排序方式: 共有56条查询结果,搜索用时 966 毫秒
41.
42.
现有的极化码打孔算法均未考虑信道构造过程对算法性能的影响,针对这一问题,该文提出一种基于高斯近似的极化码打孔算法(GAPPC).首先将高斯近似作为极化码构造算法,分析高斯近似与打孔算法的关系,以降低信道构造输出值为目标,引入高斯修正因子,推导出改进的高斯近似函数.然后将改进的高斯近似函数引入信道构造,对极化子信道进行排序获得信道可靠性排序集合.最后依据信道容量关系确定映射规则,选出打孔比特集合和冻结比特集合,完成打孔极化码的构建.实验结果显示,在不同的码长和码率下,误帧率和误码率均获得显著降低. 相似文献
43.
跨技术通信迅猛发展推动着单一网络向异构无线网络的转变,该转变极大地提高异构无线设备(如Wi-Fi和ZigBee)的高效共存和协作,但也给异构无线网络中的数据分发问题带来了挑战。由于异构网络节点通信范围差异和低占空比节点周期性睡眠的特点,传统数据分发方法不能高效地利用信道资源而导致较低的分发效率。为了解决这些问题,该文提出一种适用于异构网络的并行数据分发方法。通过数据分发时延和能耗定义新的系统损失函数,并证明了损失函数的合理性,利用信标控制的延迟接收数据包的分发策略,从而实现对周期性睡眠的ZigBee网络进行高效数据分发。进一步地,该文根据动态规划的思想,推导出系统的整体能量损耗和时延的最优值。通过仿真实验证明,在考虑时延和能量损耗的前提下,该文的数据分发方法的性能优于传统的数据分发方法。 相似文献
44.
现有的极化码打孔算法均未考虑信道构造过程对算法性能的影响,针对这一问题,该文提出一种基于高斯近似的极化码打孔算法(GAPPC)。首先将高斯近似作为极化码构造算法,分析高斯近似与打孔算法的关系,以降低信道构造输出值为目标,引入高斯修正因子,推导出改进的高斯近似函数。然后将改进的高斯近似函数引入信道构造,对极化子信道进行排序获得信道可靠性排序集合。最后依据信道容量关系确定映射规则,选出打孔比特集合和冻结比特集合,完成打孔极化码的构建。实验结果显示,在不同的码长和码率下,误帧率和误码率均获得显著降低。 相似文献
45.
移动自组网中传统的路由算法大多采用拉网式的盲搜索,导致路由开销较大,针对这一问题,提出一种基于方向预测的概率转发算法。该算法通过监听网络中传输的各种数据包,从中提取节点ID和时间信息,这些信息反映了到目的节点的距离;在此基础上,计算节点的转发概率,并根据网络的变化自适应地调整,使得路由过程始终沿着目的节点所在方向进行,限定了搜索区域。仿真结果表明,该算法的路由开销比洪泛降低了70%,比经典概率转发算法降低了20%,提高了网络性能。 相似文献
46.
李世宝 《计算机工程与设计》2007,28(18):4546-4548,4551
针对油田位置偏远、监控点多且分散的实际情况,提出一种基于CDMA1X网络的远程监控系统设计方案.系统由采集终端、传输网络、监控中心组成,支持TCP/IP和短消息两种数据传输方式.采集终端由无线模块Q2358C、单片机MSP430组成,监控中心以VC 和Mapx为开发平台,实现了基于电子地图的查询、定位、报警等功能,重点解决了系统的低功耗和网络断线问题.该系统性能可靠、实用性强,具有较高的推广价值. 相似文献
47.
人工智能目前在诸多领域均得到较好应用,然而通过对抗样本会使神经网络模型输出错误的分类。研究提升神经网络模型鲁棒性的同时如何兼顾算法运行效率,对于深度学习在现实中的落地使用意义重大。针对上述问题,本文提出一种基于条件对抗生成网络的对抗样本防御方法Defense-CGAN。首先使用对抗生成网络生成器根据输入噪声与标签信息生成重构图像,然后计算重构前后图像均方误差,对比选取重构图像馈送到分类器进行分类从而去除对抗性扰动,实现对抗样本防御,最后,在MNIST数据集上进行大量实验。实验结果表明本文提出的防御方法更加具备通用性,能够防御多种对抗攻击,且时间消耗低,可应用于对时间要求极其苛刻的实际场景中。 相似文献
48.
数据传播是用于向终端用户提供信息娱乐和安全服务的主要技术之一,在该过程中,位于特定区域的车辆(OBUS)接收由路边单元(RSU)广播的数据。然而,当车辆移动较快,广播内容的数据量较大时,车辆很难在一个RSU的通信范围内收集到完整的广播内容。针对这一问题,论文提出了一种基于喷泉码的多RSU协同数据传输方案,将源数据以喷泉码编码,由多个RSU同时注入到车载自组织网络(VANET)中,RSU根据所处位置以及周边行驶车辆速度、密度使用模糊逻辑决策发送喷泉编码包数量。区域内车辆通过车对车(V2V)通信共享数据包,车辆获取到足够的编码包后重建源数据。实验结果表明,该方案在保证交付率的前提下,有效地降低了交付时间,实现了性能的明显提升。 相似文献
49.
50.
知识图谱作为辅助信息可以有效缓解传统推荐模型的冷启动问题。但在提取结构化信息时,现有模型都忽略了图谱中实体之间的邻居关系。针对这一问题,该文提出一种基于共同邻居排序采样的知识图谱卷积网络(KGCN-PN)推荐模型,该模型首先基于共同邻居数目对知识图谱中的每个实体邻域进行排序采样;其次利用图卷积神经网络沿着图谱中的关系路径将实体自身信息与接收域信息逐层融合;最后将用户特征向量与融合得到的实体特征向量送入预测函数中预测用户与实体项目交互的概率。实验结果表明该模型在数据稀疏场景下相较其他基线模型性能均获得了相应提升。 相似文献