南京邮电大学学报(自然科学版)杂志

南京邮电大学学报(自然科学版)杂志2022年第1期

• 多径信道下FTN技术的性能分析

  韩双锋,夏　亮,王启星,王江舟

  超奈奎斯特技术（FTN）通过发送端传输更高速率的非正交信号，在传输时不可避免地引入符号间干扰，因此处理系统中的符号间干扰是一个重要研究课题。在实际通信场景中，经常会存在多径衰落。FTN技术在多径信道中会面临更大的挑战，除了自身波形之间的干扰外，还有多径造成的干扰。文中研究了FTN技术在时域多径信道下的性能，推导了多径信道下的符号间干扰矩阵，并推导了系统的容量。通过仿真验证，符号间隔对FTN的容量没有影响；多径衰落会恶化FTN的容量，随着多径数目的增加，FTN的容量会先增加再降低，最大值低于香农容量。此外，还探讨了未来的重要研究方向。

• 基于深度学习的物联网设备通信低功耗资源分配算法

  王艳芬,丁　宇,陈瑞瑞,李　松,周　琼

  为解决物联网中设备通信的高能耗问题，提出了基于深度神经网络的低功耗资源分配算法。考虑发射功率、干扰和服务质量3种约束，构建了物联网设备通信的总功率最小化问题。根据该问题的优化目标和约束条件，设计了损失函数并提出了基于深度神经网络的功率分配网络。为进一步降低物联网设备的总发射功率，设计了压缩网络来压缩环境状态信息。仿真结果表明，所提出的智能功率分配算法有效地降低了物联网设备的总通信功率，减少了计算时间。

• D2D协作的边缘缓存系统能耗分析

  蔡　艳,吴　凡,陆　音,朱洪波

  针对移动边缘系统低功耗的需求，基于随机几何理论，研究了不同场景下D2D协作边缘缓存系统中移动设备的能耗。将请求用户和空闲用户的动态分布建模为相互独立的齐次泊松点过程（Homogeneous Poisson Point Process，HPPP），综合考虑移动设备的平均能耗与请求业务卸载概率、空闲设备激活概率和D2D通信重传概率的关系，推导出与缓存数量相关的请求设备平均能耗、空闲设备平均能耗的表达式，并仿真探讨了不同用户密度和不同内容流行度下移动设备能耗和缓存数量的关系。仿真结果表明，不同场景下优化缓存数量可以有效降低D2D协作边缘缓存系统移动设备的能耗。

• 智能反射面辅助的下行NOMA系统和速率最大化研究

  王　强,王　鸿

  智能反射面（Intelligent Reflecting Surface, IRS）与非正交多址接入（Non Orthogonal Multiple Access, NOMA）都是未来6G的使能技术，文中针对IRS辅助的NOMA系统下行传输方案展开研究。为了最大化系统的和速率，建立了一个关于译码顺序、功率分配和反射相位偏移的优化问题。首先，根据组合信道增益之和，提出了一种低复杂度的用户排序方案，在该方案中同时考虑了相位偏移的影响；其次，为了优化速率性能和保证用户公平性，采用交替优化算法设计基站的功率分配系数和IRS的相位偏移系数。具体地，考虑实际系统的可实现性，采用离散相位偏移设计模型，并采用顺序旋转算法确定各个相位偏移的最佳值。仿真结果表明，相比于多种已有方案，文中提出的优化方案可以显著提升系统的和速率。

• 基于非凸秩近似的大规模MIMO信道估计

  张　琳,黄学军

  针对大规模多输入多输出(Multiple Input Multiple Output，MIMO)系统中信道估计训练开销大、计算复杂度高的问题，利用信道矩阵的低秩特性，提出了基于低秩矩阵近似的信道估计方法。采用非凸的γ 范数近似信道矩阵秩函数，提高了信道矩阵秩近似的精确性。利用交替方向乘子法求解信道矩阵，选择较少的信道参数降低训练开销。变量迭代更新过程中采用梯度下降法避免了求逆运算，有效降低计算复杂度。通过选择较小的迭代步长，提高信道估计精度。仿真结果表明，所提算法相较于其他低秩矩阵恢复算法具有更好的信道估计性能。

