一、智能小区的网络技术(论文文献综述)
渠涧涛[1](2021)在《LTE-R网络智能故障诊断与预测方法研究》文中研究指明随着国民经济的快速发展,以及铁路相关技术的不断进步,为了满足人们日益增长的生产和生活需要,“货运重载化”成为我国货运铁路技术的重要发展方向。为解决两万吨级重载列车的通信业务需求,朔黄铁路公司世界上首次将LTE-R(Long Term Evaluation-Railways)技术应用于重载铁路。LTE-R无线通信网络承载着重载列车的核心通信业务,因此LTE-R网络的可靠性和稳定性,直接影响着朔黄铁路的运行安全。而针对LTE-R网络的智能故障诊断与预测方法,能够有效地发现LTE-R网络中存在的问题,或根据网络的运行状态对可能发生的问题进行预警,已成为保障LTE-R网络系统可靠和稳定运行的一个重要技术手段。为此,本文以朔黄铁路LTE-R网络为研究对象,综述了智能故障诊断与预测的基本理论、相关方法以及评价指标等内容。然后,又以不平衡数据分类以及时间序列预测为理论基础,大数据、深度学习、智能优化算法等作为技术手段,针对朔黄铁路LTE-R网络故障诊断与预测中所遇到的相关问题,提出了相应的智能故障诊断与预测方法。本文的研究为LTE-R网络的智能运维提供了必要的理论基础和技术手段,具有一定的理论和应用价值。论文的主要的研究成果和结论如下:(1)针对海量、高维度LTE-R网络运维数据存储、读取及处理效率低下的问题,本文提出了一种基于大数据以及地理信息系统(GIS)技术的LTE-R切换及覆盖问题检测方法。为了实现对海量、高维度LTE-R网络运维数据的结构化存储,本文采用HDFS、Hive以及Presto对这些数据进行存储和读取,并利用Spark来改进切换及覆盖问题检测过程中比较耗时的步骤。此外,所有检查出的问题均被展示到GIS系统上,这使得运维人员能够直观、快速地获取问题发生区域的信息。实验表明,该方法能够准确、高效地从海量LTE-R运维数据中识别出常见的LTE-R网络切换及覆盖问题,并能够对这些问题进行直观地展示,具有较高的应用价值。(2)在LTE-R通信性能劣化小区检测问题中,性能劣化小区的数目远远小于正常小区的数目,这可以看作是一个不平衡二分类问题。为了解决该问题,本文首先利用K-means算法,对各小区关键性能指标数据进行转化,从而构建出一个LTE-R通信性能劣化小区检测数据集。然后,为了能够在数据潜在特征层面解决不平衡二分类问题,本文构建了一个双编码器降噪自编码神经网络,并引入生成式对抗网络(GAN)方法来对该神经网络结构进行逐层训练。此外,为了进一步提高分类性能,本文又将Fisher准则和AUC进行结合,构建出多个优化目标,并利用第三代非支配排序遗传算法(NSGA-Ⅲ)对网络参数进行优化。最后,使用逼近理想解排序法(TOPSIS)从多个非支配解中选择出最优的一个,作为网络的最终参数,从而提高了多数类和少数类潜在特征之间的可分性。在公开的不平衡二分类数据集,以及LTE-R通信性能劣化小区检测数据集上的实验表明,相比对比方法,本文方法具有更好的分类性能。(3)为了进一步提升通信性能劣化小区检测的准确率,本文提出了一种基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测方法。针对如何更加有效地捕获关键性能指标序列局部特征的问题,本文构建了一个基于卷积神经网络(CNN)的神经网络结构,并通过自定义卷积核以及距离计算层,使得该网络能够以滑动窗口的方式,计算每个shaplets与原始序列各个片段的最小距离,从而实现了以shaplets transformation的方式提取序列数据的局部特征。然后,针对序列类别不平衡的问题,构建了基于Fisher准则的优化目标,并使用差分进化算法来对整个网络进行训练。实验表明,本文提出的方法能够十分准确地检测出发生了通信性能劣化的LTE-R小区,具有较高的应用价值。(4)针对LTE-R小区通信性能预测问题,本文利用LTE-R网络承载的核心业务的演进的无线接入承载(E-RAB)异常释放比率作为小区通信性能的评价指标,并提出了一个名为PA-LSTM的时间序列预测方法来对LTE-R小区的通信性能进行预测。PA-LSTM方法首先利用自适应噪声的完备经验模态分解(CEEMDAN)对原始数据进行预处理,从而消除原始数据中的高频分量,使数据变得平滑且变化趋势更为明显。然后引入长短时记忆神经网络(LSTM)和注意力机制构建预测模型。此外,又引入了粒子群优化(PSO)算法来调整注意力权重,从而得到更加精确的预测结果。在多个LTE-R小区通信性能数据集上的实验表明,本文提出的PA-LSTM方法能够准确地对LTE-R小区的通信性能进行预测,为LTE-R网络的运维工作提供建议。(5)考虑到LTE-R网络能够同时承载多个业务,且当前小区与相邻小区的通信信号会相互影响,为了更加精确地对LTE-R小区通信性能进行预测,本文提出了一个面向LTE-R小区通信性能预测的多维时间序列预测方法。该方法选择当前小区以及相邻小区多个通信业务的E-RAB异常释放比率的历史序列作为原始数据,并利用离散二进制粒子群优化(BPSO)算法来从这多个时间序列中选择出具有最大相关最小冗余度的一组时间序列的集合。然后,为了充分地提取所选序列中所包含的深度特征,本文又基于设计了一个基于LSTM和CNN的深度神经网络结构,并引入注意力机制来对提取出的深度特征进行加权处理。实验结果表明,与对比方法相比,论文提出的方法能够更加准确地预测LTE-R小区的通信性能。
郭凤仙[2](2021)在《5G网络中多维资源联合管理技术研究》文中指出随着智能设备和计算技术的发展,无线蜂窝网络承载的设备与流量与日俱增。与此同时,各种新型应用不断涌现,如高清视频点播、模式识别、虚拟现实(Virtual Reality,VR)线上游戏等。这些新型应用具有数据密集、计算密集和时延敏感等特征,对第五代移动通信(5th Generation Mobile Communication,5G)提出了更高的要求,如超高速率、超低时延和海量连接等。为了满足新型业务的需求,5G网络拟引入异构小小区网络、超密集网络和移动边缘计算(Mobile Edge Computing,MEC)等技术,通过密集部署各类小小区基站并将缓存、计算等功能下沉到网络边缘,以提高网络容量、频谱效率和传输速率等。随着新型技术的引入,5G网络需要管理的资源不再仅限于传统的通信资源,而是逐渐向包括缓存、计算等在内的多维资源演进。由于各维资源的管理在系统性能保障中扮演着同等重要的角色,且相互影响,因此,多维资源联合管理非常必要。综上所述,本文以5G中的多维资源联合管理为研究重点,面向不同应用分别提出了高效的多维资源联合管理方案,以提高资源利用率,改善用户服务质量。论文的主要创新工作如下:1.在基于能量收集(Energy Harvesting,EH)和边缘缓存的5G小小区网络中,提出了一种面向高清视频的缓存和用户接入联合优化方案。首先,将EH和边缘缓存技术引入到小小区网络中,通过收集可再生能源进行供电,在网络边缘实现了自供能和内容存储,从而实现了绿色通信,提高了用户的QoS。