试分析软交换技术在城市轨道交通通信系统中的应用

当前,随着社会的发展和科技的进步,以及城市化交通发展的需要,众多城市设计并建造了缓解交通压力以及促进经济发展的地下交通系统,即地铁.同时,根据地铁运行的需要,同步建立起城市轨道交通通信系统.但在现阶段,城市轨道交通通信系统还应用中仍存在着诸多的不足,这就需要在对此系统进行改良的同时,融入全新的科学技术,使其能够更加良好的为城市交通服务.将软交换技术融入此系统中便是科技的创新与发展的需要.本文简要阐述了软交换技术的含义,提出了城市轨道交通通信系统对于软交换技术的应用需求,并进一步探讨了基于软交换技术的城市轨道交通通信系统的组网方案,旨在为我国城市轨道交通通信系统能够更加安全、稳定的运行,做出自己应有的贡献.     

改进型快速NEDI图像插值实现算法

针对经典新边缘指导插值(NEDI)算法存在的计算复杂度高、硬件实现困难、插值系数误差累计导致放大图像边缘噪声大的缺陷,提出一种改进的快速NEDI算法。算法采用圆形窗口计算插值系数,且该插值系数在高倍放大中可重复使用,避免了迭代计算插值系数引入的误差,并节省了迭代计算的时间。同时,对边缘区域非中心像素插值时,采用和被插点相邻的6个原像素点估计高分辨率图像的局部协方差。最后给出实验,并与双立方插值及经典NEDI算法进行比较。实验结果表明,使用改进算法插值后的图像边缘更加清晰,消除了大比例缩放时锯齿现象,提高了图像的视觉质量,计算复杂度也较经典NEDI算法大大降低。     

基于生成对抗网络的模仿学习综述

模仿学习研究如何从专家的决策数据中进行学习,以得到接近专家水准的决策模型.同样学习如何决策的强化学习往往只根据环境的评价式反馈进行学习,与之相比,模仿学习能从决策数据中获得更为直接的反馈.它可以分为行为克隆、基于逆向强化学习的模仿学习两类方法.基于逆向强化学习的模仿学习把模仿学习的过程分解成逆向强化学习和强化学习两个子过程,并反复迭代.逆向强化学习用于推导符合专家决策数据的奖赏函数,而强化学习基于该奖赏函数来学习策略.基于生成对抗网络的模仿学习方法从基于逆向强化学习的模仿学习发展而来,其中最早出现且最具代表性的是生成对抗模仿学习方法(Generative Adversarial Imitation Learning,简称GAIL).生成对抗网络由两个相对抗的神经网络构成,分别为判别器和生成器.GAIL的特点是用生成对抗网络框架求解模仿学习问题,其中,判别器的训练过程可类比奖赏函数的学习过程,生成器的训练过程可类比策略的学习过程.与传统模仿学习方法相比,GAIL具有更好的鲁棒性、表征能力和计算效率.因此,它能够处理复杂的大规模问题,并可拓展到实际应用中.然而,GAIL存在着模态崩塌、环境交互样本利用效率低等问题.最近,新的研究工作利用生成对抗网络技术和强化学习技术等分别对这些问题进行改进,并在观察机制、多智能体系统等方面对GAIL进行了拓展.本文先介绍了GAIL的主要思想及其优缺点,然后对GAIL的改进算法进行了归类、分析和对比,最后总结全文并探讨了可能的未来趋势.     

浅析智能交通中的无线通信技术

本文主要阐述了智能交通系统中无线通信的特点,无线通信包括无线数据通信、数字移动通信、第三代移动通信和车辆无线通信,以及无线通信在智能交通中的发挥出来的作用,并且针对无线通信技术在智能交通中的应用提出了一些建议。