车联网(Vehicle to Everything,V2X)通信被认为是未来无线通信网络最重要的应用之一。然而,车辆在高速移动时引起的高多普勒频移会严重恶化V2X通信链路的性能。正交时频空(Orthogonal Time Frequency Space,OTFS)调制技术可以将时间和...车联网(Vehicle to Everything,V2X)通信被认为是未来无线通信网络最重要的应用之一。然而,车辆在高速移动时引起的高多普勒频移会严重恶化V2X通信链路的性能。正交时频空(Orthogonal Time Frequency Space,OTFS)调制技术可以将时间和频率选择性信道转换为时延-多普勒(Delay-Doppler,DD)域的非选择性信道,从而显著提高无线通信系统在高移动性场景下的性能,在V2X通信中具有重要的应用价值。但OTFS调制技术极大地增加了系统接收端的复杂度,研究低复杂度信号检测算法成为了新一代无线通信系统采用OTFS调制的关键问题之一。为此,综述了面向车联网V2X通信的OTFS信号检测算法。首先介绍了OTFS系统模型,然后概述了现有的低复杂度OTFS信号检测算法,并将其分为线性检测算法、消息传递(Message Passing,MP)检测算法及其改进算法、基于神经网络的检测算法3类,最后探讨了V2X通信中OTFS信号检测目前所面临的技术挑战与未来的发展趋势。展开更多
传统的基于纠错码的数据恢复算法既提高了数据存储的可靠性,又增加了数据恢复的计算时间。为了解决这个问题,首先对整个样本数据采用粗糙集进行约简,然后基于网格服务思想,提出基于网格服务的电力海量数据分布式恢复算法DR-GSPMD(Distri...传统的基于纠错码的数据恢复算法既提高了数据存储的可靠性,又增加了数据恢复的计算时间。为了解决这个问题,首先对整个样本数据采用粗糙集进行约简,然后基于网格服务思想,提出基于网格服务的电力海量数据分布式恢复算法DR-GSPMD(Distributed Recovery based on Grid Service for Power Mass Data)。仿真实验表明针对所有测试数据集,随着校验码个数的增加,整个系统的最大容错率和数据恢复时间也随着增加。同时针对约简后的数据集随着计算节点数的增加,算法降低了计算复杂度,加快了范德蒙矩阵运算的速度,减少了整个数据恢复的时间。展开更多
随着电网系统的不断完善及用户数的不断增加,智能电网系统中存储的客户信息逐渐形成客户大数据,从这些数据中可以分析得到用户用电行为等一些潜在信息,因此如何从中挖掘出这些隐藏信息并利用此类信息来提升公司的效率成为本文研究重点...随着电网系统的不断完善及用户数的不断增加,智能电网系统中存储的客户信息逐渐形成客户大数据,从这些数据中可以分析得到用户用电行为等一些潜在信息,因此如何从中挖掘出这些隐藏信息并利用此类信息来提升公司的效率成为本文研究重点。提出一种联合基于密度的带噪空间聚类(density-based spatial clustering of application with noise,DBSCAN)算法与期望最大化(expectation maximization,EM)算法的高斯混合聚类算法,通过DBSCAN算法确定合适的k个聚类中心及迭代初始数据,再通过EM算法迭代出聚类结果。案例分析表明:和其他几种典型聚类算法相比,所提算法在分析大数据和挖掘电力客户用电行为信息方面更加快速和准确,可以更有效地对电力公司客户行为数据进行聚类分析。展开更多
文摘车联网(Vehicle to Everything,V2X)通信被认为是未来无线通信网络最重要的应用之一。然而,车辆在高速移动时引起的高多普勒频移会严重恶化V2X通信链路的性能。正交时频空(Orthogonal Time Frequency Space,OTFS)调制技术可以将时间和频率选择性信道转换为时延-多普勒(Delay-Doppler,DD)域的非选择性信道,从而显著提高无线通信系统在高移动性场景下的性能,在V2X通信中具有重要的应用价值。但OTFS调制技术极大地增加了系统接收端的复杂度,研究低复杂度信号检测算法成为了新一代无线通信系统采用OTFS调制的关键问题之一。为此,综述了面向车联网V2X通信的OTFS信号检测算法。首先介绍了OTFS系统模型,然后概述了现有的低复杂度OTFS信号检测算法,并将其分为线性检测算法、消息传递(Message Passing,MP)检测算法及其改进算法、基于神经网络的检测算法3类,最后探讨了V2X通信中OTFS信号检测目前所面临的技术挑战与未来的发展趋势。
文摘传统的基于纠错码的数据恢复算法既提高了数据存储的可靠性,又增加了数据恢复的计算时间。为了解决这个问题,首先对整个样本数据采用粗糙集进行约简,然后基于网格服务思想,提出基于网格服务的电力海量数据分布式恢复算法DR-GSPMD(Distributed Recovery based on Grid Service for Power Mass Data)。仿真实验表明针对所有测试数据集,随着校验码个数的增加,整个系统的最大容错率和数据恢复时间也随着增加。同时针对约简后的数据集随着计算节点数的增加,算法降低了计算复杂度,加快了范德蒙矩阵运算的速度,减少了整个数据恢复的时间。
文摘随着电网系统的不断完善及用户数的不断增加,智能电网系统中存储的客户信息逐渐形成客户大数据,从这些数据中可以分析得到用户用电行为等一些潜在信息,因此如何从中挖掘出这些隐藏信息并利用此类信息来提升公司的效率成为本文研究重点。提出一种联合基于密度的带噪空间聚类(density-based spatial clustering of application with noise,DBSCAN)算法与期望最大化(expectation maximization,EM)算法的高斯混合聚类算法,通过DBSCAN算法确定合适的k个聚类中心及迭代初始数据,再通过EM算法迭代出聚类结果。案例分析表明:和其他几种典型聚类算法相比,所提算法在分析大数据和挖掘电力客户用电行为信息方面更加快速和准确,可以更有效地对电力公司客户行为数据进行聚类分析。
