基于深度学习重构协方差矩阵的互质阵波达方向估计方法

    公开(公告)号:CN114879137A

    公开(公告)日:2022-08-09

    申请号:CN202210661582.2

    申请日:2022-06-10

    摘要: 本发明公开了一种基于深度学习重构协方差矩阵的互质阵波达方向估计方法。本发明方法步骤为:互质阵列布阵;互质阵列输出建模;深度学习标签的协方差矩阵建模;生成深度学习网络训练数据集;设计深度学习网络架构及构建半正定协方差矩阵;设置损失函数并训练深度学习网络;利用深度学习网络重构半正定协方差矩阵,并估计信号源数;利用重构的半正定协方差矩阵估计信号波达方向。使用本发明方法充分利用了深度学习强大的拟合能力,通过深度学习网络模型的输出直接重构均匀线阵的协方差矩阵,等效实现了虚拟阵列孔洞的插值问题。对应的波达方向估计性能相对于传统信号处理方法得到提升,估计的均方根误差更加接近克拉美罗理论下限。

    基于动态电压调节技术的雾计算任务卸载方法

    公开(公告)号:CN112769910B

    公开(公告)日:2022-07-19

    申请号:CN202011596274.3

    申请日:2020-12-29

    IPC分类号: H04L67/00 H04L47/70 H04L41/14

    摘要: 本发明属于云雾计算技术领域,具体涉及基于动态电压调节技术的雾计算任务卸载方法。包括如下步骤:S1,获取整个雾网络的信息;S2,建立执行终端任务所需要的能耗和时延模型;S3,根据步骤S2中得到的能耗和时延模型,建立使整个雾网络能耗最小的优化模型;S4,通过数学计算推导,求解步骤S3中的优化模型,得到最优的本地计算速率以及满足时延约束的最小整体能耗;S5,选择雾网络中使得整体能耗最小的雾节点作为终端节点的卸载雾节点,并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。本发明具有能够有效降低雾网络整体能耗且终端节点计算速率可调的特点。

    基于遗传算法的Fog-RAN网络缓存放置问题的决策方法

    公开(公告)号:CN112738263B

    公开(公告)日:2022-06-14

    申请号:CN202011632374.7

    申请日:2020-12-31

    IPC分类号: H04L67/568 G06N3/12

    摘要: 本发明公开了一种基于遗传算法的Fog‑RAN网络缓存放置问题的决策方法。本发明首先随机生成若干个不同的全体雾节点的缓存决策,然后采用二进制编码对这些缓存决策进行编码得到初始种群,然后计算初始种群中各个个体的适应度值,采用锦标赛方法对个体进行选择得到后代种群,将后代种群中的个体随机两两配对组成一对对父代个体,并按对依此进行交叉得到后代个体,然后对后代个体进行变异。重复选择、交叉、变异操作若干次,直到新种群的个体适应度的最佳值收敛,然后将个体适应度最佳值对应的个体进行解码。本发明实现对雾节点内容缓存的有效决策、更新,可以降低系统平均访问时延。

    一种Fog-RAN网络缓存放置问题的建模和决策方法

    公开(公告)号:CN112822726B

    公开(公告)日:2022-06-10

    申请号:CN202011632389.3

    申请日:2020-12-31

    摘要: 本发明公开了一种Fog‑RAN网络缓存放置问题的建模和决策方法。本发明首先对Fog‑RAN网络的缓存内容放置问题进行建模,其次采用基于广度优先的分布式决策方法缓存内容放置进行决策;首先找到Fog‑RAN网络的雾节点连通子图,然后从每个子图最小编号的雾节点出发,采用受拟阵约束的单调子模优化方法解决它的缓存放置问题,再然后根据广度优先策略找到与其协作的协作雾节点,解决它们的缓存放置问题,一直往下寻找,直到将Fog‑RAN网络中所有的雾节点的缓存内容放置都完成决策。本发明增加了一个协作关系矩阵用于表示雾节点之间的协作关系,并提出了一种新的计算下载时延的目标函数。实现了对雾节点的内容缓存放置的有效决策,可以降低用户的平均下载时延。

    一种融合单锚点测距和行人航迹推算的室内定位方法

    公开(公告)号:CN112729282B

    公开(公告)日:2022-03-25

    申请号:CN202011520238.9

    申请日:2020-12-21

    IPC分类号: G01C21/16

    摘要: 本发明公开一种融合单锚点测距和行人航迹推算的室内定位方法,S1、设置一锚点;S2、测量行人起始点与锚点距离,初始化行人起始点位置坐标;S3、利用PDR算法估计行人每一步的步长、航向均值;S4、检测行人是否有转向动作,若检测到转向动作,执行步骤S5,否则继续执行步骤S3;S5、测量转向点与锚点的距离,并由PDR算法根据上一转向点坐标得到第i个转向点的坐标;S6、若i 2,执行步骤S8;S7、根据最小二乘算法计算行人起始点坐标,利用PDR算法推算接下来两个转向点的坐标,并返回步骤S3;S8、根据梯度下降算法优化行人在第i个转向点的坐标。本发明用一个锚节点结合PDR与测距定位方法,实现精确定位。