其次,考虑能源到达的随机性和回程容量受限,本文将缓存和用户接入问题建模为联合优化问题,最大化小小区基站所服务的请求数,以降低传统电网能耗。再次,为了求解该问题,将原始问题分解为两个子问题,即用户接入和缓存,以降低求解复杂度。然后,利用潜博弈对两个子问题进行再建模,并提出了一种二维迭代算法进行求解。最后,仿真结果表明所提算法可以有效提高系统效益、能效和命中率。2.在基于MEC的5G小小区网络中,提出了一种面向计算型应用的高效计算卸载方案。首先,将MEC技术引入到小小区网络中,通过两者的结合,实现了用户在网络边缘进行分布式计算卸载的需求,减轻了核心网的压力,提高了用户的QoS,延长了移动设备的使用寿命。其次,以最小化用户能耗为目标,将卸载决策、信道分配和计算资源分配问题建模为混合整数非线性规划问题。再次,提出了一种基于遗传算法和粒子群优化的分层计算卸载算法,其中遗传算法负责粗粒度搜索,粒子群优化负责局部搜索,并分析了所提算法的复杂度。最后仿真结果表明所提算法能够有效收敛,并能够降低用户能耗,提高卸载用户数。3.在基于毫米波和MEC的5G网络中,提出了一种面向无线VR的多维资源联合管理方案。首先,将毫米波和MEC技术引入到5G网络中,提出了一种自适应无线VR架构,通过在网络边缘提供自适应渲染服务和缓存服务,满足了高质量无线VR游戏的需求。其次,考虑到资源的有限性和用户的移动性,将多维资源联合管理问题建模为最优化问题,通过联合优化用户接入、缓存策略和卸载模式选择,最大化用户体验质量效益。再次,提出了一种基于深度强化学习和潜博弈的分布式算法。其中深度强化学习负责线下训练,潜博弈负责线上执行。最后,仿真结果表明所提算法具有良好的适应性和可扩展性,并且能够有效降低时延和改善VR用户的体验质量。
曹智禹[3](2021)在《智能反射表面增强的多用户通信系统的优化设计》文中研究说明随着移动互联网的发展以及在社会生产与生活中深入而广泛的应用,用户对于数据传输的速率提出了更高的需求。而无线通信技术自一开始发展以来,直到当前的5G时代,电磁波的传播环境就一直被视为随机的且不受控制的,其中的阴影衰落和多径效应等深刻地影响着移动网络通信的效率和用户的服务质量。而近年来所出现的由大量低成本的被动式反射单元所构成的可编辑智能反射面,其上的各被动式反射单元能独立地对入射信号的幅度或相位进行调整,并通过相互协作形成特定的三维波束赋形,从而达到在信号的接收端进行信号增强或干扰抵消等目的。因此,智能反射面可以通过智能地编辑无线传播环境来显着地提升无线通信网络的性能,它也成为了在5G之后和6G中极具应用潜力的一项革命性技术。本文则对智能反射面增强的多用户通信系统中的相关优化设计问题进行了研究,主要分为智能反射面空间位置的优化设计和智能反射面辅助的无小区网络的联合优化设计两个部分。由于智能反射面被动式反射的特性以及信号从发射端经智能反射面到接收端会经历的“双重衰落”效应,智能反射面的有效覆盖范围较主动式发射设备来说有一定限制,并且它在空间中所处的位置也会极大地影响其性能表现,因而在智能反射面空间位置的优化设计问题中,本文以智能反射面辅助的单小区多用户通信系统为研究场景,以最大化系统的遍历信道容量为目标,来求解智能反射面在空间中的最优布置位置。对于这一优化问题,本文提出了自适应步长的循环坐标下降算法,基于环境中信道的统计信息来求解智能反射面的最优空间位置,仿真结果表明,通过该算法的优化求解,处于最优空间位置上的智能反射面能够对系统的遍历信道容量进行有效地提升。无小区网络作为一种大规模MIMO技术,因其能对用户之间的干扰进行有效抑制并在网络覆盖范围内提供均衡的高速率数据传输服务而被视作极具应用价值的技术之一,但随着网络规模的扩大,无小区网络的硬件成本也随着基站的增多而快速上升,因而本文将智能反射面与无小区网络结合,通过用低成本的智能反射面来替换掉网络中的一部分基站并辅助其它基站的通信来降低硬件成本开销。另一方面,由于智能反射面所辅助的无小区网络中,对基站波束赋形和智能反射面反射系数进行优化的复杂度高,因而寻找一种高效的求解方法对于解决相关优化问题也十分重要。在智能反射面辅助的无小区通信系统的联合优化设计中,本文以多个智能反射面辅助的多用户无小区通信系统为研究场景,通过联合设计基站的波束赋形以及智能反射面的反射系数,来最大化系统中用户的合速率。对于这一优化问题,本文采用了基于深度强化学习方法的双延迟深度确定性策略梯度(TD3)算法,以全局的信道状态信息为环境的状态表示,通过与通信环境的不断交互来学习对于基站的波束赋形以及智能反射面的反射系数的最优决策。仿真结果表明,TD3算法相对于启发式算法有着极大的优势,能使网络中用户的合速率得到显着的提升,并且也具有良好的鲁棒性。
刘燃[4](2021)在《基于移动终端的小区虚拟化FTP服务系统设计与实现》文中进行了进一步梳理随着互联网信息化浪潮的迅猛推进,智能小区中的家庭用户对视听娱乐的需求越来越强烈。移动互联网时代的到来以及智能手机的迅速普及使得传统家庭中电视、电脑的使用率逐步降低,智能手机凭借其方便操作、易于携带等优势逐渐成为智能小区中家庭用户使用频率最高的设备。但与此同时,智能手机也存在明显的缺陷与不足:因空间容量的限制导致其计算能力和存储能力十分有限。如果能将家庭中的多种智能电子设备统一协调,实现彼此之间的互联互通和文件数据信息共享,便可以满足智能小区用户对视听娱乐更高质量的需求。就目前来讲,市面上并没有相对成熟的应用于小区环境下的智能信息互联系统,智能家庭中的数据文件信息被分散存储在各种介质中,多种设备之间的互联互通仅可以实现一些简单的功能,并且小区用户之间的网络数据信息交换量较少。本论文针对这些现状并结合移动互联技术、网盘技术等新兴技术手段,设计了一种基于移动终端的小区虚拟化FTP服务系统,该系统以移动端(智能安卓手机)为控制中心,通过连接电脑受控端与小区云服务器端完成各项针对文件传输和分享的功能。该系统实现了虚拟化智能小区环境下家庭内部的多介质、多设备文件互传和家庭用户之间的网络信息共享,节约了智能小区用户本地的存储空间,提高了网络数据信息的安全性,同时设计出一种积分激励机制提升了小区用户之间的网络数据信息的信息共享率,为绿色小区、和谐小区助力。论文首先对本课题的研究背景及意义进行了简要介绍,并针对国内外研究现状以及本系统涉及到的相关技术和理论基础进行了必要的阐述。在第三到五章中详细地介绍了系统的各项功能性需求并进行了关键技术的分析,接着是系统各个功能模块实现的详细设计,为系统的实现提供了支撑。最后第六章通过对系统各项功能的测试,验证了本系统的可用性,测试结果表明:本系统可以满足当前虚拟化背景下智能小区用户对网络数据传输与共享的需求。达到了预期的设计目标,顺利完成了选题要求。
