导读:本文包含了密集网络论文开题报告文献综述及选题提纲参考文献，主要关键词:图像超分辨率,低分辨率,高分辨率,深度学习
密集网络论文文献综述
谢雪晴[1]（2019）在《基于残差密集网络的单幅图像超分辨率重建》一文中研究指出随着数码相机、手机等电子设备的普及,每天都会产生大量的图像,但通常这些图像的分辨率比较低。针对单幅图像超分辨率(Single Image Super-Resolution,SISR)方法性能较低的问题,提出一种基于残差密集网络的单幅图像超分辨率重建方法。将浅层的卷积特征输入到残差密集块,获得全局和局部的特征;对图像进行超分辨率重建,得到清晰的高分辨率图像。为了验证该方法的有效性,在四个公共的数据集Set5、Set14、B100和Urban10上进行了定性和定量的实验。实验结果表明,该方法能够更好地恢复出高分辨率的图像。(本文来源于《计算机应用与软件》期刊2019年10期）
吴宣利,谢子怡,吴玮[2]（2019）在《室内超密集网络中基于干扰图的自适应干扰协调方法》一文中研究指出针对超密集网络的室内场景,提出了一种基于干扰图的自适应干扰协调方法。该方法以最大化系统吞吐量为目标,首先将系统中的干扰关系建模为干扰图,并利用迭代着色算法确定各小小区基站的可用资源;然后,由小小区基站采用优化吞吐量的资源分配算法将资源分配给各用户。所提方法能够根据网络拓扑结构及信道条件自适应地选择资源分配策略,从而降低系统内干扰。仿真结果表明,相比于现有方法,所提方法通过较小的额外信令开销,在明显提升吞吐量性能的同时有效地降低了系统中断概率。(本文来源于《通信学报》期刊2019年09期）
刘霞[3]（2019）在《Wi-Fi 6标准正式发布 密集网络环境显优势》一文中研究指出科技日报北京9月18日电（刘霞）千呼万唤始出来!据美国“极限技术”网站报道，Wi-Fi 6标准于16日正式发布，无线保真网络联盟（Wi-Fi联盟）目前正向具备合格硬件的制造商发放Wi-Fi 6认证。在不久的将来，将会有不少支持Wi-Fi 6的设备前赴(本文来源于《科技日报》期刊2019-09-20）
董伟[4]（2019）在《超密集网络脚本病毒信息主动预警仿真研究》一文中研究指出研究一种有效的脚本病毒信息主动预警方法,能够降低病毒信息预警的漏报率,提高预警的准确率,增强超密集网络安全性。为了防止脚本病毒信息入侵超密集网络,提出了基于自适应阈值的脚本病毒主动预警方法,通过构建脚本病毒信息入侵信号模型,利用小波变换方法对脚本病毒信号进行线性变换,得到去噪后的脚本病毒信号。利用传统的残差比异常检测方法对超密集网络信息数据的观测值进行检测,获取决策函数,利用更新机制迭加前一时段的信息,计算标准差设置置信度区间,利用决策函数对脚本病毒信息进行预警,实现了超密集网络脚本病毒信息主动预警。仿真结果表明,所提方法能够在保证预警检测率和准确率的基础上降低误警率,提高了对网络脚本病毒的准确预警能力。(本文来源于《计算机仿真》期刊2019年09期）
张达志[5]（2019）在《5G超密集网络能效问题的有效研究》一文中研究指出在社会经济高速发展的社会环境下,人们对通信能效的要求越来越高。本文共分为四个部分:前叁个部分对5G网络、超密集网络及基站休眠的算法类别进行介绍;第四部分针对5G超密集网络在运行时容易出现的能效问题进行分析,旨在为同行业相关人士提供参考建议。(本文来源于《中国管理信息化》期刊2019年17期）
魏祥坡,余旭初,谭熊,刘冰[6]（2019）在《利用残差密集网络的高光谱图像分类》一文中研究指出卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征。为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于高光谱图像分类的残差密集网络模型。残差密集网络结合了残差网络和密集网络,包括浅层特征提取、残差密集单元和密集特征融合叁部分。利用卷积操作提取原始图像的浅层特征,将浅层特征作为残差密集单元的输入,残差密集单元的输出与下一个单元中每个卷积层的输出建立短连接,实现了信息连续传递;将两个单元提取的密集特征与浅层特征相加形成全局残差学习,实现了所有分层特征的融合,最终的融合特征用于高光谱图像分类。实验表明,本文方法用于Indian Pines数据、University of Pavia数据及Salinas数据能够分别取得98.71%、99.31%及97.91%的分类精度,有效提高了高光谱图像的分类精度,增强了分类方法的稳定性。(本文来源于《激光与光电子学进展》期刊2019年15期）
