【摘 要】
：
在毫微微网络与传统蜂窝网络两层网络中,由于毫微微基站可以为附近的宏基站用户提供服务,且宏基站将一部分频谱分配给毫微微基站,毫微微基站与宏基站之间存在层间干扰,这限制了网络的性能。针对这一问题,研究了可提高网络性能的频谱复用算法。算法基于斯坦科尔伯格主从博弈理论,将宏基站建模为主博弈者,将毫微微基站建模为从博弈者;然后分别将宏基站与毫微微基站的利用率作为平均吞吐量与失真率函数,阐述了主从博弈者之间的
【机 构】
：
东南大学网络与信息中心,东南大学计算机科学与工程学院
论文部分内容阅读
在毫微微网络与传统蜂窝网络两层网络中,由于毫微微基站可以为附近的宏基站用户提供服务,且宏基站将一部分频谱分配给毫微微基站,毫微微基站与宏基站之间存在层间干扰,这限制了网络的性能。针对这一问题,研究了可提高网络性能的频谱复用算法。算法基于斯坦科尔伯格主从博弈理论,将宏基站建模为主博弈者,将毫微微基站建模为从博弈者;然后分别将宏基站与毫微微基站的利用率作为平均吞吐量与失真率函数,阐述了主从博弈者之间的交互无须任何代价;最后得出了对宏基站与毫微微基站都最优的频谱复用机制。仿真结果表明所提复用算法可有效提高
其他文献
针对认知无线网络的信道接入问题，为减少在授权信道上次用户与主用户之间的互相干扰，并提高信道利用效率，提出一种基于动态频谱博弈约束机制的认知无线网络信道选择算法。首先提
为了提高复杂多变的网络流量预测精度,提出了一种基于仿射传播聚类算法和稀疏贝叶斯的网络流量预测模型。采用仿射传播聚类算法对网络流量训练集进行聚类,从而将网络流量训练集划分为若干个子类,然后采用稀疏贝叶斯回归为每个子类建立相应的预测模型,最后采用具体的网络流量数据对模型的性能进行测试。实验结果表明,模型可以获得比较理想的网络流量预测结果,预测误差可以满足网络流量的实际应用要求。
车辆网络中节点的快速移动导致网络拓扑频繁变化,快速的邻居发现算法成为影响网络协议性能的重要因素。针对该问题,提出了一种新型的基于卡尔曼滤波器移动轨迹预测的Hello协议,即KFH(Kalman filterbased Hello protocol)。每个节点使用一个基于自适应卡尔曼滤波器的预测模型来预测自己的运动轨迹,当节点预测下一个时隙的位置时,同时也对邻居表中的每个邻居进行预测。如果节点的位置
在机会网络中,节点信息传输成功率和路由开销是衡量网络性能的主要指标,提高传输成功率能够有效降低数据的丢包率,减少路由开销能够减缓节点消耗和死亡,保证网络性能。但是由于机会网络算法中,基于洪泛策略的算法会造成节点过高的路由开销,通过对机会网络中节点及其邻居数据包发送和接收过程进行分析,建立了有效数据预测转发路由算法(effective data prediction transmission rou
针对标准的扩展卡尔曼滤波算法(EKF)在强非线性系统中估计精度较低的问题,提出了一种改进的扩展卡尔曼滤波算法(MI-EKF),使得滤波精度得到很大的提高。MI-EKF是在标准EKF基础上,结合多新息理论,不仅考虑了系统当前的测量值,而且也充分考虑了之前时刻的有用信息,从而使得MI-EKF的滤波精度和稳定性得到改善。最后,讨论了新息数量对改进算法精度的影响,仿真结果表明包含两个新息的MI-EKF算法
针对传统图像修复方法依赖图像的结构特征和基于稀疏表示的图像修复方法未考虑修复过程中的观测噪声的问题,提出了一种基于贝叶斯压缩感知与形态学成分分析的图像修复方法。首先通过形态学成分分析法利用Curvelet和局部离散余弦变换分别稀疏图像的结构和纹理部分,然后用贝叶斯压缩感知得到稀疏系数的分布函数,分别求得分布函数的均值和方差,将两个均值作为结构和纹理稀疏系数的估计,方差作为噪声的估计,最后合并两部分
针对单一水平集算法处理低对比度或边缘模糊肝脏CT图像时,在梯度局部极小值区域或虚假边缘处常常会出现曲线停止演化现象的问题,提出了一种参数化形态学梯度修正的水平集图像分割方法进行研究。首先对图像进行形态学梯度变换,增强图像的对比度;然后以此为基础,在特定邻域内建立结构元素半径与梯度级的函数关系对图像进行梯度修正,增强目标边缘聚合度并去除图像噪声及非规则细节引起的局部极小值,同时减小目标轮廓位置的偏移
为提高大型移动复杂装备分布式监测系统发动机状态数据的压缩率,利用缓变信号时间相关性,提出了基于动态规划LZW和算术编码的数据压缩方法。为进一步实现动态LZW编码压缩,提出了动态LZW与算术编码相结合的数据压缩算法。上述方法有效减少了信号的冗余度。仿真结果表明,相结合方法压缩率最高,但算法复杂度高;基于动态规划算术编码方法易于实现,水温、油温、油压压缩率均在60%以上,在分布式监测系统中得到应用。
针对视频和图像中快速、准确的行人检测问题,提出了一种分层次的、全局信息和局部信息相结合的行人检测算法。该方法以随机森林分类器为基础,利用图像金字塔模型融合行人的多层信息。首先,在低尺度空间利用主方向模板(DOT)特征和随机森林算法训练行人的全局分类器,第一层检测在低尺度空间中进行,找到行人的候选区域;然后,在高尺度空间提取图像块集合,基于部件随机森林训练行人的局部外观和几何约束模型;最后,基于上层
由于在大尺度图像中卷积滤波的过程速度过慢,导致卷积神经网络(convolutional neural network,CNN)参数调节困难、训练时间过长。针对这一问题,通过对传统卷积神经网络(traditional convolution neural network,TCNN)的改进,提出一种快速有效的多级金字塔卷积神经网络(multi-level pyramid CNN,MLPCNN)。这一网