    一种基于方向梯度统计特征的快速帧内预测模式决策方法

    公开(公告)号:CN112770115A

    公开(公告)日:2021-05-07

    申请号:CN202011561933.X

    申请日:2020-12-25

    摘要: 本发明公开一种基于方向梯度统计特征的快速帧内预测模式决策方法,包括步骤:S1、在离线阶段,从N个类型的视频序列中提取训练实例,以组成训练数据集;S2、在离线阶段,利用训练数据集提取编码块CU的特征向量X={SOG,xQstep}和对应的类别标签y,计算局部区域的梯度方向并进行统计,以此作为该局部区域的特征,并将训练数据集划分成训练集、验证集、测试集;S3、在离线阶段,训练各不同大小编码块CU的SVM离线模型;S4、在在线阶段,提取当前待编码块CU的特征向量,并将其输入到步骤S3训练好的对应的SVM模型中,并通过SVM模型预测待编码块CU是否选择Planar模式。本发明在保证视频质量基本不变的前提下,有效地降低了VVC帧内编码时间和复杂度。

    基于动态电压调节技术的雾计算任务卸载方法

    公开(公告)号:CN112769910A

    公开(公告)日:2021-05-07

    申请号:CN202011596274.3

    申请日:2020-12-29

    摘要: 本发明属于云雾计算技术领域,具体涉及基于动态电压调节技术的雾计算任务卸载方法。包括如下步骤:S1,获取整个雾网络的信息;S2,建立执行终端任务所需要的能耗和时延模型;S3,根据步骤S2中得到的能耗和时延模型,建立使整个雾网络能耗最小的优化模型;S4,通过数学计算推导,求解步骤S3中的优化模型,得到最优的本地计算速率以及满足时延约束的最小整体能耗;S5,选择雾网络中使得整体能耗最小的雾节点作为终端节点的卸载雾节点,并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。本发明具有能够有效降低雾网络整体能耗且终端节点计算速率可调的特点。

    一种多类型树结构块划分模式抉择提前终止方法

    公开(公告)号:CN112714314A

    公开(公告)日:2021-04-27

    申请号:CN202011586141.8

    申请日:2020-12-28

    摘要: 本发明公开一种多类型树结构块划分模式抉择提前终止方法,包括步骤:S1、通过图像组中第一帧作为关键帧以获得最佳决策阈值;S2、初始化当前CU的所有可选划分模式;S3、从所有可选划分模式S中挑选第i个模式作为当前CU的划分模式;S4、根据所选模式为水平划分或竖直划分进行相应的判断以进行快速分区决策;S5、根据所选模式为二叉树划分还是三叉树划分进行相应的判断以进行快速分区决策。本发明通过图像组的第一帧进行阈值控制,使得阈值更加适合当前图像帧,利用图像的空域纹理信息,避免了不必要的划分模式预测,可以在保证编码效果的前提下有效降低编码算法的计算复杂度,大大节省了编码时间而编码的性能损失却可忽略不计。

    一种基于各向异性和字典学习的SAR图像降斑方法

    公开(公告)号:CN112712480A

    公开(公告)日:2021-04-27

    申请号:CN202011635056.6

    申请日:2020-12-31

    IPC分类号: G06T5/00 G06T5/20 G06K9/62

    摘要: 本发明公开了一种基于各向异性和字典学习的SAR图像降斑方法,通过各向异性扩散滤波对图像进行滤波,该种处理方式可以将弱散射区中的相干斑噪声减弱,将有用信息和和噪声进行初步划分,再计算图像在东南西北四个方向的梯度,通过扩散系数和设定阈值来得到二值图,之后运用形态学获得连通区域并去除小面积区域,然后对范围内的图像进行各项异性扩散滤波,最后通过优先级的字典学习算法进行深度去噪。

    一种同质混合固态硬盘的分区比例自适应调整方法

    公开(公告)号:CN112506445A

    公开(公告)日:2021-03-16

    申请号:CN202011593071.9

    申请日:2020-12-29

    IPC分类号: G06F3/06

    摘要: 本发明公开了一种同质混合固态硬盘的分区比例自适应调整方法,包括以下步骤:S1,根据SSD中存储的实际数据量N和SSD的实际物理空间Stotal,计算出SSD的空间利用率ρ;S2,统计热数据占总数据量的比例θ,计算出SLC分区比例占实际物理空间的比例β的可调整范围;S3,根据负载访问特性,统计热数据的写次数占总写次数的比例γ,计算出最佳的SLC分区比例;S4,数据写入时,热数据写入到SLC分区,冷数据写入到TLC分区;S5,在SLC区需要新的闪存块时,若当前SLC分区比例β β*,则从SLC分区的取出空闲块,将其配置为TLC模式。该方法能够降低闪存的分区空间利用率,提升固态硬盘的性能。