网络RTK技术在地质测量中的应用

由于地质测量经常在野外山区,海拔较高,地势险要,常规RTK技术存在着接收信号不好,接收距离较短,需要经常搬基站,浪费时间,耽误工期,同时基站需要放在较高的地方,有时比较危险,利用网络RTK技术可对上述情况进行有效的改善。     

波码通信数字式分层注水技术研究与应用

针对常规分注井测试工作量大、配套费用高及分注合格率下降快等问题,研究了波码通信数字式分层注水技术。该技术的核心为基于流体波码的无线通信技术及井下智能配水器。波码通信技术通过短时间改变地面控制阀或井下配水器电控阀的开度,建立井筒内的流量波动,并将流量波动转换为压力信号实现地面与井下的数据传输;井下智能配水器集成高精度压力计、可控水嘴、计算与控制模块等形成一个智能控制系统,实现地面下传命令或数据的接收、水嘴的注水流量计算与控制、井下数据的存储与上传等。波码通信数字式分层注水技术已在现场试验与应用430余口井,分层注水合格率长期保持在90%以上,注水层的含水上升速度稳定,水驱开发效果改善明显。研究结果可为分层注水技术的研究与应用提供一定参考。     

蜂窝异构网络中的最优频谱分配算法

异构网络通过在宏基站的覆盖范围内密集地部署低功率的节点,使小区得到分化,提升信道增益。但由于频谱资源有限,资源分配在带有中继节点的蜂窝异构网络中变得较为复杂。为改善信道的频谱效率,研究在带有中继节点异构网络中的最优频谱分配策略以及对应的用户接入策略,提出一个基于乘子法的高效算法,通过在乘子法迭代中寻找一组有限的频谱复用模式,得到最优的频谱分配和用户接入策略,实现最优的比例公平性。数值仿真结果表明,该算法可有效利用有限的频谱资源,相对于传统的频谱分配策略,网络性能明显提升。     

基于IWO-ESN的网络流量预测研究

为了提高网络流量的预测精度,针对ESN网络预测结果易受谱半径SR、神经元个数N、输入单元尺度IS、连接稀疏度SD以及嵌入维数p等参数的影响,利用IWO算法收敛速度快的特点对ESN模型参数进行优化。研究结果表明,IWO-ESN可以有效提高网络流量的预测精度,同时可以对ESN网络模型参数和嵌入维数p进行自适应选择,为网络管理优化和拥堵控制提供决策依据。     

浅析通信技术对网络传输安全性的要求

随着我国经济实力逐渐的增强,各行各业都在高速发展,我国在通信技术的发展道路上已经打下了坚实的基础,并且取得了不错的成就,通信技术已经走在了世界的前列,但是在通信技术高速发展的过程中往往也面临着通信安全的问题,这在很大程度上影响着通信技术行业在以后的发展。通信技术的安全关系到信息领域在未来的发展趋势,同时通信技术的安全也为信息在网络中快速安全有效的传播提供保障。因此,通信技术的安全问题已经成为了各行各业所重点关心的问题。本文通过对现代通信技术中存在的不足以及技术性问题展开讨论,最终提出一些相应的解决办法,最重要的是让社会中的每个人都具备防范意识,这样才能够保证个人信息不通过网络泄露出去。     

基于贝叶斯网络的煤矿瓦斯爆炸事故致因分析

针对现有煤矿事故致因分析多以单方面因素分析为主,忽略人、机、环、管4个方面各因素间的关联性和整体性,且涉及到的事故类型较泛化等问题,从人、机、环、管4个方面选取诱发煤矿瓦斯爆炸事故的因素,并利用相关性分析筛选出相关性较强的变量;以GeNie为平台构建煤矿瓦斯爆炸致因贝叶斯网络模型,并采用交叉验证方法对其可靠性和准确性进行验证;通过贝叶斯网络参数学习、敏感性分析等对模型中各节点变量进行分析,计算不同条件下相关节点的条件概率分布和后验概率,提取诱发煤矿瓦斯爆炸事故的关键因素。分析结果表明:通风不足会大幅提高煤层瓦斯含量超标的可能性,员工培训不到位是瓦斯漏检的主要诱因;在煤矿瓦斯爆炸事故已发生的情况下,可能性最大的诱因是瓦斯含量超标,其次是瓦斯漏检;导致煤矿瓦斯爆炸事故的最关键因素是瓦斯含量超标、瓦斯漏检、顶板不稳定、法律法规不健全。     

网络互联设备的性能测试原理和实践探微

信息时代,互联网的覆盖领域越来越高,且使用频率也相对较高,使得互联网已经成为人们生活中不可或缺的一部分。伴随着社会经济快速发展,人们生活水平逐年提高,对于互联网的服务要求也越来越高。为了适应用户需求,互联网提供商对于网络互连设备不断更新,以提高其应用价值。特别是目前电子商务盛行,推动着互联网用户上网络流量呈指数增长。这就为互联网技术性能提出了新的挑战。本论文针对网络互联设备的性能测试原理和实践应用进行探究。     

结合深度学习的网络邻居结构研究及应用

通过研究网络的拓扑结构可以探索到丰富的知识,特别是网络中节点的邻居可以形成不同的邻居结构,而不同的结构蕴含着不同的意义,进而也有着不同的影响。实际上,邻居结构与节点的交互行为之间是互相影响、互为因果的。对三种最为普遍的邻居结构进行分析,并提出结合深度学习的网络邻居结构影响力模型DNSI(neighbor structure influence based on deep learning)。通过对图片格式的网络数据提取特征,DNSI可以得到三种邻居结构影响力。分别在几个真实世界网络数据集上进行节点属性预测、类别中心度度量和用户行为预测等任务,实验结果表明该模型在绝大多数情况下具有优越性。