黄彩建[5](2020)在《物联网技术在老旧小区物业管理中的应用研究与评价 ——以滨河花园小区为例》文中认为随着我国房地产的发展和城镇化的推进,城市的小区变得越来越多,伴随着很多小区建成投入交付使用,小区人口流动性日益加剧、停车场的车流量持续增大、居民需求越来越多样化,传统的小区管理服务方式日渐无法适应新形势、新要求。解决现实难题,必须把科技作为第一生产力,通过依靠新小区建设和老旧小区的改造,普及使用物联网平台新技术,不断推进新技术的规模化落地运用,才能更好的改善民生和促进和谐社会的建设。目前我国互联网和建筑业新技术的进步为住宅小区的发展带来了新的机遇,住宅小区物业管理结合物联网技术不但可以提升自身功能,还可以推动智能技术进一步向纵深发展,进而推进智慧城市建设。论文首先针对国内外住宅小区物业服务研究现状及物联网技术发展,阐明了物联网技术在小区应用中的必要性和重要意义。其次,构建了住宅小区物联网技术应用评价模型,在此基础上以滨河花园老旧小区物业管理为研究对象,对物联网技术在老旧小区管理中的应用效果进行了实证分析,并得出了评价结论和存在的问题;最后,针对评价结论从应用系统、应用技术、应用管理三个方面提出了优化物联网技术在老旧小区管理中的对策建议。通过论文的研究,能够进一步提高滨河花园小区物业管理的效能和水平,提升老旧小区居民对物业管理的满意度,对我国其它住宅小区的物联网应用也会起到一定的理论指导和实践示范参考效应。
李莉[6](2020)在《软件定义无线异构网络中的能效优化问题研究》文中指出随着移动网络流量的急剧增加,移动通信网络中的能耗问题日益严峻。出于经济利益和环境保护的双重考虑,提高网络中的能源效率成为第五代移动通信技术中设计无线通信系统的重要指标之一。广泛的研究表明,提高网络能效的有效措施包括:多类型接入设备组合覆盖蜂窝小区、可再生能源和传统能源协作供能和对不同类型的网络业务按需分配网络资源。因此需要对存在设备、能源和业务多样性的无线异构网络的特性进行研究。但是,由于无线异构网络采取垂直建站和分布式管理模式,很难根据全局网络状态对网络资源实现实时的优化分配。软件定义网络(Software Defined Network,SDN)架构通过分离网络的控制平面和数据转发平面对通信网络技术进行了改革,实现了灵活高效的可编程和集中化网络管理。网络功能虚拟化(Network Function Virtualization,NFV)作为软件定义网络的重要应用,通过分离网络功能和网络设备,实现了针对不同业务的虚拟网络划分机制。本论文针对无线异构网络的动态特性,以及目前因为管理困难造成的能效低下问题,利用软件定义网络技术提供的架构优势,实现了无线异构网络中灵活实时的网络资源调度配置,本课题的主要研究思路为,首先以网络性能和用户需求为约束,然后在此基础上降低网络能耗,以此提高网络能效。具体研究工作与贡献如下:1.系统架构分析通过对软件定义网络架构的分析,针对无线网络中的设备异构性和能源异构性,提出一个基于SDN技术的绿色中继网络架构的设计方案,为动态的无线网络提供灵活的网络管理模式;针对无线网络中的资源异构性和业务异构性,提出一个基于NFV技术的智能虚拟边缘网络架构的设计方案,智能的实现了网络资源的按需分配。该架构中的虚拟网络运营商将网络业务提供商提供的实体资源整合后,以虚拟网的形式按照需求提供给网络服务供应商,并允许对边缘网络资源进行智能调度。2.能效优化的流表项管理策略在绿色中继无线网络中,用户本应按照最节能的方式选择基站或者中继节点接入网络,但是可再生能源捕获量难以预测,当中继节点中的可再生能源出现短缺时,该设备无法为用户提供接入服务,在这种情况下,接入该节点的用户需要切换到基站上。另一方面,当可再生能源的捕获量超过消耗量,多余的能源将由于无法被储存而浪费。针对可再生能源的中断和饱和问题,本文提出一种软件定义网络架构下的动态流表项更新策略和一个面向长期能效的流表管理策略,根据节点的可再生能源状态为用户选择接入点,以最大限度的利用已经捕获的可再生能源,从而减少传统能源的消耗量,实现传统能源的能效优化。这些策略可以集成为软件定义网络的控制器上的一个网络管理应用程序。数值仿真结果表明和其他路由策略(例如容量受限和最优路径策略)相比,所提出的策略可以有效利用可再生能源,提高传统能源的能效。3.能效最优的Ant-Q缓存数据流分发策略在移动边缘网络部署缓存功能可以显着减少边缘网络和远端云之间的通信,从而节省能源,然而由于用户的移动性、业务多样性和有限的边缘存储计算能力,如何智能的使用边缘节点的通信和缓存功能具有很大的挑战性。本文使用Ant-Q学习算法为虚拟化移动边缘网络提出了一种节能感知的动态缓存策略。针对不同业务的需求差异,本文首先设计一种具有边缘缓存功能的虚拟化移动边缘网络范例,和直接从移动用户行为中提取特征相比,本范例可以更准确有效地从网络服务中提取特征,并建立其系统模型。然后将能效感知的缓存数据流分发问题根据强化学习算法建模,并使用结合强化学习和蚁群算法的Ant-Q算法解决该问题,该算法可以有效结合云计算能力和边缘网络的高响应能力。此外本文使用禁忌空间来提高Q学习算法的收敛性。仿真结果表明,所提出的缓存数据流分发策略可以显着提高能源效率,同时对网络性能进行优化,而带禁忌空间的Q-learning算法可以显着减少计算时间,提高Ant-Q学习阶段的计算效率。4.能耗最低的边缘虚拟网络构建为了支持具有高资源利用率的异构无线网络中的多个设备和服务的无缝通信,网络虚拟化技术提供了灵活和可扩展的管理。本文研究了无线多跳边缘网络中虚拟网络构建问题,首先分析无线多跳蜂窝网络场景,并建立虚拟网络构建模型。之后将该问题转化为多商品流问题,提出了一种基于多商品流算法的最小成本流算法,即用最小的能耗开销相应虚拟网请求,最后采取拉格朗日松弛优化算法和次梯度算法来解决该问题。仿真结果表明,所提出的多商品流算法可以在无线多跳网络中带宽和节点发射功率有限的情况下提高虚拟网络请求的接受率,以此提高网络能效。
童诚校[7](2020)在《蜂窝无线网络的覆盖容量自优化平台设计与性能优化》文中认为当前,不断涌现的新业务和新应用对移动通信网络的覆盖容量提出了更多挑战。在覆盖容量问题探测方面,无线环境地图(radio environment maps,REMs)具有重要作用,然而其传统构建方法在测量数据不足时,地图准确度受损严重。另一方面,在出现问题后需要进行覆盖容量优化,虽然集中式优化算法性能优,但却需要获取网络全局信息。为了克服前述问题,本文针对蜂窝无线网络场景,提出了基于K-means区域聚类的REM构建方法和仅需少量信息交互的分布式优化方法。此外,本文设计并搭建了相应的硬件实验平台,在此基础上完成了 REM构建方法的性能验证。论文的具体工作包括:针对由测量数据不足导致REM构建准确度不高的问题,本文提出了一种基于K-means区域聚类的REM构建方法,并以此来进一步探测当前网络中的覆盖容量问题。具体地,由于每个区域具有不同的无线电传播特征,首先利用历史测量数据将有关区域分为多个簇,每个簇中所有的区域具有相同的大尺度路径损耗参数,以此构建更加准确的REM。此外,当新的测量数据上报后,每个簇中的阴影效应参数通过期望最大化算法进一步更新,从而使REM实现环境自适应。实验结果表明,所提方法在构建准确度上明显优于其他基于插值的对比方法,且当测量数据少时能够保持较高准确度。针对集中式覆盖容量优化算法需获取全局信息的问题,本文提出了一种基于分布式强化学习的基站射频参数调整方法。具体地,为了避免出现多个问题小区以及问题区域调整较大从而影响邻小区性能的情况,优化目标定义为整个区域的覆盖和容量的加权,接着将相应优化问题建模为马尔可夫决策过程(Markov Decision Process,MDP)。基于对MDP的分解,每个基站可视为一个自主控制自身射频参数的智能体,通过与环境进行交互,实现网络覆盖容量的分布式优化。进一步地,为了加快分布式强化学习的收敛,设置了中央控制器实现各个智能体参数调整的协作。仿真结果表明,与遗传算法等集中式对比方案相比,本文所提基于分布式强化学习的优化方法能够达到接近最优的全局覆盖率和容量性能。为了采集真实网络场景下的无线环境数据从而对所提REM构建方法进行训练和性能评估,本论文搭建了基于开源软件定义无线电项目OpenAirInterface的通信实验平台,并于应用层完成了用户、基站和智能网络管理软件的开发,实现了无线环境数据的采集、存储、以及无线环境图的可视化等。所提REM构建方法在训练完成后部署在智能网络管理软件侧,可通过用户端上报的参考信号接收功率数据实时刷新REM。