孙霞,周朋光[7]（2019）在《5G超密集网络环境下功率控制方案研究》一文中研究指出超密集网络(Ultra Dense Network,UDN)是一种通过密集化地部署各种低功率小基站来提升系统容量的技术,因可以解决小区覆盖盲区、实现用户无缝连接、缓解宏基站压力以及配置灵活等优点被列为未来5G通信系统的关键技术之一。在密集基站的网络部署下,基站与终端的路径损耗有所降低,在增大有益信号的同时也提升了干扰信号,影响通信系统的性能和用户终端的服务质量。为提升用户的服务质量和降低系统损耗,提出了一种跨层功率最大化方案,选取发射功率最强的小基站作为服务基站。提出一种协作功率最大化控制方案,选取2个小基站为用户提供协作式数据传输服务。仿真结果表明,2种方案均能提升用户的服务质量,后者在能效等指标上要优于前者。(本文来源于《无线电工程》期刊2019年08期）
马忠贵,宋佳倩[8]（2019）在《5G超密集网络的能量效率研究综述》一文中研究指出首先从绿色通信入手,对网络能量效率的国内外研究现状进行了分析.在此基础上,对超密集网络的关键性能指标,即能量效率的各种定义进行了梳理,为建模奠定了基础.其次,讨论了网络能量效率建模和优化过程中经常使用的4种理论模型:随机几何、博弈论、最优化理论和分数阶规划.并综述了能效提升的技术,包括高能效部署与规划、高能效基站休眠、高能效用户关联、高能效资源管理、高能效传输方式.最后,指出未来的可能的技术挑战:网络能效理论与超密集网络体系架构、超密集小基站高能效覆盖机理、超密集网络的柔性资源匹配机理、移动用户群体行为建模与高能效服务方法.通过研究超密集网络高能效覆盖机理和柔性资源匹配机理,为未来无线通信网络建模和分析提供设计依据与技术支撑.(本文来源于《工程科学学报》期刊2019年08期）
冀保峰,王一丹,邢冰冰,李玉琦,高宏峰[9]（2019）在《基于分层多跳物理层网络编码的超密集网络吞吐量增强方法》一文中研究指出超密集网络通过小小区的密集部署提升了空间的复用增益,成为解决未来5 G数据流量1 000倍及用户体验速率10～100倍提升的有效方案。然而,小小区密集部署带来的干扰问题以及小基站的较小覆盖范围导致的信号衰落,会减小网络容量并降低用户体验。为了同时考虑未来5 G超密集组网"覆盖"和"容量"的问题,提出了基于分层多跳物理层网络编码的吞吐量增强方法。该方法利用超密集网络多节点的异构分层特征,结合多跳物理层网络编码的高频谱效率特性,在无需源节点和终端节点直达链路的情况下,有效提升了超密集网络的吞吐量,节省了源到终端节点的时隙开销,且降低了系统的干扰。最后,通过仿真验证了所提方案的有效性和正确性,相比传统方案有效提升了系统性能。(本文来源于《计算机科学》期刊2019年07期）
刘梦婷[10]（2019）在《超密集网络中基于随机几何理论的性能分析和资源分配研究》一文中研究指出为了实现未来5G网络超高速、超高容量、超低时延和高能效的愿景,增加接入点(Access Point,AP)的类型和数量被普遍认为是最有效的方法之一。因此,未来通信网络将呈现出密集化和异构化的趋势,逐渐演变成超密集网络(Ultra Dense Network,UDN)。与传统通信网络相比,超密集网络中的接入点数目骤增,发送端和接收端的距离大大缩短,小区边缘的概念逐渐弱化,网络服务模式从“以基站为中心”到“以用户为中心”转变,实现了系统容量等网络性能的大幅度提升。鉴于超密集网络的新特点,传统通信网络的理论分析及资源分配方法已不再适用。一方面,传统的理论性能分析方法对于节点空间分布的建模主要采用确定性模型,并且性能分析过程依赖于蒙特卡罗仿真或者过于理想化的假设,但是面对超密集网络中节点分布的异构性、随机性和密集性,传统的建模方法过于理想化,因此亟需新型的建模方法来描述超密集网络拓扑的随机性,从而进行准确的性能分析。另一方面,在超密集网络中,由于用户和接入节点的数量骤增,信道状态信息(Channel State Information,CSI)等信息膨胀,同时,除却传统的空、时、频无线资源,计算、缓存等多维度的网络资源卷入,使得资源分配问题的维度、复杂度和反馈量大大增加,传统的基于逐点测量、逐点反馈的资源分配方法已无法满足需求。针对超密集网络中性能分析和资源分配的难点问题,本论文采用随机几何理论、随机过程、概率论等数学方法,分析超密集网络中不同场景的网络性能,为超密集网络构建新的性能评估体系,并设计低复杂度、低开销的资源分配方案,为推动超密集网络的演进、部署和实施进行前沿探索。本论文的主要研究成果和贡献如下:1、静态场景下基于随机几何理论的网络性能分析针对采用小区范围扩张技术的蜂窝异构网络,从小区的角度,推导单个小区面积加权的平均负载量,单个用户的平均遍历速率,面积加权的频谱效率和能量效率;从网络层的角度,推导平均每层的频谱效率和能量效率;从整个网络的角度,推导网络的频谱效率和能量效率,并研究不同偏置值对两者之间折中关系的影响。