C-RAN架构下一种基于分形定理的载波迁移预测算法

作为C-RAN关键技术之一的实时虚拟化技术要求实现硬件处理资源的虚拟化管理,实现物理资源的动态分配和负载均衡,保证虚拟基站的实时性,处理时延和抖动可控。为提高物理资源的动态分配和负载均衡的效率,在传统虚拟机迁移策略基础上结合分形理论,提出一种动态载波迁移预测算法,避免了因瞬时负载峰值触发载波迁移而带来不必要的迁移开销。该算法通过对物理资源负载离散历史数据进行分形拼贴拟合出完整负载曲线,然后根据分形维度不变性实现对未来数据的预测。为实现对该算法的仿真,结合C-RAN的系统架构搭建了一个基于并行离散事件仿真(parallel discrete event simulation PDES)的验证平台,仿真结果表明该算法能在有效减少虚拟基站迁移次数的同时确保达到负载均衡的目的。     

油橄榄提取物复配左旋肉碱酒石酸盐抗疲劳功能及安全性评价

为研究油橄榄提取物复配左旋肉碱酒石酸盐抗疲劳功能及其安全性,将小鼠随机分为3个剂量组(1.05、0.70、0.35g/kg)和1个阴性对照组,用油橄榄复配物对小鼠进行灌胃,连续30d后,测定负重游泳时间及血尿素氮、肝糖原、血乳酸含量;通过急性毒性实验、遗传毒性实验、大鼠30d喂养实验,对油橄榄复配物进行安全性评价。研究结果显示:灌胃30d后,与阴性对照组比较,高剂量组小鼠负重游泳时间显著延长(P<0.05);无负重游泳90min,高剂量组小鼠血尿素氮含量显著降低(P<0.05),中剂量组极显著降低(P<0.01);无负重游泳10min,高剂量组小鼠血乳酸含量显著下降(P<0.05);小鼠肝糖原的储备量无显著差异(P>0.05)。安全性评价结果显示,油橄榄复配物无急性毒性和遗传毒性,并且在30d喂养实验期间,与阴性对照组比较,各剂量组的动物体重、进食量、食物利用率、血液学、血液生化学和组织病理学等指标均无显著差异(P>0.05)。研究结果表明,油橄榄复配物有明显的抗疲劳功能并且具有较高的安全性。     

高校制订本科生培养方案的成本分析

从相对微观的角度,分析了高校制定本科生培养方案应考虑的成本效益等原则,认为高校虽不是以盈利为目的组织,但在教学管理中也应重视教学成本问题。论述了制订培养方案应考虑的最低毕业学分等成本要素,并在此基础上对高校制订或修订本科生培养方案提出了建议。     

关于高校财务管理工作的探讨

为贯彻落实新形势下国家关于高校财务制度的各项政策,国内各高校首要目标是明确财务工作范围及各项内容。结合在高校财务工作中的实践经验,对高校财务工作中的相关问题进行深入剖析,从而找出有效的办法提升高校财务工作效率,确保财务工作有效进行。     

铅和镉在实验室水环境模拟体系中的分布特征研究

选取长春市南湖作为采样地点,通过建立实验室水环境模拟体系(包括人工培养生物膜、沉积物和水)模拟自然条件下铅和镉的分布特征。研究结果显示:重金属进入到水环境之后,其浓度持续下降,Langmu ir动力学方程可以很好地描述其在水相中的变化规律。重金属在沉积物和生物膜中富集。生物膜对外界金属浓度变化的灵敏度高于沉积物。当水相中的重金属浓度降低到一个较小值时,生物膜中富集的重金属会被部分释放出来,通过水相,最终转移到沉积物中。沉积物对重金属的富集作用持续时间较长,富集速率较慢。水相、生物膜、沉积物三者共同作用,影响着重金属在自然水体中的分布规律。不同金属的分布过程变化趋势相似,但也存在一定差异。     

一种C-RAN架构下载波迁移的调度策略

在云无线电接入网络(cloud-radio access network,RAN)架构的基础上,为提高载波迁移后虚拟多模基站的资源利用率和负载均衡度,把CPU资源适度分离成基带CPU资源和协议CPU资源,并提出一种基于负载特征的载波迁移调度策略.针对物理层主机的触发类型和虚拟多模基站的负载特征,采用双阈值上下触发方式触发迁移,根据9种负载状态并采用最小资源代价策略,完成对需要迁移的虚拟多模基站以及目标主机的选择.实验结果表明,基带资源利用率方差均值降低0.04左右,协议资源利用率方差均值降低0.03左右,实现了虚拟基站迁移的自主管理,并且达到了节约资源的目的.迁移前后,虚拟基站的状态没发生太大的改变,具有良好的一致性.     

浅析高校财务信息公开

高校财务公开是高等学校信息公开的重要组成部分,在信息公开中处于重要地位。随着时代的发展,如何做好高校财务信息公开工作,是当前高校财务工作面临的重要任务。     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。