基于Oracle机制的电力5G可信数据上链技术

针对电力区块链系统中数据上链效率和可信性问题,研究了基于5G和Oracle机制的可信数据上链技术。首先讨论了区块链系统中数据上链方式,分析了适用于电力5G区块链应用的Oracle数据上链方法;其次提出了基于分布式Oracle的电力5G业务系统数据可信上链机制,设计了基于云-边-端一体化的系统总体架构,以及数据源注册、评估、上链的工作流程。其中,电力业务应用中分布式数据采集共享通过区块链系统实现,数据源评估采用基于门限签名算法和可验证随机函数实现,将分布式Oracle的评估过程卸载到位于边缘侧的边缘物联代理节点上,确保系统的安全性和可用性。通过基于对5G切片的任务划分和优化,实现认证数据和业务数据的高效传输。最后在基于区块链的5G电力用电信息采集系统中部署所提方案,从通信性能、业务性能、系统开销等方面进行了实验验证。验证结果表明,所提方案在高负载压力测试下数据平均传输时延约为10ms,丢包率小于0.9%,一次认证成功率高于90%。在100量级并发业务请求情况下,较已有方案性能最高提升80%,因而具有良好的可行性和推广价值。     

成人化是儿童成长的灾难

写下童年二字，我的耳边响起了学者们刺耳的声音：“童年的消逝”“童年之死——在电子媒体时代成长的儿童”。今天的孩子们究竟有一个什么样的童年？的确到了非常值得关注的时候。也许，有些人不以为然．认为今天的孩子多么幸福啊，不愁吃不愁穿不愁上学。的确，对于任何时代的人们来说，做到这三不愁都是不容易的。但是，从现代文明的共识看，三不愁的孩子不等于就有快乐的童年。     

基于GF-1 WFV影像和机器学习算法的玉米叶面积指数估算

目的 叶面积指数（LAI）是重要的植被生物理化参数,对农作物长势和产量预测具有重要研究意义。基于物理模型和经验模型的LAI估算方法被认为是当前最常用的方法,但两种方法的估算效率和精度有限。近年来,机器学习算法在遥感监测领域广泛应用,算法具有描述非线性数据拟合、融合更多辅助信息的能力,为了评价机器学习算法在玉米LAI遥感估算中的适用性,本文分析比较了随机森林和BP神经网络算法估算玉米LAI的能力,并与传统经验模型进行了比较。方法 以河北省怀来县东花园镇为研究区,基于野外实测玉米LAI数据,结合同时期国产高分卫星（GF1-WFV影像）,首先分析了8种植被指数与LAI的相关性,进而采用保留交叉验证的方式将所有样本数据分为两部分,65%的数据作为模型训练集,35%作为验证集,重复随机分为3组,构建以8种植被指数为自变量,对应LAI值为因变量的RF模型、BP神经网络模型及传统经验模型。采用决定系数R²和均方根误差（RMSE）作为模型评价指标。结果 8种植被指数与LAI的相关性分析表明所有样本数据中,实测LAI值与各植被指数均在（P<0.01）水平下极显著相关,且相关系数均高于0.5;将3组不同样本数据在随机森林、BP神经网络算法中多次训练,并基于验证数据集进行估算精度检验,经验模型采用训练数据集建模,验证数据集检验,结果表明,RF模型表现出了较强的预测能力,LAI预测值与实测值R²分别为0.681、0.757、0.701,均高于BP模型（0.504、0.589、0.605）和经验模型（0.492、0.557、0.531）,对应RMSE分别为0.264、0.292、0.259;均低于BP模型（0.284、0.410、0.283）和经验模型（0.541、0.398、0.306）。结论 研究表明,RF算法能更好地进行玉米LAI遥感估算,为快速准确进行农作物LAI遥感监测提供了技术参考。     

LoRaWAN中的公平数据速率分配和传输功率控制

文中对LoRaWAN单元内节点之间的数据速率公平性进行了研究。LoRaWAN数据提取速率不公平的原因在于:(1)分配给节点的数据速率不合理;(2)距离问题,LoRa/LoRaWAN表现出捕获效果,仅提取冲突信号中的较强信号。为解决上述问题,文中提出一种公平自适应数据速率分配和功率控制方案。通过在一个单元内部署每个数据速率的最公平比率并控制传输功率,降低捕获效果,无论其与网关之间的距离如何,都可以进行公平的数据提取。数值仿真结果表明,与现有的最新技术相比,文中方法在数据提取速率上实现了更高的公平性。同时,该方法可以不使用过高的传输功率来维持节点的生命周期,从而降低整个传输系统的整体能耗,符合绿色通信的理念。     

