检索结果-南通市图书馆

计算机应用 2024年第3期44卷 855-862页

作者：郑毅廖存燚张天倩王骥刘守印华中师范大学物理科学与技术学院武汉430079

移动通信系统网络的规划、部署和优化都不同程度依赖于参考信号接收功率(RSRP)估计的准确性。传统上,基站覆盖小区内某信号接收点的RSRP可由对应的无线传播模型估计。在城市环境中,不同小区的无线传播模型需要使用大量RSRP实测数据校正... 详细信息

移动通信系统网络的规划、部署和优化都不同程度依赖于参考信号接收功率(RSRP)估计的准确性。传统上,基站覆盖小区内某信号接收点的RSRP可由对应的无线传播模型估计。在城市环境中,不同小区的无线传播模型需要使用大量RSRP实测数据校正。由于不同小区环境存在差异,经过校正后的模型只适用于对应小区,且小区内的RSRP估计精度低。针对上述问题,将RSRP估计问题转化为图去噪问题,并通过图像处理与深度学习技术得到小区级无线传播模型,不仅能实现小区整体的RSRP估计,且能适用于相似环境小区。首先,通过随机森林回归器逐点预测每个接收点的RSRP,得到整个小区的RSRP估计图;然后,将RSRP估计图和实测RSRP分布图之间的损失视为RSRP噪声图,提出基于条件生成对抗网络(CGAN)的图去噪RSRP估计方法,通过电子环境地图反映小区的环境信息,有效地降低不同小区的RSRP。实验结果表明,在无实测数据的跨小区RSRP预测场景下,所提方法预测RSRP的均方根误差(RMSE)为6.77 dBm,相较于基于卷积神经网络的RSRP估计方法EFsNet下降2.55 dBm;在同小区RSRP预测场景下,相较于EFsNet,模型参数量减小80.3%。

关键词：条件生成对抗网络机器学习参考信号接收功率无线传播模型图去噪

来源：

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

概念感知的短视频去噪推荐算法研究

概念感知的短视频去噪推荐算法研究

引用

作者：刘艺语武汉大学

学位级别：硕士

近年来,短视频分享平台如快手和抖音已经成为人们生活中的主要信息来源。这些平台通过提供快节奏的产品和服务,消耗用户的碎片化时间,采用所见即所得的实时性推荐赢得了用户的广泛青睐。一方面,短视频的生命周期极短,加上瀑布流式的实... 详细信息

近年来,短视频分享平台如快手和抖音已经成为人们生活中的主要信息来源。这些平台通过提供快节奏的产品和服务,消耗用户的碎片化时间,采用所见即所得的实时性推荐赢得了用户的广泛青睐。一方面,短视频的生命周期极短,加上瀑布流式的实时推荐模式导致用户交互数据流量激增,对推荐系统的处理效率形成了不小的挑战。另一方面,海量的训练数据中有夹杂的大量冗余信息,不仅消耗算力,还会削弱推荐模型的效果。针对这些挑战,本文提出了一种概念感知的去噪图神经网络(称为CONDE),构建了一个新型的短视频推荐框架。CONDE由一个三阶段的图卷积过程来推导出用户和短视频表示:节点预热,图去噪和用户偏好细化。为了对用户交互数据建模,本文从视频的标题和评论中提取概念,并将用户节点与视频节点、视频节点与相关概念节点连接,构建了一个异构的三部图。由于流式推荐场景下用户消费一个标的物所花时间较短,该图将不可避免地包括大量冗余和错误信息。为了解决图中的噪声信息,本文引入了一个面向用户的图去噪算法,在原始交互图上提取了一个能更好地反映用户偏好的子图。在子图上重新进行图卷积操作,筛选并细化用户的偏好,得到最终的推荐结果。此外,CONDE模型在去噪阶段利用Gumbel-Softmax重参数化技巧,解决了离散变量采样过程中网络参数不可微的问题,使得模型能以端到端的方式进行训练。尽管本文主要关注短视频推荐任务,但提出的CONDE模型具有普适性,可以推广到其他类型的任务中。因此,本文也对一个公开的大规模电子商务数据集进行了实证研究。实验结果表明,本文提出的CONDE具有更好的推荐性能。

关键词：短视频推荐图去噪图神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多通道的边学习图卷积网络

引用

电信科学 2022年第9期38卷 95-104页

作者：杨帅王瑞琴马辉湖州师范学院信息工程学院浙江湖州313000

通常图的边包含了图的重要信息,然而目前大多数用于图学习的深度学习模型(如图卷积网络(graph convolutional network,GCN)和图注意力网络(graph attention network,GAT))没有充分利用多维边特征的特性;另一个问题是图中可能存在噪声,... 详细信息

通常图的边包含了图的重要信息,然而目前大多数用于图学习的深度学习模型(如图卷积网络(graph convolutional network,GCN)和图注意力网络(graph attention network,GAT))没有充分利用多维边特征的特性;另一个问题是图中可能存在噪声,影响图学习的性能。使用多层感知机对图数据进行去噪优化处理,在GCN的基础上引入了多通道学习边特征的方法,对图的多维边属性进行编码,按原始图所包含的属性分别建模为多通道,每个通道对应一种边特征属性对图节点进行约束训练,可以让算法更合理地学习图中多维边特征,在Cora、Tox21、Freesolv等数据集上的实验证明了去噪方法与多通道方法的有效性。

关键词：图卷积网络边特征图去噪多通道边学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：