• 无人机协助边缘计算的能量收集MEC系统资源分配策略

  陶丽佳,赵宜升,徐新雅

  针对用户请求的计算任务超出地面基站边缘计算服务器计算能力的问题，提出一种无人机(Unmanned Aerial Vehicle, UAV)协助边缘计算的最小化系统能量消耗的资源分配策略。通过引入一个搭载边缘服务器的UAV，当用户请求的计算任务超出地面基站边缘服务器计算能力时，用户将超出的计算任务卸载至协助计算的UAV。在满足能量因果性、计算资源和发射功率的约束条件下，分析了用户能量收集及任务卸载模型，建立了最小化系统能量消耗的资源分配问题。采用传统遗传算法与非线性规划结合的方法，求解建立的非线性规划问题，以获得最优解。仿真结果表明，与其他基准方法相比，所提方法在降低系统能量消耗方面效果更佳。

• 基于可学习权重衰减的大规模MIMO信号检测

  武苗苗,傅友华

  大规模多输入多输出(Multiple Input Multiple Output，MIMO)系统随着天线数的增加，信号检测的计算复杂度随之提高，使用更深层次的神经网络并不会显著提高检测性能，因此设计一种低复杂度、高性能的检测算法尤为重要。文中提出了一种基于深度神经网络的大规模MIMO信号检测算法。该神经网络基于投影梯度下降算法展开，并引入了单调非递增函数，在训练期间可以动态地对权重进行优先级排序，从而保留重要的权重，将不重要的权重进行衰减。为了进一步提高检测性能，防止梯度消失，将单调非递增函数设置为可训练参数，在网络训练中对其值进行优化。仿真结果表明，所提出的学习算法收敛速度快，并且在检测精度方面优于大规模MIMO独立同分布模型(Massive MIMO independent identically distributed，MMNet iid)和最小均方误差算法。

• 基于图的半监督深度学习及其在新生儿疼痛表情识别中的应用

  卢官明,宋统帅,楼亦墨,郑浩伟,闫静杰

  针对新生儿疼痛表情识别任务中由于有类别标签样本数量不足而导致分类准确率不高的问题，提出了一种基于图的半监督深度学习（Graph based Semi supervised Deep Learning，GSDL）方法。首先，使用训练集中少量有类别标签的样本对深度神经网络模型进行初步训练，得到初始模型；然后，利用初始模型提取有类别标签样本与无类别标签样本的特征向量，并使用提取的特征向量构建一个邻接矩阵，进而构建一个图，在构建的图上通过标签传播算法推测出无类别标签样本的伪标签；最后，使用所有样本及其标签对深度神经网络模型进行微调，得到最终的新生儿疼痛表情识别分类模型。在新生儿疼痛表情数据集上的实验结果表明，在使用相同数量的有类别标签样本情况下，文中提出的GSDL模型的分类准确率优于传统的有监督深度学习模型，也高于现有的半监督深度学习模型（Mean Teachers，MT），验证了GSDL方法在新生儿疼痛表情识别中的有效性。

• 基于并行空频注意力引导的任务感知目标跟踪算法

  韩　光,刘旭辉,刘佶鑫,孙海安,孙　宁

  现有孪生网络目标跟踪器已表现出不错的性能，但对于复杂场景中存在的相似目标误检以及包围框偏移等问题，表现却仍不尽如人意。针对此问题，文中提出了一种新的两阶段孪生目标跟踪算法，该算法由目标提议阶段与任务感知验证阶段组成。第一阶段结合并行空频注意力模块，充分挖掘目标图像的表观特征，增强目标的抗相似物体干扰能力，提高鲁棒性。第二阶段针对检测任务中分类回归任务的差异，对目标分类和位置回归进行任务感知验证，分别获得适用于分类和回归的精准候选框，得到候选目标的识别得分及位置精调。此外，针对训练与测试任务中分类回归计算冲突问题，以及分类回归任务对于正负样本计算存在数量、对象偏差问题，采用GFocal Loss对损失函数进行优化以解决以上问题。实验证明，文中算法在有效性、可靠性以及预期平均重叠率上获得了较大的性能提升，并满足实时跟踪要求。

