MEC架构下基于DDPG的车联网任务卸载和资源分配

为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题,提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标,将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明,与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比,DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。     

基于ROAMP-Net的大规模MIMO系统智能信号检测方法

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统存在的信号检测计算复杂度高、检测精度不足等问题,参考OAMP-Net算法思想,引入残差结构,提出了一种新的智能信号检测网络模型ROAMP-Net。将正交近似消息传递(orthogonal approximate message passing,OAMP)估算信号的迭代过程展开为深度学习网络,同时引入残差结构,分别对各网络层的线性和非线性估计值进行逐层修正,有效防止估计误差的前向传播和过程积累,避免网络模型随着网络层数增加而发生性能退化,从而提高最终信号检测的准确度。针对不同调制方式和不同天线阵列的系列仿真实验结果表明,不同调制方式和天线阵列下ROAMP-Net在检测准确度上均有不错的性能表现。     

快速数据读取技术的实现

为提高通过Web Services获取数据的速度,提出了一种基于.Net的AppDomain技术和远程对象调用技术,突破Windows系统的线程限制,以最快的速度从数据供应商那里获取数据的一个业务无关模型,并对此模型的一个典型应用--股票系统的应用进行了讨论.基于此模型,用户可以自由设定并发线程的数目来获取数据,不必受到并发线程数目的限制,也不必修改TCPIP.SYS文件.在IBM xSeries X206m服务器上测试结果表明,与不用Domain技术测试比较,可以提高20倍左右的效率.同时,此模型可以经过简单的修改,应用在各种对速度有严格要求的系统中.     

深部岩体传热机理的研究现状与进展

基于国内外深部工程普遍面临的高温状况,探讨了深部高温的形成机制与影响因素。围绕岩体导热性质研究、水热耦合迁移问题和工程环境对传热的影响三个方面阐述了深部岩体传热机理的研究现状,目前的研究成果主要体现在建立了深部工程的热交换理论体系、矿山地热学的理论体系和地下工程制冷降温系统的热力学基础。在总结分析的基础上,确立了深部岩体流固耦合传热问题的研究思路：开展深部工程区域的的渗流场监测和开展岩体的流固耦合传热实验和建立岩体在应力-渗流-温度耦合条件下的传热模型,揭示深部岩体的传热机理。     

农村初中英语阅读理解的实验研究——不同生词密度与主题熟悉性对阅读的影响

阅读材料的生词密度及主题熟悉性两因素对农村初中英语阅读理解有影响。实验结果表明:(1)生词密度对于阅读理解有较大影响,生词密度越大,阅读理解越差;(2)主题的熟悉性对于阅读理解也有较大影响,内容越不熟悉,阅读理解越差;(3)生词密度与主题熟悉性之间存在显著的交互作用;(4)在各种处理水平上,男女生的阅读成绩不存在显著的差异。本研究结果不仅证实了生词密度与主题熟悉性对阅读理解的影响,而且对于阅读教学也提出了几点有益的启示。     

深部软岩巷道爆破卸压技术及工程应用研究

为控制深部软岩巷道的变形,利用爆破卸压技术,对淮南矿业集团谢桥矿高应力软岩巷道进行了爆破卸压工程试验,充分改变围岩应力状态,使巷道的变形量及稳定时间得到了很好的控制。     

CFG桩复合地基分层沉降监测实例分析

复合地基的变形计算方法不同,计算结果不同.通过对某实测工程地基分层沉降监测数据的研究,发现理论计算值与实测值有较大差距.分析产生差距的原因并比较了不同方法的差异.对刚性桩复合地基相似工程的变形计算与预测有一定的参考价值.     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。