曾印[8](2020)在《小区安防系统设计与实现》文中研究指明现在人民对生活品质的要求大步提高,科学技术也日新月异,人们不再满足于传统的居住环境,智能小区进入人们的视野,作为保护人身财产安全的小区安防系统,人们对其起到的安全作用越来越认可,安防系统已经成为智能小区的不可分割的部分。小区安防系统采用集中监视、集中管理、分散控制,由多个子系统通过现场总线相互连通,构成一个整体的安全防范系统。在小区安防系统的前期规划设计中,必须将各种设备与系统进行集成,利用现场总线完成信息传输,通过信息资源共享以便完实现保证小区的安全。本论文是根据南昌市经济开发区某小区的安防系统展开研究,该小区安防系统是由多个子系统共同组成,如门禁系统、监控系统、可视对讲系统、电子围栏系统等,子系统的功能各不相同,为小区安全提供重要保障。首先介绍了现场总线的特点和LonWorks现场总线技术,分析了用户的需求,介绍了生活小区安防系统的总体结构,从多个层面对系统不同模块所发挥的功用进行了详细论述与分析,同时还对停车场管理系统的各个组成部分、停车场系统数据库以及软件的设计、停车场系统的构成设备、停车场系统的具体工作过程等一系列内容进行了全面、详细的阐述。研究表明:小区安防系统能够有效保证居民的人身财产安全,使人们的生活品质迈向更高水平,充分享受安全、和谐的生活环境,同时还具备操作便捷、后期维保方便、可扩展等诸多突出优点,具有十分良好的应用前景。
李丽颖[9](2020)在《智能协作调度与网络选择》文中提出一方面,超密集网络中密集部署的基站带来严重的干扰问题,同时用户高速率低时延的业务需求日益增长,无线蜂窝网络面临小区边缘用户干扰大,传输速率低等挑战。另一方面,超密集网络基站的密集部署使得用户接收来自周围基站的信号强度相近,位于干扰小区与热点区域的用户面临严重的频繁重选/切换问题,边缘用户业务的连续性与终端功耗受到巨大冲击。针对超密集网络干扰严重,链路质量相近现象,为了提升边缘用户服务质量(Quality of Service,QoS),论文在超密集网络中引入人工智能算法,研究智能协作调度技术与智能网络选择技术解决上述难题。首先,论文提出一种联合传输调度与功率控制的动态博弈方法。基于现有的协作调度方案,研究多点协作(Coordinated Multi-Point,CoMP)系统两大关键问题:传输调度与功率分配。具体地,研究基于近邻传播算法的传输调度方案实现动态资源管控,进一步采用纳什议价解(Nash Bargaining Solution,NBS)合作博弈建模功率分配问题,提升用户间公平性。特别地,效用函数设计同时兼顾用户吞吐量与时延,满足多指标需求是未来移动互联网发展的基本方向。其次,分析超密集网络链路质量相近现象,用户终端频繁重选/切换体验不佳问题,并针对上述不足提出一种智能网络选择方法。首先针对链路质量评估不精准问题,研究基于深度森林的链路质量评估方法。进而,利用评估出的链路质量引入强化学习方法指导终端网络选择。最后,论文分别在Matlab和Python搭建的系统级仿真平台上对论文所提算法与现有算法进行仿真对比分析。仿真结果表明,本文提出的智能协作调度方法可大幅度提升用户传输速率,降低用户传输时延,提高用户间公平性。进一步,本文提出的基于深度森林的链路质量评估结果指导的终端网络选择方法在保证用户吞吐量以及时延等性能的前提下,可以减少终端频繁重选/切换的次数,从而提升终端业务的连续性以及减少因频繁重选/切换引起的终端功耗。
陈壮[10](2020)在《边缘计算网络短视频缓存放置优化方法研究》文中认为边缘计算是一种新兴的计算架构,能为低延时和高带宽需求的应用提供更好的性能的改进。边缘计算作为云计算下沉到用户侧的部分,能高效的发挥数据汇聚的作用,边缘计算协同云、终端,进而对海量数据进行分析和控制。5G技术解决了网络接入的问题,而没有解决骨干网和城域网带宽和延迟问题。不计其数的5G智能终端和物联网终端的连接会造成带宽资源的抢夺,因此,云、边和端节点间的通信仍旧面临阻塞的网络问题,而边缘计算是一种很好的解决方案。基于互联网的在线多媒体视频(长视频和短视频)逐渐取代传统电视,新规格的视频形式(4K,QHD,360o等)增加了每个内容请求的带宽消耗。这些因素推动了视频流量的爆炸式增长,预计将超过互联网总流量的80%。相对于长视频,短视频属于时延敏感型应用,海量短视频文件的流行以及时长短的特点,对用户的体验质量产生了不确定性影响,因此,为了保证用户的体验质量,使用边缘计算中的缓存技术达到降低时延、提高缓存命中率的目的是一种非常有前景的解决方案。在本文中,基于对新兴的短视频内容的数据分析,通过引入深度强化学习算法,设计了基于阈值的分块部分缓存短视频的缓存模型,实现多媒体内容在边缘节点上的高效的缓存。本论文的主要工作如下:1)本文介绍了边缘计算技术的概念,使能技术和应用场景,全面的介绍了深度技术,分析了5G技术通信的特点以及对社会和多媒体服务带来的影响。2)研究了短视频内容的特点,即抖音(Tik Tok)短视频,对抖音短视频的元数据进行了分析,并对抖音短视频文件的属性特征(长度、比特率和大小)进行了数学分析。随后,用皮尔逊相关系对抖音短视频的流行度指标进行了分析。通过一个利用流行度分布提高缓存命中率的样例研究,进一步为5G网络中高效的边缘缓存系统的设计提供了指导意义。3)根据短视频内容的文件大小和流行度的特点,并结合5G边缘计算网络服务的自身特点,提出一种基于分块阈值的分块部分缓存的缓存内容放置策略,基于深度强化学习求解最佳的分块阈值,以最大化缓存命中率。4)仿真实验结果表明,基于分块阈值的分块部分缓存的放置策略在保证用户体验质量的情况下,能明显地增加短视频的缓存数量,提高缓存命中率。基于深度强化学习求解最佳的分块阈值进行分块部分缓存的策略能很快获得最大的缓存命中率90%左右,并且达到稳定状态。
二、智能小区的网络技术(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、智能小区的网络技术(论文提纲范文)
(1)LTE-R网络智能故障诊断与预测方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景和意义 |
