导读:本文包含了深度缓存论文开题报告文献综述及选题提纲参考文献，主要关键词:小基站网络,移动感知,预缓存,条件变分自动编码器
深度缓存论文文献综述
陈正勇,杨崇旭,姚振,杨坚[1]（2019）在《深度学习框架下的移动感知预缓存策略》一文中研究指出为了在移动流量需求不断增长的条件下提高用户体验,本文针对小基站网络提出了一种基于深度学习的移动感知预缓存策略.该策略采用条件变分自动编码器根据大量历史数据建立用户移动模型,然后预测用户将来可能经过的基站,并且在这些基站上预缓存用户正在下载的文件的一部分.本文定义了缓存效用用以评估缓存策略的性能.通过在真实GPS轨迹数据上的仿真实验,验证了所提出的缓存策略与典型对比策略相比能够为用户提供更高的平均下载速度,具有更大的缓存命中率,产生更大的缓存效用.(本文来源于《小型微型计算机系统》期刊2019年05期）
李露,冯毅,李一喆[2]（2018）在《基于深度学习的MEC缓存方案研究》一文中研究指出针对5G网络中,视频等媒体业务请求暴增,网络拥塞,现网视频内容分发响应延迟的问题,论文研究了人工智能技术在5G网络缓存决策中的应用,结合深度学习建立优化的移动边缘计算(Mobile Edge Computing,MEC)缓存方案,实现智能执行缓存内容的决策。基于深度学习的MEC缓存方案提出了一种双层体系结构,由缓存决策模块,本地和全局预测器模块组成。具体地,本地预测器模块(Local Predictor Module,LPM)以细粒度的时间尺度探索从本地基站收集用户请求的相关数据;全局预测器模块(global predictor module,GPM)利用深度学习方法,以粗粒度的时间尺度基于网络范围的信息来预测用户请求;缓存决策模块(Cache Decision Module,CDM)能够集成来自LPM和GPM的结果,并确定哪些内容应缓存在更靠近用户的本地缓存设备中。该方案增强了MEC缓存命中率,从而使得视频请求能够得到快速响应,提高用户体验质量(Quality of Experience,QoE)。(本文来源于《2018中国信息通信大会论文摘要集》期刊2018-12-14）
陶佳能,刘献忠[3]（2017）在《基于深度学习的视频缓存算法》一文中研究指出在视频深度学习环境下,要提高用户体验就必须在视频访问速度方面做文章。而对视频访问速度的快慢产生影响的主要因素有两个:服务器响应速度和网络传输效率,但服务器响应用户请求的速度更是重中之重。目前,在视频深度学习环境下,采用缓存技术是提升用户访问速度的一个有效手段,也被业界广泛关注,并进行了实际的应用探索。当前,主要的经典算法有LFU、LRU、LRf U、sc等,本文对他们进行了简单的介绍,着重就LFU、LRU算法作了重点的分析研究,并通过某运营商提供的实际运行数据与在视频深度学习环境下获得的模拟数据开展实证比对分析,观察各算法的实际表现。从各算法的应用结果的具体情况出发,研究视频深度学习环境下所应采用的缓存算法策略,进而为提高视频深度学习系统的缓存命中率寻求理论研究根据。(本文来源于《电子技术与软件工程》期刊2017年24期）
陈希亮,曹雷,李晨溪,徐志雄,何明[4]（2018）在《基于重抽样优选缓存经验回放机制的深度强化学习方法》一文中研究指出针对深度强化学习算法中经验缓存机制构建问题,提出一种基于TD误差的重抽样优选缓存机制;针对该机制存在的训练集坍塌现象,提出基于排行的分层抽样算法进行改进,并结合该机制对已有的几种典型基于DQN的深度强化学习算法进行改进.通过对Open AI Gym平台上Cart Port学习控制问题的仿真实验对比分析表明,优选机制能够提升训练样本的质量,实现对值函数的有效逼近,具有良好的学习效率和泛化性能,收敛速度和训练性能均有明显提升.(本文来源于《控制与决策》期刊2018年04期）
张雷,王悦,雷玉常[5]（2012）在《基于深度缓存和BSP树技术的表面消隐技术研究》一文中研究指出主要介绍了两种消隐技术,深度缓存算法是通过两个缓存来实现的,其中的一个是用来存放颜色的颜色缓存器,而另一个是用来存放深度的深度缓存器。BSP就是二叉空间分区树,将视景中要显示的多边形或者实物,使用二叉树的原理组织成一种数据结构,通过这种数据结构存储多边形(实物)。(本文来源于《电脑开发与应用》期刊2012年07期）