• 基于D维映射的布谷鸟哈希表

  朱海婷,李　男,张　璐,何高峰,宛俊美,邓莹莹

  哈希的数据结构和算法是海量信息存储的有效方式，特别是对于与网络流量测量、监控和安全相关的应用。目前存在许多哈希表算法，如布谷鸟哈希、Peacock Hash、Link Hash和Double Hash等，但是这些哈希算法仍存在着一些问题，如占用内存空间过大、插入查找等操作时间过长以及插入过程中遇到死循环而导致插入失败需要进行重新哈希等。针对这些问题，文中提出了基于D维映射的布谷鸟哈希算法，对哈希表进行属性划分，并增加链表结构，然后与辅助数据结构布隆过滤器和位图进行结合，并通过预先识别踢出操作是否有必要来减少不必要的内存访问次数，提高了哈希表的负载因子和插入查找效率。

• 基于混合采样和特征选择的改进随机森林算法研究

  汪力纯,刘水生

  随机森林算法是根据Bagging抽样和随机特征子集划分策略，由多棵决策树组成的集成算法。与其他分类算法相比，随机森林算法有更高的分类精度、更低的泛化误差以及训练速度快等特点，因此在数据挖掘领域得到了多方面的应用。然而随机森林算法在分类预测特征维度高且不平衡的数据时，分类性能受到了极大限制。为了更好地处理高维不平衡数据，文中提出了一种基于混合采样和特征选择的改进随机森林算法(Hybrid Samping & Feature Selection Random Forest，HF_RF)。该算法首先从数据层面出发，通过SMOTE算法和随机欠采样相结合的方式对高维不平衡数据集进行预处理，同时引入聚类算法对SMOTE算法进行改进，提高对负类样本的处理性能；然后从算法层面出发，通过ReliefF算法对平衡后的高维数据赋予不同的权值，剔除不相关和冗余特征，对高维数据进行维度约简；最后采用加权投票原则进一步提高算法的分类性能。实验结果显示，改进后的算法与原算法相比，在处理高维不平衡数据方面的各评价指标更高，证明HF_RF算法对于高维不平衡数据的分类性能高于传统随机森林算法。

• 融合用户兴趣度的基于自注意力的序列推荐模型

  贝天石,成卫青

  序列推荐试图利用用户的连续行为、用户偏好、物品流行度以及用户和项目之间的交互动作进行建模，传统的马尔科夫链（MC）、递归神经网络（RNN）和基于自注意力的模型已被大量应用于序列推荐，但它们只是将交互历史假设成有序序列，忽略各个交互之间的时间间隔，也不考虑序列中项目之间交互的可能性存在大小关系以及用户对项目的兴趣度可能随着时间推移而发生变化。文中对基于时间间隔感知自注意力的序列推荐模型TiSASRec进行优化，提出了考虑到用户对项目的兴趣度会发生变化的改进模型TiSeqRec，该模型基于TiSASRec，进一步捕获用户整体偏好和局部偏好，并使用一致性感知门控网络将两种偏好智能结合，预测下一项的内容。通过大量的实验验证了TiSeqRec模型在稀疏、密集数据集和不同的评价指标上都优于已有的最新的序列推荐模型。

• 异质多智能体系统的自适应点对点拟一致性控制

  查昕昕,王正新,蒋国平

  考虑了各层内部节点和两层网络间对应节点都是异质的，设计了自适应的一致性控制协议，并分别研究了线性多智能体系统和非线性多智能体系统两种情形。针对线性异质多智能体系统，利用线性矩阵不等式和稳定性方法证明了两层网络节点之间可以实现点对点拟一致性；针对具有Lipschitz型动力学的非线性异质多智能体系统，也给出了两层网络节点之间实现点对点拟一致性的充分判据。最后，给出了数值仿真说明理论结果的有效性。