1.2 智能故障诊断及预测研究现状及进展 |
1.2.1 智能故障诊断与预测概述 |
1.2.2 智能故障诊断方法 |
1.2.3 智能故障预测方法 |
1.2.4 智能故障诊断与预测方法总结 |
1.3 LTE-R网络故障诊断与预测问题研究 |
1.3.1 相关数据和指标 |
1.3.2 LTE-R网络故障诊断问题研究 |
1.3.3 LTE-R网络故障预测问题研究 |
1.3.4 LTE-R网络故障诊断与预测结果评价 |
1.4 本文主要研究内容与结构安排 |
2 基于大数据及GIS技术的LTE-R覆盖及切换问题检测 |
2.1 引言 |
2.2 相关技术简介 |
2.2.1 大数据相关技术 |
2.2.2 “天地图”地理信息平台 |
2.2.3 LTE-R覆盖及切换问题 |
2.3 方法设计 |
2.4 方法实现 |
2.4.1 数据预处理 |
2.4.2 数据分析 |
2.4.3 基于GIS技术的可视化 |
2.5 实验与分析 |
2.6 本章小结 |
3 基于深度学习及多目标优化的LTE-R通信性能劣化小区检测 |
3.1 引言 |
3.2 方法设计与实现 |
3.2.1 方法设计 |
3.2.2 双编码器DAE神经网络 |
3.2.3 基于GAN的逐层训练方法 |
3.2.4 利用NSGA-Ⅲ优化模型参数 |
3.2.5 用TOPSIS方法对非支配解集进行排序 |
3.3 实验与分析 |
3.3.1 对比方法 |
3.3.2 KEEL数据描述 |
3.3.3 实验设置 |
3.3.4 实验结果及分析 |
3.4 LTE-R通信性能劣化小区检测 |
3.4.1 数据描述及预处理 |
3.4.2 实验设置 |
3.4.3 实验结果及分析 |
3.5 本章小结 |
4 基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测 |
4.1 引言 |
4.2 相关定义 |
4.3 方法设计与实现 |
4.3.1 方法设计 |
4.3.2 基于CNN的特征提取网络 |
4.3.3 不平衡序列特征提取的优化目标 |
4.3.4 利用差分进化算法训练网络权值 |
4.4 实验与分析 |
4.4.1 数据描述及预处理 |
4.4.2 实验设置 |
4.4.3 对比与讨论 |
4.5 本章小结 |
5 基于PA-LSTM的 LTE-R小区通信性能预测方法 |
5.1 引言 |
5.2 问题定义 |
5.3 方法设计与实现 |
5.3.1 总体框架设计 |
5.3.2 基于CEEMDAN的数据预处理 |
5.3.3 基于PA-LSTM构建预测模型 |
5.4 实验与分析 |
5.4.1 数据描述 |
5.4.2 实验设置 |
5.4.3 对比与讨论 |
5.5 本章小结 |
6 面向LTE-R小区通信性能预测的多维时间序列预测方法 |
6.1 引言 |
6.2 问题描述 |
6.3 方法设计与实现 |
6.3.1 总体设计 |
6.3.2 数据预处理 |
6.3.3 基于MRMR准则以及BPSO的特征选择 |
6.3.4 深度特征提取及结果预测 |
6.4 实验与分析 |
6.4.1 数据描述 |
6.4.2 实验设置 |
6.4.3 特征选择实验 |
6.4.4 模型训练及评估 |
6.5 本章小结 |
7 总结与展望 |
7.1 本文工作总结 |
7.2 未来工作展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(2)5G网络中多维资源联合管理技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文的研究背景 |
1.1.1 5G网络概述 |
1.1.2 5G网络发展方向 |
1.1.3 5G网络关键技术研究 |
1.2 5G网络中多维资源联合管理关键技术研究 |
1.2.1 多维资源联合管理技术面临的挑战 |
1.2.2 多维资源联合管理技术研究现状 |
1.2.3 研究意义 |
1.3 论文主要工作和安排 |
1.3.1 论文研究内容 |
1.3.2 论文创新点 |
1.3.3 论文章节安排 |
参考文献 |
第二章 5G网络资源管理关键技术概述 |
2.1 引言 |
2.2 面向数据型应用的多维资源联合管理技术研究 |
2.2.1 文件流行度已知的缓存技术 |
2.2.2 文件流行度未知的缓存技术 |
2.3 面向计算型应用的多维资源联合管理技术研究 |
2.3.1 计算卸载决策已知的多维资源联合管理技术 |
2.3.2 计算卸载决策未知的多维资源联合管理技术 |
2.4 面向综合型应用的多维资源联合管理技术研究 |
2.4.1 针对视频转码的多维资源联合管理技术 |
2.4.2 针对VR/AR的多维资源联合管理技术 |
2.5 本章小结 |
参考文献 |
第三章 面向高清视频的缓存和用户接入联合优化方案 |
3.1 引言 |
3.2 系统模型 |
3.2.1 文件请求模型 |
3.2.2 通信协议 |
3.2.3 能量收集模型 |
3.2.4 传输模型 |
3.3 问题建模 |
3.4 博弈模型与算法 |
3.4.1 用户接入博弈 |
3.4.2 缓存博弈 |
3.4.3 二维弱非循环博弈 |
3.4.4 二维迭代算法 |
3.5 仿真结果与分析 |
3.5.1 收敛性分析 |
3.5.2 性能分析 |
3.6 本章小结 |
参考文献 |
第四章 面向计算型应用的高效计算卸载策略 |
4.1 引言 |
4.2 系统模型 |
4.2.1 网络架构 |
4.2.2 通信模型 |
4.2.3 计算模型 |
4.3 问题建模和分析 |
4.4 基于启发式算法的分层计算卸载算法 |
4.4.1 算法流程概述 |
4.4.2 遗传算法 |
4.4.3 粒子群算法 |
4.4.4 收敛性和时间复杂度分析 |
4.5 仿真结果与分析 |
4.5.1 仿真设置和对比算法 |
4.5.2 收敛性验证 |
4.5.3 算法性能验证 |
4.6 本章小结 |
参考文献 |
第五章 面向无线VR的多维资源联合管理方案 |
5.1 引言 |
5.2 系统模型 |
5.2.1 自适应VR架构概述 |
5.2.2 缓存模型 |
5.2.3 通信模型 |
5.2.4 计算模型 |
5.2.5 体验质量模型 |
5.3 问题建模 |
5.4 基于深度强化学习和潜博弈的分布式多维资源管理方案 |
5.4.1 算法概述 |
5.4.2 基于深度强化学习的线下训练阶段 |
5.4.3 基于潜博弈的线上执行阶段 |
5.4.4 复杂度分析和算法部署 |
5.5 仿真结果与讨论 |
5.5.1 仿真设置和对比算法 |
5.5.2 收敛性验证 |
5.5.3 算法性能验证 |
5.6 本章小结 |
参考文献 |
第六章 结论与展望 |
6.1 本文工作总结 |
6.2 下一步工作计划 |
附录A 缩略语表 |
致谢 |
攻读学位期间发表的学术论文目录 |
