蜂窝网络用户上行覆盖率的数值计算方法

对于蜂窝用户上行覆盖率这类含无穷上限的多重积分公式,直接调用积分函数进行计算耗时长且无法确保收敛。文章提出通过逐层分析被积函数特征来缩小积分区间,从而提高计算速度并保证收敛性。为验证方法的准确度,与一种特殊情况下的解析式和仿真结果进行比较,结果显示差异可忽略;同时,与直接进行无穷积分的方法进行比较,显示计算时间至少节省一半以上,且随着用户密度的降低,本方法计算效率方面的优势更加突出。     

岩移沉降观测中数据缺失的一种估算方法

在矿区的岩移沉降观测过程中,由于环境、人为等原因导致观测数据缺失问题,损害了整体观测数据的完整性,影响后续沉降趋势预测.文中提出了一种最大期望算法,通过计算极大似然估计,交替执行E步和M步,最终得到观测缺失数据填补值.利用某矿区实测数据进行实验,对比分析发现最大期望算法对缺失数据填补更接近实际测量值,在实际应用中有一定参考价值.     

炼油生产调度研究现状与挑战

调度作为计划层和执行层的纽带,是智能型工厂的主要组成部分.对此,从炼油生产装置调度的角度,对炼油调度问题进行综述与分析.首先对炼油生产调度建模问题的研究现状进行阐述,介绍目前该领域建模方面考虑的因素;其次,对炼油生产调度的各种优化方法进行总结综述;最后,结合目前的信息技术和智能制造的发展趋势,分析炼油生产调度所面临的挑战和未来的研究方向.     

5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

智慧标识网络服务机理研究进展及安全性分析

随着互联网规模的不断扩大以及应用场景的多元化,传统网络无法很好地满足新业务的动态多样化需求,因此国内外对未来网络展开了深入研究.本文首先介绍了未来互联网体系架构的研究现状.其次,介绍了具备"三层、两域"特征的智慧标识网络(Smart Identifier NETwork,SINET)体系架构,然后重点阐述了SINET服务机理在服务的命名与解析、路由机制、服务缓存、移动性、传输控制机制、可扩展性、绿色节能等关键技术方面取得的研究进展,并进一步详细分析了SINET服务机理的安全性.最后总结了SINET面临的挑战,对SINET服务机理在大规模场景部署中可能存在的问题做出讨论.     

面向算网一体的开放服务互联架构

泛在化资源和服务模式下,向行业提供一种基础共性的开放服务,并从算力和网络双重维度给予这些服务精细化的资源保障,是面对后5G乃至6G时代新型业务场景的必要需求。文章提出一种面向应用和算网资源的开放服务架构,在端、网、云引入统一的共性服务标识,并在网络层据此叠加服务子层,在满足端到端服务发现、服务交付和服务保障的同时,使能IP网络对服务的精细化感知和路由调度功能,为算网深度融合的新型基础设施提供一种有益的参考架构。     

基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。