【摘 要】
：
在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything,C-V2X)场景下,基站作为多接入边缘计算(Multi-access Edge Computing,MEC)边缘缓存节点可提高用
【机 构】
：
福建师范大学光电与信息工程学院,福州 350007
论文部分内容阅读
在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything,C-V2X)场景下,基站作为多接入边缘计算(Multi-access Edge Computing,MEC)边缘缓存节点可提高用户获取数据的效率,但其缓存容量有限.因此,C-V2X中如何准确预测缓存请求内容成为待解决的重要问题.本文从文件请求的时变性出发,针对实际的城市场景,采用Simulation of Urban MObility(SUMO)对交通流进行建模;其次,通过采集实际网站分时分类的点击量数据,并根据各路段交通流规律进行预处理,构建用户请求模型;最后,利用Long Short-Term Memory(LSTM)深度学习模型进行训练,预测各基站的文件请求.仿真结果表明,在网易新闻流行度分布和请求间隔分布形成的文件请求下,vanillaLSTM模型对娱乐类型数据集预测时的均方根误差在1.3左右.
其他文献
为了对疫情期间口罩的用户评论数据进行情感关注分析,本文用谷歌浏览器的插件Web Scraper爬取了2020年3月1日到4月11日中淘宝网的口罩的共计143330条用户购买评论数据.为了提
深度学习技术在不同领域有着广泛的应用,然而一个训练好的深度学习模型很容易受到干扰而得出错误的结果,从而引发严重的安全问题.为了检验深度学习模型的抗干扰性,提高模型的安全性和鲁棒性,有必要使用对抗样本进行对抗评估和对抗训练.有目标的黑盒对抗样本的生成方法具有较好的实用性,是该领域的研究热点之一.有目标的黑盒对抗样本生成的难点在于,如何在保证攻击成功率的前提下提高对抗样本的生成效率.为了解决这一难点,
目前,大部分的车辆结构化信息需要通过多个步骤进行提取,存在模型训练繁琐、各步骤模型训练数据有限和过程误差累加等问题.为此,采用多任务学习将车辆结构化信息提取整合在统一的神经网络之中,通过共享特征提取结构,减少过程误差累加,并构建了一个多任务损失函数用于端到端训练神经网络;针对训练样本有限的问题,提出了新的数据整合和增广方法.在KITTI数据集上实验结果表明, VSENet可以达到93.82%的mA
为了提高高速列车的受流能力,降低离网率,本文以线性二次型最优控制为基础设计了受电弓的主动控制器.针对线性二次型最优控制中权矩阵Q和R的取值问题,采用遗传算法进行优化,