肖强,劳彩莲,王春霞[6]（2010）在《植物冠层光辐射分布的快速深度缓存算法》一文中研究指出针对植物冠层内光分布计算过程中存在的计算复杂度大、耗时长等问题,提出一种快速深度缓存算法。采用动态选取光照投影平面和确定光照分布密度等方法,设计一套快速计算植物冠层光分布的模拟系统。应用该系统模拟水稻孕穗期冠层内的光分布情况,结果表明,该方法在保持原有算法精度的同时,能缩短计算时间。(本文来源于《计算机工程》期刊2010年15期）
钟伟,郭立,杨毅[7]（2009）在《基于Cache和层次Z缓存算法的3维图形深度消隐硬件设计和实现》一文中研究指出为了在3维图形渲染硬件系统中节省带宽和提高消隐效率,基于Cache和层次Z缓存算法(hierarchical Zbuffer,HZB),设计了一个深度消隐硬件模块。该硬件模块主要面向带宽有限的片上3维图形渲染系统,其在节省带宽的同时,还可加快消隐速度和提高消隐效率。该模块通过设计优化ZCache结构来获得较高命中率,并采用了1级层次Z缓存算法,以提高消隐效果,同时加入了快速Z清除(FastZClear)结构,以节省带宽。该设计已通过RTL级建模和仿真验证。实验结果表明,该新的硬件可节省大概30%的带宽,消隐速度和效率最多可提高20%。(本文来源于《中国图象图形学报》期刊2009年07期）
程红,马建国,余超,师改梅[8]（2008）在《网络多层语义深度挖掘及流媒体缓存策略研究》一文中研究指出对网络音视频数据进行多层次语义的深度挖掘,统计分析用户行为,建立一个流行度预测模型,在此基础上提出智能化的代理缓存替换策略。初步模拟实验表明该策略能提高缓存字节命中率,减短客户端的请求延迟时间。(本文来源于《电视技术》期刊2008年11期）
深度缓存论文开题报告
（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5G网络中,视频等媒体业务请求暴增,网络拥塞,现网视频内容分发响应延迟的问题,论文研究了人工智能技术在5G网络缓存决策中的应用,结合深度学习建立优化的移动边缘计算(Mobile Edge Computing,MEC)缓存方案,实现智能执行缓存内容的决策。基于深度学习的MEC缓存方案提出了一种双层体系结构,由缓存决策模块,本地和全局预测器模块组成。具体地,本地预测器模块(Local Predictor Module,LPM)以细粒度的时间尺度探索从本地基站收集用户请求的相关数据;全局预测器模块(global predictor module,GPM)利用深度学习方法,以粗粒度的时间尺度基于网络范围的信息来预测用户请求;缓存决策模块(Cache Decision Module,CDM)能够集成来自LPM和GPM的结果,并确定哪些内容应缓存在更靠近用户的本地缓存设备中。该方案增强了MEC缓存命中率,从而使得视频请求能够得到快速响应,提高用户体验质量(Quality of Experience,QoE)。
（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。
深度缓存论文参考文献
[1].陈正勇,杨崇旭,姚振,杨坚.深度学习框架下的移动感知预缓存策略[J].小型微型计算机系统.2019
[2].李露,冯毅,李一喆.基于深度学习的MEC缓存方案研究[C].2018中国信息通信大会论文摘要集.2018
[3].陶佳能,刘献忠.基于深度学习的视频缓存算法[J].电子技术与软件工程.2017
[4].陈希亮,曹雷,李晨溪,徐志雄,何明.基于重抽样优选缓存经验回放机制的深度强化学习方法[J].控制与决策.2018
[5].张雷,王悦,雷玉常.基于深度缓存和BSP树技术的表面消隐技术研究[J].电脑开发与应用.2012
[6].肖强,劳彩莲,王春霞.植物冠层光辐射分布的快速深度缓存算法[J].计算机工程.2010
[7].钟伟,郭立,杨毅.基于Cache和层次Z缓存算法的3维图形深度消隐硬件设计和实现[J].中国图象图形学报.2009
[8].程红,马建国,余超,师改梅.网络多层语义深度挖掘及流媒体缓存策略研究[J].电视技术.2008