(3)智能反射表面增强的多用户通信系统的优化设计(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外相关研究的历史与现状 |
1.3 本文的主要贡献及内容 |
1.4 本文结构 |
第二章 相关理论基础 |
2.1 智能反射面 |
2.1.1 硬件结构 |
2.1.2 信号模型 |
2.2 无小区网络 |
2.2.1 无小区网络模型 |
2.2.2 无小区大规模MIMO网络 |
2.3 强化学习 |
2.3.1 Q学习算法 |
2.3.2 DQN算法 |
2.3.3 DDPG算法 |
2.3.4 TD3 算法 |
2.3.5 算法比较 |
2.4 本章小结 |
第三章 智能反射面空间位置的优化设计 |
3.1 引言 |
3.2 场景描述 |
3.3 遍历信道容量最大化问题建模 |
3.4 基于交替优化方法的算法设计 |
3.4.1 循环坐标下降法 |
3.4.2 自适应步长循环坐标下降法 |
3.5 仿真分析 |
3.5.1 仿真参数设置 |
3.5.2 循环坐标下降算法自适应步长的性能分析 |
3.5.3 优化算法相对参考点的性能提升分析 |
3.5.4 智能反射面维度对遍历信道容量的影响 |
3.6 本章小结 |
第四章 智能反射面辅助的无小区网络的联合优化设计 |
4.1 引言 |
4.2 场景描述 |
4.3 合速率最大化问题建模 |
4.4 基于启发式方法的算法设计 |
4.4.1 目标函数的拉格朗日对偶变换 |
4.4.2 变量的交替优化 |
4.4.3 算法的收敛性分析 |
4.5 基于深度强化学习方法的算法设计 |
4.5.1 动作空间 |
4.5.2 状态空间和奖赏值函数 |
4.6 仿真分析 |
4.6.1 仿真参数设置 |
4.6.2 优化算法的比较 |
4.6.3 超参数分析 |
4.6.4 延迟CSI条件下算法的性能表现 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 后续与展望 |
致谢 |
参考文献 |
(4)基于移动终端的小区虚拟化FTP服务系统设计与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文主要研究内容与特色 |
1.4 本文组织结构 |
第二章 相关理论和技术基础 |
2.1 移动互联技术介绍 |
2.1.1 Zigbee技术介绍 |
2.1.2 蓝牙技术介绍 |
2.1.3 序列化和反序列化协议介绍 |
2.1.4 Wi Fi技术介绍 |
2.2 主流的网盘服务介绍 |
2.2.1 Dropbox |
2.2.2 Google Drive |
2.2.3 百度云 |
2.3 本章小结 |
第三章 系统需求分析与关键技术研究 |
3.1 系统基本需求说明 |
3.1.1 使用背景分析 |
3.1.2 使用场景分析 |
3.2 功能需求分析 |
3.2.1 Android手机控制端功能需求分析 |
3.2.2 PC电脑受控端功能性需求分析 |
3.2.3 小区云服务器端功能性需求分析 |
3.3 系统非功能性需求分析 |
3.3.1 性能需求分析 |
3.3.2 其他非功能性需求 |
3.4 系统关键技术研究 |
3.4.1 局域网下多线程文件传输技术 |
3.4.2 FTP的虚拟化 |
3.4.2.1 FTP简介 |
3.4.2.2 基于JVM的 FTP客户端套件Edtftpj |
3.5 本章小结 |
第四章 系统模块与接口设计 |
4.1 系统总体架构设计 |
4.2 系统功能详细设计 |
4.2.1 Android手机控制端详细设计 |
4.2.2 家庭PC受控端详细设计 |
4.2.3 小区FTP服务器端详细设计 |
4.3 系统模块间接口设计 |
4.3.1 手机端与PC端各功能接口设计 |
4.3.2 PC端与服务器端各功能接口设计 |
4.3.3 手机端与服务器端各功能接口设计 |
4.4 系统工作流程设计 |
4.4.1 家庭局域网中设备发现与连接机制 |
4.4.2 手机访问本地与小区私人FTP文件系统 |
4.4.3 手机操控PC访问小区虚拟化FTP公共文件系统 |
4.5 数据库设计 |
4.6 本章小结 |
第五章 系统详细设计与代码实现 |
5.1 系统设备管理模块 |
5.1.1 设备发现机制的设计与实现 |
5.1.2 设备连接的实现 |
5.1.3 手机端与电脑端之间的信息加密 |
5.2 远程控制模块 |
5.2.1 命令的发送与接收 |
5.2.1.1 基于短连接的命令发送与接收 |
5.2.1.2 基于长连接的命令发送与接收 |
5.3 文件服务模块 |
5.3.1 本地文件服务 |
5.3.1.1 PC端本地文件服务的提供实现 |
5.3.1.2 手机端文件服务的获取实现 |
5.3.2 FTP文件服务 |
5.3.2.1 基于Jvm的 Edtftp J PC客户端 |
5.3.2.2 基于Vsftpd的 Linux环境服务器 |
5.4 系统管理模块 |
5.4.1 用户账户分配与初始化 |
5.4.1.1 Vsftpd用户与Linux账户分配 |
5.4.1.2 用户账户初始化 |
5.4.2 文件记录管理 |
5.5 本章小结 |
第六章 系统测试 |
6.1 测试环境说明 |
6.2 系统功能测试 |
6.2.1 家庭设备连接功能测试 |
6.2.2 本地文件系统测试 |
6.2.3 FTP账号分配测试 |
6.2.4 FTP文件服务测试 |
6.2.5 公共空间文件服务测试 |
6.3 非功能性测试 |
6.3.1 性能测试 |
6.3.2 兼容性测试 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 论文工作总结 |
7.2 问题与展望 |
致谢 |
参考文献 |
(5)物联网技术在老旧小区物业管理中的应用研究与评价 ——以滨河花园小区为例(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 研究述评 |
1.3 研究内容和方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.4 技术路线 |
第2章 住宅小区物联网技术应用理论概述 |
2.1 物业管理概述 |
2.1.1 物业管理概念 |
2.1.2 物业管理服务体系 |
2.1.3 现代物业管理创新的趋势 |
2.2 物联网技术概述 |
2.2.1 物联网概念 |
2.2.2 物联网技术 |
2.3 物联网技术在住宅小区应用概述 |
2.3.1 智慧小区与物联网技术应用 |
2.3.2 物联网技术住宅小区应用的优势 |
2.3.3 物联网技术落地应用 |
2.4 AHP一模糊评价模型 |
2.5 小结 |
第3章 住宅小区物联网技术应用评价模型构建 |
3.1 评价原则 |
3.1.1 科学性原则 |
3.1.2 实用性原则 |
3.1.3 综合性原则 |
3.2 评价指标 |
3.2.1 评价指标体系的筛选 |
3.2.2 评价指标体系的建立 |
3.3 评价模型构建 |
3.3.1 建立递阶层次结构模型 |
