面向头肩序列图像的质量可精细扩展视频编码方法

FGS编码方法具有细粒度的可扩展能力,能很好地适应网络带宽的动态变化,被认为是一种适合于网络视频传输的编码方案.但现有的MPEG-4 FGS编码标准效率低,限制了其进一步的推广应用.因此,本文面向视频应用中常见的头肩序列图像,实现了一种质量可精细扩展的视频编码方法.该方法采用H.26L对基本层进行编码,采用基于DCT变换的SPIHT方法对原始图像与基本层重建图像之间的残差进行编码得到增强层的码流.然后将复杂背景下的人脸检测与跟踪技术与选择性增强技术结合起来,对人脸区域优先编码.实验结果表明,该方法不仅编码效率高于现有的MPEG-4 FGS标准,码流具有可精细扩展的特性,还可以选择性地提高人脸区域重建图像的主观感受水平.     

基于Q-Learning的无线区块链广播路由算法

面向无线区块链网络场景,参考常用的区块链逻辑分层,提出一个独立灵活的分层逻辑架构,详细地介绍了每层的工作原理及作用。在现有广播路由算法的基础上结合无线区块链网络场景,针对广播过程中存在的广播冗余及广播总能耗高等缺陷,提出了一种基于Q-Learning的广播路由算法。该算法将无线区块链网络交易信息广播过程描述为多个agent的广播决策问题,通过线下学习、训练,帮助每一个当前广播节点agent做出是否广播的决策。仿真实验结果证明,该算法有效地解决了广播冗余问题,减少了广播过程的总能耗。     

基于SPWM和DTC的异步电动机调速方案

通过研究SPWM和DTC(Direct Torque Control,直接转矩控制)调速的原理,分析在不同的速度运行范围内两种调速方法的谐波表现,并经过仿真验证,提出一种将SPWM和DTC相结合的分段调速方案,在发挥两种调速方法各自优势的同时,兼顾到在各速度段产生尽量少的谐波成分。     

一种双频带低噪声放大器的设计与实现

本文设计并实现了一种可在2.4GHz和5.8GHz上工作的双频带低噪声放大器(DBLNA)。该DBLNA,选用英飞凌（Infineon）公司的BFP740 SiGe HBTs作为有源器件,以具有高隔离性和宽带特性的共基-共射电路作为增益级。为了减小PCB制版工艺带来的误差和在传输线上的损耗,引入一个附加电路,利用峰化电感和RC网络来补偿在高频下的增益下降。为取得最小噪声系数,本文采用一个分压电路提供偏置电流,该偏置电流大小通过扫描IB-NF关系来确定。为了减少尺寸和进行板级电路微调,采用π-型微带线来取得输入和输出的良好匹配。通过对DBLNA电路图模拟和电磁模拟的联合仿真,确保了模拟结果与实际结果相符。最后,对DBLNA进行了PCB版图设计、制作和测试。结果表明,在2.4GHz和5.8GHz两个频率点上,增益S21分别为17.7dB和22.3dB,噪声系数分别为1.1dB和2.3dB,输入回波损耗S11分别为-17.3dB和-14.0dB,输出回波损耗S22分别为-17.9dB和-15.9dB,S11和S22都在-10dB以下,S12在全频带内都小于-60dB。     

BP神经网络和数学模型在中厚板板凸度预报中的综合应用

分析中厚钢板板凸度计算模型并给出相应的在线数学模型。为了提高板凸度在线模型预测精度,提出了一种基于模糊聚类BP神经网络的板凸度模型影响系数的优化方法。并采用模糊聚类分析方法,科学选取学习样本,解决了样本多、学习速度慢的问题。通过大量在线数据分析,可知这种方法对中厚板板凸度的预报精度有很大改善,能适应不断变化的工艺过程和设备条件。     

多变量逆乃奎斯特阵列法予补偿阵的一种算法

本文在多变量逆乃奎斯特阵列法的基础上:讨论了一种求予补偿阵的算法,经适当调整反馈阵元素后,可使系统的闭环传递逆阵为对角优势。同时给出了相应的稳定性判据。     

基于双重注意力机制的降噪自编码器推荐算法

为了解决传统协同过滤算法的准确度因评分缺失产生的剧烈变化以及冷启动问题,本文提出了一种新的降噪自编码器推荐算法。该方法将注意力机制与辅助信息共同融入降噪自编码器中对评分与交互数据进行处理。首先针对用户交互项目动态分配注意力以学习用户偏好,然后再次通过注意力机制学习隐藏层向量、用户偏好、辅助信息的权重以获得完整评分矩阵。在公开数据集上对该算法进行实验仿真,观察算法性能。结果表明,该算法有效利用了辅助信息且准确度有明显提高。     

基于Q-learning的工业互联网资源优化调度

面对5G与工业互联网中日益增长的数据传输与计算需求,移动边缘计算已逐渐成为一种新兴的解决方法,可有效应对工业互联网设备自身计算能力的不足,并充分缓解网络拥塞等问题.然而,当数量庞大的设备同时发送计算请求时,往往会超出边缘计算服务器的计算负载.此外,工业互联网设备通常仅装配有限的能量供给,无法承受能源消耗过多的任务,且庞大的设备数量还决定了网络连接、数据计算等系统开销.因此,面向工业互联网场景中机器类型通信设备的计算任务卸载问题,提出一种基于Q-learning的计算任务卸载决策方法,综合考虑任务卸载过程中的网络环境和服务器状态,并联合优化卸载过程产生的时延、能耗和经济开销.仿真结果表明,所提优化框架可有效减少计算任务卸载系统的时延、能耗和经济的总开销.