此外,针对采用多点协作(Coordinated Multipoint,CoMP)技术的超密集网络,提出了新的性能指标包括成功服务概率和有效遍历容量等,比较网络在分别采用联合传输(Joint Transmission,JT)和协同调度/波束赋形(Coordinated Scheduling/Coordinated Beamforming,CS/CB)这两种不同多点协作技术时用户、小区以及全网络的性能。以上两个方面的研究均通过对比理论推导结果与仿真结果进行验证。相关静态场景的性能分析研究成果为蜂窝异构网络在采用小区范围扩张技术时偏置值的设置,多点协作传输网络对于不同多点协作方案的选择和协作簇大小的设置等提供了理论指导。2、移动场景下基于随机几何理论的网络性能分析第一,在移动通信网络中,针对五种基本切换准则,利用随机几何理论分析用户在移动过程中与基站的相对位置关系,推导出采用不同切换准则时簇切换概率的理论表达式,研究不同切换策略对用户切换性能的影响。第二,考虑过时CSI对用户切换性能的影响,提出两个新的指标一误切概率(False Handover Probability)和漏切概率(Miss Handover Probability),用以衡量由过时CSI造成的切换失败概率。第叁,针对采用多点协作技术的超密集网络,考虑用户移动性的影响,研究过时和准确的CSI之间的关系,利用随机几何理论推导网络覆盖率,探索过时CSI对移动通信网络性能的影响。以上叁个方面的研究也均通过对比理论推导结果与仿真结果进行验证。超密集网络中移动场景的相关性能分析(如切换概率、切换失败率、网络覆盖率等)为多点协作网络中不同切换策略的选择,用户移动性对切换失败概率的影响,以及基站密度的部署和协作簇大小的设置等问题提供了一种新的研究思路和方法。3、基于随机几何理论的资源分配算法研究针对超密集网络中资源分配的高维度、高复杂度、高反馈量问题,提出了两种资源分配方案——基于随机几何理论的分级功率分配方案以及计算任务卸载和内容缓存方案。针对超密集网络的上行链路场景,考虑一个离散功率集合,则可以根据发射功率将干扰用户分为多组,然后利用随机几何理论方法推导相关性能参数,并利用得到的性能参数设计基于交替遗传算法的功率分配方案。针对具有计算密集型业务的超密集网络场景,用户可以选择将计算任务卸载到附近的基站或一组D2D(Device to Device)用户,并决定是否缓存计算结果。然后将如何设计最佳计算卸载和缓存策略以最大化卸载和缓存的净收益表示成一个优化问题,最后设计基于ADMM(Alternating Direction Method of Multipliers)的分布式算法求解该问题。仿真结果表明借助随机几何理论,这两种方案在进行资源分配时只需要获得部分CSI(每个用户的有用信号信息),能够在保证相关用户性能的条件下有效地降低资源分配算法的计算复杂度和信令开销。相关研究成果有效地解决了传统无线资源管理和控制的复杂度高、反馈开销大等问题,为超密集网络中无线和网络资源分配的工程实践提供重要的理论基础。(本文来源于《北京邮电大学》期刊2019-06-04）
密集网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对超密集网络的室内场景,提出了一种基于干扰图的自适应干扰协调方法。该方法以最大化系统吞吐量为目标,首先将系统中的干扰关系建模为干扰图,并利用迭代着色算法确定各小小区基站的可用资源;然后,由小小区基站采用优化吞吐量的资源分配算法将资源分配给各用户。所提方法能够根据网络拓扑结构及信道条件自适应地选择资源分配策略,从而降低系统内干扰。仿真结果表明,相比于现有方法,所提方法通过较小的额外信令开销,在明显提升吞吐量性能的同时有效地降低了系统中断概率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
密集网络论文参考文献
[1].谢雪晴.基于残差密集网络的单幅图像超分辨率重建[J].计算机应用与软件.2019
[2].吴宣利,谢子怡,吴玮.室内超密集网络中基于干扰图的自适应干扰协调方法[J].通信学报.2019
[3].刘霞.Wi-Fi6标准正式发布密集网络环境显优势[N].科技日报.2019
[4].董伟.超密集网络脚本病毒信息主动预警仿真研究[J].计算机仿真.2019
[5].张达志.5G超密集网络能效问题的有效研究[J].中国管理信息化.2019
[6].魏祥坡,余旭初,谭熊,刘冰.利用残差密集网络的高光谱图像分类[J].激光与光电子学进展.2019
[7].孙霞,周朋光.5G超密集网络环境下功率控制方案研究[J].无线电工程.2019
[8].马忠贵,宋佳倩.5G超密集网络的能量效率研究综述[J].工程科学学报.2019
[9].冀保峰,王一丹,邢冰冰,李玉琦,高宏峰.基于分层多跳物理层网络编码的超密集网络吞吐量增强方法[J].计算机科学.2019
[10].刘梦婷.超密集网络中基于随机几何理论的性能分析和资源分配研究[D].北京邮电大学.2019