3.3.2 计算指标权重 |
3.4 小结 |
第4章 实证研究 |
4.1 滨河花园小区现状 |
4.1.1 小区概况 |
4.1.2 小区发展现状 |
4.2 物业管理服务体系现状 |
4.2.1 滨河花园小区物业服务 |
4.2.2 物业管理服务存在的问题 |
4.3 物联网技术在滨河花园小区中的具体应用 |
4.4 分层次多级模糊评价 |
4.4.1 评价集和评价数据的建立 |
4.4.2 综合评价值计算 |
4.4.3 评价结论 |
4.5 小结 |
第5章 滨河花园小区物联网技术应用的优化举措 |
5.1 应用系统的优化举措 |
5.1.1 物业管理系统的优化 |
5.1.2 视频监控系统的优化 |
5.1.3 电子巡更系统的优化 |
5.1.4 停车管理系统的优化 |
5.1.5 电子围栏系统的优化 |
5.2 应用技术的优化举措 |
5.2.1 完善技术方案增加产品选型 |
5.2.2 提升系统集成性和设备先进性程度 |
5.2.3 提高网络安全性的水平 |
5.3 应用管理的优化举措 |
5.3.1 做好顶层设计和标准制定 |
5.3.2 建设专业化人才梯队 |
5.4 小结 |
第6章 结论与展望 |
6.1 研究结论 |
6.2 研究不足和展望 |
参考文献 |
附录 滨河花园小区物联网技术应用调查问卷 |
致谢 |
(6)软件定义无线异构网络中的能效优化问题研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.1.1 无线通信发展中的能效问题 |
1.1.2 无线异构网络 |
1.1.3 软件定义网络 |
1.2 研究意义 |
1.3 本文主要研究内容及创新点 |
1.4 本文章节安排 |
第二章 软件定义无线异构网络架构分析 |
2.1 引言 |
2.2 软件定义网络介绍 |
2.2.1 软件定义网络 |
2.2.2 Mininet网络仿真环境介绍 |
2.2.3 OpenFlow协议分析 |
2.2.4 FlowVisor介绍 |
2.3 面向能源异构性的软件定义无线网络架构和能效问题分析 |
2.3.1 网络架构基本构成 |
2.3.2 架构优势及能效问题分析 |
2.4 面向业务异构性的虚拟边缘网络架构和能效问题分析 |
2.4.1 智能虚拟边缘网络架构 |
2.4.2 架构优势及能效问题分析 |
2.5 本章小结 |
第三章 能效优化的流表项管理策略 |
3.1 引言 |
3.2 相关工作概述 |
3.2.1 可再生能源在无线网络中的利用 |
3.2.2 软件定义无线网络的节能效益 |
3.3 无线绿色中继异构网络和能耗模型 |
3.3.1 能量模型 |
3.3.2 软件定义绿色无线中继网络中可再生能源的稳定性分析 |
3.4 基于能源稳定性的动态流表项更新策略 |
3.4.1 问题分析 |
3.4.2 单绿色中继小区中的动态流表项更新策略 |
3.4.3 多中继协作蜂窝小区中的动态流表项更新策略 |
3.4.4 数值仿真和分析 |
3.5 基于长期能效优化的流表管理策略 |
3.5.1 长期能效问题建模 |
3.5.2 面向长期能效优化的流管理策略 |
3.5.3 数值仿真和分析 |
3.6 本章总结 |
第四章 能效最优的Ant-Q缓存数据流分发策略 |
4.1 引言 |
4.2 相关工作概述 |
4.2.1 节能移动边缘网络缓存 |
4.2.2 人工智能算法在网络管理中的应用 |
4.2.3 Ant-Q算法研究分析 |
4.3 系统模型 |
4.3.1 场景分析 |
4.3.2 网络模型 |
4.3.3 能量模型 |
4.4 问题分析与公式描述 |
4.4.1 问题分析 |
4.4.2 增强学习模型 |
4.5 基于Ant-Q的动态缓存策略 |
4.5.1 Ant-Q Learning算法 |
4.5.2 面向能效的动态边缘缓存分发策略 |
4.6 数值仿真 |
4.6.1 缓存策略性能 |
4.6.2 算法比较 |
4.7 本章总结 |
第五章 能耗最低的边缘虚拟网络构建策略 |
5.1 引言 |
5.2 相关研究工作 |
5.3 移动网络虚拟化和虚拟网构建流程 |
5.3.1 移动网络虚拟化 |
5.3.2 面向资源优化的虚拟网络构建 |
5.4 移动虚拟网络系统模型 |
5.4.1 移动虚拟网络场景分析 |
5.4.2 虚拟资源模型 |
5.5 基于多商品流的虚拟网络构建 |
5.5.1 多商品流问题定义 |
5.5.2 虚拟网络构建问题分析 |
5.5.3 基于多商品流的虚拟网构建模型 |
5.5.4 多商品流问题求解 |
5.6 数值仿真和分析 |
5.6.1 仿真环境和参数设置 |
5.6.2 仿真结果和分析 |
5.7 本章总结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 下一步研究工作 |
参考文献 |
附录一 缩略语列表 |
致谢 |
攻读学位期间发表的学术论文目录 |
(7)蜂窝无线网络的覆盖容量自优化平台设计与性能优化(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.1.1 网络自组织 |
1.1.2 软件定义无线电 |
1.2 国内外研究现状 |
1.2.1 无线电环境地图构建 |
1.2.2 覆盖和容量联合优化 |
1.2.3 现有研究存在的问题 |
1.3 论文主要内容与结构安排 |
1.3.1 论文主要工作及创新点 |
1.3.2 论文结构安排 |
第二章 覆盖容量自优化关键技术 |
2.1 无线电环境地图构建方法 |
2.1.1 直接构建方法 |
2.1.2 间接构建方法 |
2.2 强化学习方法 |
第三章 基于用户测量的无线电环境地图构建 |
3.1 引言 |
3.2 信号传播模型 |
3.3 基于用户测量的无线电环境地图构建方法 |
3.3.1 不考虑阴影效应的区域聚类 |
3.3.2 考虑阴影效应的参数估计 |
3.3.3 覆盖和容量问题探测方法 |
3.4 性能评估 |
3.4.1 基于理论仿真的性能评估 |
3.4.2 基于平台采集数据的性能评估 |
3.5 本章小结 |
第四章 基于强化学习的覆盖和容量优化 |
4.1 引言 |
4.2 系统模型 |
4.3 基于强化学习的覆盖和容量优化方法 |
4.3.1 MDP建模 |
4.3.2 MDP分解 |
4.3.3 基于分布式Q学习的优化方法 |
4.3.4 基于半分布式Q学习的优化方法 |
4.4 性能仿真 |
4.5 本章小结 |
第五章 覆盖容量自优化平台设计与搭建 |
5.1 引言 |
5.2 OAI平台性能测试 |
5.3 蜂窝无线网络的覆盖容量自优化平台设计 |
5.3.1 平台架构 |
5.3.2 用户管理软件设计 |
5.3.3 基站管理软件设计 |
5.3.4 智能管理软件设计 |
5.3.5 数据库表结构设计 |
5.4 REM构建方法的数据采集和部署 |
5.4.1 实验场景和平台配置 |
5.4.2 数据采集和算法部署 |
5.5 本章小结 |
第六章 总结和展望 |
6.1 主要工作及创新点 |
