基于分裂聚合块模式选择的运动估计算法

为了简化H.264视频压缩编码标准中庞大的计算量,提出了一种基于分裂聚合块模式选择的运动估计算法.该算法结合H.264标准7种可变块尺寸模式,利用分裂聚合原理,为帧间运动估计提前确定块模式.保证在图像质量允许的前提下,提高编码效率,为各种多媒体需求的广泛应用奠定基础.     

TD-HSUPA无线分组调度算法研究

首先介绍了在TD-HSUPA系统中调度算法对无线资源管理的重要影响及Node B调度的基本原理.然后分析了几种常用的无QoS保证的调度算法和两种保证多业务QoS的调度算法,并通过公平性、吞吐量等性能指标对它们进行分析比较.最后引入了经济学中的效用函数思想,分析了基于效用函数的调度算法,它能够结合相应业务的QoS要求,更加真实地反应用户的满意情况,为调度算法的改进提供依据,从而使网络能够承载更高的数据服务容量,增强网络建设的有效性.     

基于凸优化的认知无线网络功率分配

为满足认知用户对主用户的干扰约束,同时最大化认知用户的传输速率,提出了基于凸优化理论的最优功率分配方案.考虑到最优方案的计算复杂度较高,还提出一种复杂度较低的次优方案.仿真结果表明,在主用户可容忍的干扰约束下,次优方案父的性能接近于最优方案.     

基于粒子群算法的移动路由选择方案

移动路由属于一种QoS路由,具有网络拓扑时刻变化,无线网络环境复杂多变,网络高速移动等特点。目前,对移动路由选路算法的研究尚不充分。准确快速地找到最优路径,保证QoS是本文研究的主要目标。本文给出了一种移动路由模型,为满足移动路由的网络环境,设计了使QoS参数时刻变化的函数实现。然后将粒子群算法应用到该模型中实现路径的寻优。仿真结果表明,将粒子群算法用于该移动路由模型中能够得到很好的收敛速度和寻优结果。     

基于3G传输的视频监控系统的后台设计

设计了一种基于3G网络传输的移动视频监控系统的后端管理服务平台(后台);结合视频监控系统总体设计框架,对后台的设计方案及RTP解封、AES解密、音视频解码、音视频配置及USB管理等各功能模块设计和实现方法作了详细介绍.经测试,该平台工作稳定,在视频监控领域应用良好.     

基于迁移演员-评论家学习的服务功能链部署算法

针对5G网络切片环境下由于业务请求的随机性和未知性导致的资源分配不合理从而引起的系统高时延问题,该文提出了一种基于迁移演员-评论家(A-C)学习的服务功能链(SFC)部署算法(TACA)。首先,该算法建立基于虚拟网络功能放置、计算资源、链路带宽资源和前传网络资源联合分配的端到端时延最小化模型,并将其转化为离散时间马尔可夫决策过程(MDP)。而后,在该MDP中采用A-C学习算法与环境进行不断交互动态调整SFC部署策略,优化端到端时延。进一步,为了实现并加速该A-C算法在其他相似目标任务中(如业务请求到达率普遍更高)的收敛过程,采用迁移A-C学习算法实现利用源任务学习的SFC部署知识快速寻找目标任务中的部署策略。仿真结果表明,该文所提算法能够减小且稳定SFC业务数据包的队列积压,优化系统端到端时延,并提高资源利用率。     

融合区块链与雾计算系统中基于网络时延和资源管理的优化任务卸载方案

针对如何基于有限的系统剩余资源进行任务优化卸载以增加移动终端的数字货币收益问题,该文在融合区块链与雾计算系统中提出一种基于节点剩余资源、网络时延的任务卸载方案。为了实现任务的优化卸载,首先基于任务量对移动终端的预期收益进行了分析,其次基于网络节点剩余计算资源、存储资源、功率资源、网络时延联合分析了移动终端的支出。此后以最大化移动终端的数字货币收益为优化目标建立了数学优化模型,并利用模拟退火(SA)算法对优化模型进行求解。仿真结果证明上述方案的有效性。     

云雾混合网络下基于多智能体架构的资源分配及卸载决策研究

针对D2D辅助的云雾混合架构下资源分配及任务卸载决策优化问题,该文提出一种基于多智能体架构深度强化学习的资源分配及卸载决策算法。首先,该算法考虑激励约束、能量约束以及网络资源约束,联合优化无线资源分配、计算资源分配以及卸载决策,建立了最大化系统总用户体验质量(QoE)的随机优化模型,并进一步将其转化为MDP问题。其次,该算法将原MDP问题进行因式分解,并建立马尔可夫博弈模型。然后,基于行动者-评判家(AC)算法提出一种集中式训练、分布式执行机制。在集中式训练过程中,多智能体通过协作获取全局信息,实现资源分配及任务卸载决策策略优化,在训练过程结束后,各智能体独立地根据当前系统状态及策略进行资源分配及任务卸载。最后,仿真结果表明,该算法可以有效提升用户QoE,并降低了时延及能耗。     

非正交多址技术中利用对称矩阵的用户分组

现有非正交多址接入技术中,用户分组算法的实现首先对信道相似度门限值进行判断,选出候选成组用户;进而对候选成组用户的信道增益差进行比较,选出最优的成组用户。然而,上述分步求解算法中信道相似度门限值的设置存在一定的随机性,导致候选成组用户的选取不准确,从而影响分组结果,限制系统性能的提升。针对上述问题,提出利用对称矩阵的用户分组算法,对用户信道相似度进行非线性变换,而后将用户信道相似度和增益差线性求和构建成新的信道信息矩阵,进一步利用该矩阵的对称性进行求解。仿真分析表明该方法分组结果比设置门限的传统方法更优,在不同用户数目时系统容量均得到提升。在传统方法门限值为0.95时,所提算法系统容量在用户数为16时提升了13.4 Mb/s。     

可靠的机会网络自私节点检测算法

针对现有机会网络自私节点检测算法没有考虑节点收到错帧和节点脱离通信范围监听失败的情况而影响检测准确性的问题,提出一种可靠的自私节点检测新算法——RSND。采用基于跨层监听机制的错帧解析、基于节点相遇的信息挖掘和基于RSSI的节点距离估计3种新机制消除错帧和节点脱离通信范围监听失败对节点自私性检测的影响,提升检测可靠性。理论分析证明了RSND算法的有效性,仿真结果显示,相对于现有的基于2-ACK的自私节点检测算法和Watchdog检测算法,新算法的自私节点检测准确率和网络吞吐量至少提高了6%和4%。