这些簇的TDOA定位结果按估算的定位估计标准差加权平均,求得最终定位解。仿真结果证明该方法有效的去除了冗余节点,实现以半数节点接近使用全部节点的定位精度。      

基于用户感知和网络效益的LTE无线扩容方法

在4G网络建设末期,网络资源投入逐渐减少的情况下,4G网络流量增长趋势依然保持不减且有增长态势。在有限的资源情况下,如何既能够释放被压抑的流量,最大化投资收益,又能够兼顾用户感知,减少业务流失,这是运营商当前面临的主要问题。本文从业务出发,基于用户感知,充分考虑各项负荷指标,建立了一套系统的扩容评估的思路和方法。     

一种基于CNN与LSTM结合的微表情识别算法

微表情表现强度微弱且非常短暂。针对微表情识别效果不理想的问题,以视觉几何组(Visual Geometry Group,VGG)网络为基础,提出卷积神经网络(Convolutionnal Neural Network,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)结合的识别算法。CNN提取数据集CASME II的空域特征,LSTM处理时域特征,实现空域与时域特征的结合。针对深度学习训练困难以及过拟合问题,加入批量归一化算法与丢弃法,提高网络训练速度,有效防止过拟合。针对数据集稀缺的问题,固定每次读取帧序列的长度,随机生成起始帧的位置,不断循环读取以遍历整个数据集并达到数据扩增。根据实验结果,五类微表情(高兴、惊讶、厌恶、抑郁、其他)识别率最高可达72.3%。     

基于共轭梯度法的多层神经网络训练方法

建立多层人工神经网络的最优化求解方法,以多层神经网络总体平均误差为目标函数,以权值和阈值作为设计变量,采用共轭梯度法对网络的权值和阈值进行优化计算,完成神经网络训练的方法.将优化原理应用到多层神经网络权值和阈值的计算问题,实现网络权值和阈值的快速计算,为分析神经网络的合理结构提供了必要条件.     

一种改进的多站AOA/TDOA联合无源定位闭合形式算法

为解决多平台协同外辐射源无源定位问题,提出了基于到达角(Angle of Arrival,AOA)与到达时间差(Time Difference of Arrival,TDOA)的闭合形式定位解算法。在保持两阶段定位闭合形式算法框架不变的前提下,所提算法不仅考虑了AOA与TDOA观测噪声对定位造成的不利影响,同时还缓解了传感器位置不确定引起的定位精度恶化问题。数值仿真结果验证了所提算法的高精度定位性能。