6.2 未来研究展望 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
(8)小区安防系统设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究的背景和意义 |
1.2 智能小区简介 |
1.3 智能小区安防系统介绍 |
1.4 论文的主要研究内容及结构安排 |
第2章 系统涉及的关键技术 |
2.1 现场总线技术 |
2.1.1 现场总线控制系统的特点 |
2.1.2 常用的现场总线 |
2.2 LonWorks总线技术 |
2.3 停车场系统主要涉及的技术 |
2.4 本章小结 |
第3章 小区安防系统总体设计 |
3.1 需求分析 |
3.2 设计及实验所遵循的规范 |
3.3 设计原则 |
3.4 总体结构 |
3.4.1 监控系统 |
3.4.2 周界报警系统 |
3.4.3 门禁及可视对讲系统 |
3.4.4 电子巡更系统 |
3.5 某小区智能化系统应用 |
3.6 本章小结 |
第4章 停车场管理系统 |
4.1 系统的基本组成 |
4.1.1 停车场系统车辆出入流程 |
4.1.2 系统功能说明 |
4.2 系统的主要设备功能参数 |
4.3 系统软件设计 |
4.3.1 软件结构及功能 |
4.3.2 数据库设计与数据访问 |
4.3.3 串行通信 |
4.4 停车场管理系统在小区的应用 |
4.5 本章小结 |
第5章 总结和展望 |
5.1 论文总结 |
5.2 存在的问题及后期工作 |
致谢 |
参考文献 |
(9)智能协作调度与网络选择(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景 |
1.1.1 协作调度技术的研究背景 |
1.1.2 网络选择技术研究背景 |
1.2 国内外研究现状 |
1.2.1 协作调度技术研究现状 |
1.2.2 网络选择技术研究现状 |
1.3 内容与结构安排 |
第二章 基础理论 |
2.1 智能协作调度技术 |
2.1.1 CoMP系统概述 |
2.1.2 近邻传播算法 |
2.1.3 纳什议价博弈理论 |
2.2 智能网络选择技术 |
2.2.1 网络选择技术概述 |
2.2.2 深度森林 |
2.2.3 强化学习 |
2.3 本章小结 |
第三章 智能协作调度技术研究 |
3.1 引言 |
3.2 系统模型 |
3.2.1 CoMP系统增益 |
3.2.2 初步分析 |
3.2.3 基于CoMP系统的NBS模型 |
3.3 基于CoMP系统的智能传输调度方案 |
3.4 基于CoMP系统的功率分配问题 |
3.4.1 二用户多基站基于纳什议价博弈功率分配场景 |
3.4.2 多用户多基站基于纳什议价博弈功率分配场景 |
3.5 算法仿真 |
3.5.1 仿真场景 |
3.5.2 仿真参数 |
3.5.3 传输调度分簇结果 |
3.5.4 算法性能 |
3.6 本章小结 |
第四章 智能网络选择技术研究 |
4.1 引言 |
4.2 系统模型 |
4.3 基于人工智能算法解决网络选择问题框架 |
4.4 基于人工智能算法的链路质量评估 |
4.5 基于深度森林与强化学习的选网 |
4.6 算法仿真 |
4.6.1 仿真环境 |
4.6.2 算法性能分析 |
4.7 本章小结 |
第五章 结论 |
5.1 论文总结 |
5.2 创新点 |
5.2.1 智能调度部分 |
5.2.2 智能选网部分 |
5.3 工作展望 |
参考文献 |
致谢 |
作者简介 |
(10)边缘计算网络短视频缓存放置优化方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
§1.1 研究背景及意义 |
§1.1.1 研究背景 |
§1.1.2 研究意义 |
§1.2 国内外研究现状 |
§1.2.1 缓存技术研究现状 |
§1.2.2 边缘缓存放置策略 |
§1.2.3 发展态势 |
§1.3 本文主要工作 |
§1.4 论文组织及结构 |
第二章 相关知识 |
§2.1 边缘计算技术 |
§2.1.1 边缘计算的概念 |
§2.1.2 边缘计算的使能技术 |
§2.1.3 边缘计算的应用场景 |
§2.2 深度学习技术 |
§2.2.1 人工智能 |
§2.2.2 机器学习 |
§2.2.3 深度学习 |
§2.3 5G技术 |
§2.3.1 关键性能指标 |
§2.3.2 应用场景 |
§2.3.3 小小区网络 |
§2.4 本章小结 |
第三章 面向短视频的属性特征分析 |
§3.1 背景介绍 |
§3.2 抖音短视频的元数据分析 |
§3.3 抖音短视频的特征 |
§3.3.1 抖音短视频的长度 |
§3.3.2 抖音短视频的比特率 |
§3.3.3 抖音短视频的文件大小 |
§3.4 抖音短视频的流行度 |
§3.4.1 抖音短视频的流行度指标的分布 |
§3.4.2 抖音短视频的流行度指标之间的相关性 |
§3.5 针对抖音短视频进行边缘缓存的样例研究 |
§3.6 本章小结 |
第四章 基于深度强化学习和短视频内容的边缘缓存策略研究 |
§4.1 背景介绍 |
§4.2 系统模型 |
§4.3 短视频内容分块缓存的方案设计与实现 |
§4.3.1 问题描述 |
§4.3.2 优化目标 |
§4.3.3 求解最佳缓存块数的阈值 |
§4.4 基于深度强化学习的分块缓存内容放置策略 |
§4.4.1 深度强化学习机制的原理 |
§4.4.2 基于深度强化学习的算法设计 |
§4.5 仿真实验与性能分析 |
§4.5.1 仿真环境设置 |
§4.5.2 仿真结果分析 |
§4.6 本章小结 |
第五章 总结与展望 |
§5.1 全文工作总结 |
§5.2 未来工作展望 |
参考文献 |
致谢 |
作者在攻读硕士期间主要研究成果 |
四、智能小区的网络技术(论文参考文献)
- [1]LTE-R网络智能故障诊断与预测方法研究[D]. 渠涧涛. 北京交通大学, 2021(02)
- [2]5G网络中多维资源联合管理技术研究[D]. 郭凤仙. 北京邮电大学, 2021(01)
- [3]智能反射表面增强的多用户通信系统的优化设计[D]. 曹智禹. 电子科技大学, 2021(01)
- [4]基于移动终端的小区虚拟化FTP服务系统设计与实现[D]. 刘燃. 电子科技大学, 2021(01)
- [5]物联网技术在老旧小区物业管理中的应用研究与评价 ——以滨河花园小区为例[D]. 黄彩建. 扬州大学, 2020(04)
- [6]软件定义无线异构网络中的能效优化问题研究[D]. 李莉. 北京邮电大学, 2020
- [7]蜂窝无线网络的覆盖容量自优化平台设计与性能优化[D]. 童诚校. 北京邮电大学, 2020(04)
- [8]小区安防系统设计与实现[D]. 曾印. 南昌大学, 2020(01)
- [9]智能协作调度与网络选择[D]. 李丽颖. 西安电子科技大学, 2020(05)
- [10]边缘计算网络短视频缓存放置优化方法研究[D]. 陈壮. 桂林电子科技大学, 2020(02)