基于LoRa网关的中继选择优化算法研究

为改善LoRaWAN网络架构中,终端节点移动造成信号错误传播以及高能耗问题,在混合译码放大转发(hybrid decode-amplify-and-orward, HDAF)方式下,给出一种基于LoRa网关的无线中继优化算法方案。该方案中,LoRa网关具备中继转发功能,基于节点间的位置关系,推导了HDAF方式下的误码率 (symbol-error-rate, SER)表达式。构造Lagrange函数,在SER约束的Karush-Kuhn-Tucker（KKT）极值条件下,给出最佳功率分配方案。数值分析表明:同等条件下,所给方案比AF、DF方式的误码率低。各节点消耗的功率比AF、DF方式低,节省了能耗。#$NL关键词：LoRa;混合译码放大转发;功率分配;中继选择;误码率#$NL中图分类号：TN929.5     

基于层次分析法的“十四五”终端通信接入网通信技术规划

“十三五”终端通信接入网建设主要由各专业业务部门主导,自行建设、运行及管理,存在通信技术选型缺乏科学指导依据、接入网建设缺乏统筹规划、通信网络重复建设等问题。面向“十四五”能源互联网终端融合、业务融合、网络融合的特点,基于层次分析法建立面向多业务融合典型场景下的接入网通信技术规划模型,计算并提出不同供电区域终端通信接入网远程通信技术选型原则,为“十四五”终端通信接入网规划与建设提供参考。     

基于BP神经网络的夏玉米多生育期叶面积指数反演研究

叶面积指数（Leaf Area Index,LAI）是生物地球化学循环中重要的植被结构参数。针对目前基于我国GF-1 WFV卫星影像的夏玉米多生育期LAI反演研究较少的问题,基于不同隐含层构建BP神经网络模型（BP1模型和BP2模型）,对比分析BP1模型、BP2模型和6种统计模型（NDVI、RVI、DVI、EVI、SAVI、ARVI）反演之间的精度差异,并根据实测数据绘制BP1模型和BP2模型的夏玉米多生育期LAI动态变化图。结果表明:LAI与6种常用的统计模型均有良好相关性,其中NDVI指数方程式回归模型拟合度最优;BP神经网络模型整体R ²略小于统计模型,而RMSE则小于统计模型,取得了与实测值差异更小的结果,统计模型与BP神经网络模型各有优劣之处;BP2模型在R ²和RMSE均优于BP1模型,能获得更为精确的反演值,BP2整体预测精度更高;基于BP神经网络模拟夏玉米生育期反演,LAI值呈现缓慢升高—快速增长—逐渐减小的S型变化过程,基本符合作物生长规律。该研究结合不同隐含层建立的BP神经网络模型,为GF-1卫星在作物叶面积指数多生育期反演的应用推广提供了方法支撑。     

基于多源遥感的建筑区绿化垂直分布特征与空间配置分析——以匈牙利塞克什白堡市为例

为定量描述城市绿化垂直分布特征及其与建筑空间的数量配置关系,以匈牙利塞克什白堡市为例,基于多源遥感数据提取城市绿地和建筑物三维信息,采取垂直空间高度抽样方法,量化不同高度层上绿色空间和建筑空间的分布数量,并依据二者配置的数量关系,将高度空间划分为"相对匮乏层"和"相对饱和层",对比分析了不同功能区的垂直空间配置特征,及其与建筑群结构的相关性。研究结果表明:(1)住宅区和商业区的绿色空间垂直配置结构相似,但住宅区在配置数量上占优;(2)因配置数量不足、垂直配置结构单一等因素,导致商业区三层及以下建筑位置在绿化配置数量上处于较低水平;住宅区因高空绿化配置数量远少于高层建筑数量,存在"高空绿色匮乏"现象;(3)高密度的低建筑群是造成商业区"低空绿色匮乏"的主要建筑结构来源;而忽视高建筑物低密度区的"高空绿化"则是造成住宅区绿色空间匮乏的首要原因。