【摘 要】
：
云接入网(Cloud Radio Access Network,C-RAN)中有限带宽的前程链路无法有效应对高铁场景下乘客大量集中式的网络资源请求.针对这一不足,本文对C-RAN架构中的射频拉远头(Remo
【机 构】
：
北京交通大学电子信息工程学院,山东交通学院轨道交通学院,北京邮电大学网络与交换技术国家重点实验室
【基金项目】
：
国家重点研发计划(No.2018YFE0205501),中央高校基本科研业务费(No.2018JBZ102),北京市科技新星计划交叉学科合作课题(No.Z191100001119016)
论文部分内容阅读
云接入网(Cloud Radio Access Network,C-RAN)中有限带宽的前程链路无法有效应对高铁场景下乘客大量集中式的网络资源请求.针对这一不足,本文对C-RAN架构中的射频拉远头(Remote Radio Head,RRH)配置缓存设备使其具有存储转发资源的功能,利用列车运行信息可预知的先验条件,针对乘客数据通信提出基于缓存机制的预下载方案以提升网络系统的吞吐量.仿真结果表明,在前程链路拥挤情况下,基于缓存的预下载方案可明显提升资源的平均传输速率和高铁通信网络的吞吐量,进而提升了乘客的在
其他文献
生成适应模型利用生成对抗网络实现模型结构,并在领域适应学习上取得了突破.但其部分网络结构缺少信息交互,且仅使用对抗学习不足以完全减小域间距离,从而使分类精度受到影响
基于金字塔卷积神经网络的语义分割算法准确率很高,但是其计算资源消耗巨大、算法执行时间长、无法满足实时性要求.为了解决这个问题,本文做出了以下改进:(1)用MobileNet替换原网络的结构,减少了网络运算时间和内存开销;(2)引入编码器-解码器结构提高输出图像的分辨率,进一步细化分割结果;(3)针对高分辨率图像推断时间过长的问题,本文设计了多级图像输入方法,降低了网络推断高分辨率图像所消耗的时间.
对于雷达高分辨距离像的识别问题,传统深层网络通常忽略了HRRP自身的目标特性,不利于学习有效的分类特征,导致其识别性能受到限制.针对这一问题,本文提出了一种基于稳健变分