随机化竞争的LTE-A中继蜂窝小区边缘协作调度策略

提出了随机化竞争调度算法. 该算法属于协作调度算法的范畴,适用于对相邻中继蜂窝小区边缘的用户进行联合调度. 以此算法为基础,提出了基于随机化竞争的中继蜂窝小区边缘协作调度策略. 该策略通过在相邻小区边缘可能产生资源冲突的区域形成协作中继簇,并在协作中继簇覆盖的区域内应用随机化竞争调度算法,能够尽量避免相邻小区之间产生同频干扰,从而提升小区边缘的传输性能. 仿真结果表明,所提出的协作调度策略有效地降低了相邻小区中继站对边缘用户的干扰,提升了小区边缘的吞吐量,并在一定程度上增强了小区中心和边缘区域之间的调度公平性.     

逐层Transformer在类别不均衡数据的应用

为解决临床医学量表数据类别不均衡容易对模型产生影响,以及在处理量表数据任务时深度学习框架性能难以媲美传统机器学习方法问题,提出了一种基于级联欠采样的Transformer网络模型(layer by layer Transformer, LLT)。LLT通过级联欠采样方法对多数类数据逐层删减,实现数据类别平衡,降低数据类别不均衡对分类器的影响,并利用注意力机制对输入数据的特征进行相关性评估实现特征选择,细化特征提取能力,改善模型性能。采用类风湿关节炎(RA)数据作为测试样本,实验证明,在不改变样本分布的情况下,提出的级联欠采样方法对少数类别的识别率增加了6.1%,与常用的NEARMISS和ADASYN相比,分别高出1.4%和10.4%;LLT在RA量表数据的准确率和F₁-score指标上达到了72.6%和71.5%,AUC值为0.89,mAP值为0.79,性能超过目前RF、XGBoost和GBDT等主流量表数据分类模型。最后对模型过程进行可视化,分析了影响RA的特征,对RA临床诊断具有较好的指导意义。     

基于TG-PF的LTE-A中继蜂窝网络下行分层调度方法

设计了一种中继蜂窝网络的分层调度模型,将中继蜂窝小区的资源调度过程分为高层调度和低层调度两部分,分别由基站和中继站完成。所设计模型中,高层调度和低层调度分别采用PF算法和保障吞吐量的比例公平（TG-PF算法）,该算法充分利用了最大载干比（Max C/I）算法和比例公平（PF）算法的优势,能够有效地提升小区边缘的吞吐量,以满足中继蜂窝小区的系统吞吐量和调度公平性要求。仿真结果表明,所提方法能够以较低的调度公平性牺牲换取小区边缘吞吐量的较大提升。