基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于神经网络的谣言检测综述

由于传播媒介的多样化,信息数据量呈爆炸式增长,从海量的事件信息中检测到谣言变得十分困难。为了减少人工成本,提高谣言检测准确率,深度学习中的神经网络模型被用到谣言检测任务中。首先文章对多种基于神经网络的谣言检测方法进行了介绍,分析了多种神经网络谣言检测模型的检测过程,以及多种神经网络模型在谣言检测过程中的判断依据及其特征提取效果,然后对现有的谣言检测模型结构进行了归纳,总结了使用神经网络检测谣言的模块化流程,最后对谣言检测的方法提出了建议。     

数据压缩技术在通信中的应用

数据压缩技术就是将较大的数据量压缩为最少的数码,从而更加便捷地表示信号,可以用于数字通信、存储、多媒体娱乐等方面。采用数据压缩技术提升信号传输效率,现有通信干线利用该技术不仅可以并行更多多媒体业务,还可以将数据存储量紧缩,使发信机功率降低,让多媒体移动通信系统更加稳定便捷。数据压缩并不是一种新技术、新思路,该方法的种类有很多,但大部分都缺少适用性。数据压缩研究主要分为两个发展方向,一个数学家研究,以建立信源和数据压缩数学模型为主;另一个是工程技术人员研究,主要构建可以实现数据压缩功能的系统。文章主要介绍了数据压缩技术的发展,阐述了LZSSB算法在数字信号处理中的应用,希望能为数据压缩技术的推广提供参考。     

基于模型预测控制算法的智能密度控制系统在选煤厂的应用

为解决三河口选煤厂重介质旋流器分选过程中PID控制对合格介质密度控制调节能力有限等问题，采用系统辨识构建合格介质密度与精煤灰分数学模型，建立了基于模型预测控制(MPC)算法的智能密度控制系统，提高了合格介质密度控制精度，改善了重介质旋流器分选效果。现场应用表明：该系统在合格介质密度控制中应用效果良好，有效抑制了重介质选煤环节随机性干扰，实现了合格介质密度的稳定、动态调节，使精煤质量得到了显著提高，大大降低了精煤灰分波动幅度，稳定了产品质量，提高了经济效益。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。