The sustainability of the Internet of Things(IoT)involves various issues,such as poor connectivity,scalability problems,interoperability issues,and energy inefficiency.Although the Sixth Generation of mobile networks(...The sustainability of the Internet of Things(IoT)involves various issues,such as poor connectivity,scalability problems,interoperability issues,and energy inefficiency.Although the Sixth Generation of mobile networks(6G)allows for Ultra-Reliable Low-Latency Communication(URLLC),enhanced Mobile Broadband(eMBB),and massive Machine-Type Communications(mMTC)services,it faces deployment challenges such as the short range of sub-THz and THz frequency bands,low capability to penetrate obstacles,and very high path loss.This paper presents a network architecture to enhance the connectivity of wireless IoT mesh networks that employ both 6G and Wi-Fi technologies.In this architecture,local communications are carried through the mesh network,which uses a virtual backbone to relay packets to local nodes,while remote communications are carried through the 6G network.The virtual backbone is created using a heuristic distributed ConnectedDominating Set(CDS)algorithm.In this algorithm,each node uses information collected from its one-and two-hop neighbors to determine its role and find the set of expansion nodes that are used to select the next CDS nodes.The proposed algorithm has O(n)message and O(K)time complexities,where n is the number of nodes in the network,and K is the depth of the cluster.The study proved that the approximation ratio of the algorithmhas an upper bound of 2.06748(3.4306MCDS+4.8185).Performance evaluations compared the size of the CDS against the theoretical limit and recent CDS clustering algorithms.Results indicate that the proposed algorithm has the smallest average slope for the size of the CDS as the number of nodes increases.展开更多
叠前偏移技术在地震数据处理中发挥着非常重要的作用。然而,利用偏移速度分析方法处理复杂地质构造时,往往难以精准重建速度模型,导致共成像点道集的同相轴发生弯曲,影响构造的成像精度。基于动态时间规整算法的地震数据叠加方法通过匹...叠前偏移技术在地震数据处理中发挥着非常重要的作用。然而,利用偏移速度分析方法处理复杂地质构造时,往往难以精准重建速度模型,导致共成像点道集的同相轴发生弯曲,影响构造的成像精度。基于动态时间规整算法的地震数据叠加方法通过匹配参考地震道与其他地震道的相似性来校正同相轴的一致性,但当各地震道之间的幅值差异较大,或者地震数据信噪比较低时,该方法易出现错误匹配的情况,进而导致波形发生畸变,因而影响了其在道集校正中的应用效果。针对上述问题,提出了一种基于迭代光滑动态时间规整算法(iterative smooth dynamic time warping,ISDTW)的共成像点道集叠加方法,该方法引入平滑约束和迭代策略对规整路径进行优化,提高了道集的校正精度和同相轴的一致性。特别是在复杂地质条件下,ISDTW算法取得了较好的成像效果。合成数据和实际数据的测试结果验证了ISDTW算法在减少局部匹配误差、提升地震成像质量方面的显著优势。展开更多
利用光学和SAR遥感影像进行建筑高度估计对于理解城市形态和优化城市存量空间具有重要意义。然而,现有的数据集存在诸多局限:由于样本数量较少,难以满足基于深度学习的遥感信息提取需求,样本所覆盖的区域较为有限,无法提供足够的地理多...利用光学和SAR遥感影像进行建筑高度估计对于理解城市形态和优化城市存量空间具有重要意义。然而,现有的数据集存在诸多局限:由于样本数量较少,难以满足基于深度学习的遥感信息提取需求,样本所覆盖的区域较为有限,无法提供足够的地理多样性和空间特征代表性,特别是针对中国区域的大规模建筑高度数据集尤为缺乏。此外,数据集的开源性不足,限制了其在更广泛的研究中的应用和验证。为解决这些问题,本文构建了一个面向深度学习的基于Sentinel影像的建筑物高度数据集BHDSI(Building Height Estimation Dataset Based on Sentinel Imagery),该数据集涵盖了中国62个城市的中心城区,共有5606个样本,覆盖了城市,农村等场景,是目前中国区域覆盖面积最大的建筑高度数据集。该数据集包含哨兵一号和哨兵二号的遥感影像以及建筑高度的真实值,样本大小是256×256,相比于64×64大小的数据集,为建筑高度估计研究提供了一个重要的补充选择。相比其他数据集,该数据集具有样本数量大、覆盖范围广、可获取性、建筑高度分布合理等特点,能够更好地满足深度学习网络的训练需求。在此基础上,本文采用相同的深度学习网络对BHDSI数据集及其他类似数据集进行了评估,并对比了多个网络使用BHDSI数据集时在建筑高度回归任务中的表现,深入分析了各网络的优劣。结果表明,与其他数据集相比,BHDSI数据集在建筑高度回归任务中的表现更加优异。进一步分析发现,使用BHDSI数据集时,建筑高度较低的区域其估计精度相对较高。此外,U-Net解码器用于建筑高度估计网络训练能够取得更高的精度。综上,BHDSI数据集为未来建筑高度估计领域的研究提供了重要的支持。展开更多
随着二氧化碳排放量的迅速攀升,经济、环境和能源的矛盾日益突出,发电行业作为典型的碳排放主体,正面临着低碳转型的迫切要求。文章构建了含电转气(power-to-gas,P2G)的碳捕集电厂,通过分析电厂的经济、环境和能源(economy-environment-...随着二氧化碳排放量的迅速攀升,经济、环境和能源的矛盾日益突出,发电行业作为典型的碳排放主体,正面临着低碳转型的迫切要求。文章构建了含电转气(power-to-gas,P2G)的碳捕集电厂,通过分析电厂的经济、环境和能源(economy-environment-energy,3E)特性,建立电厂的3E综合评价指标体系;为获取3E评价指标的相关数据,构建电厂的两阶段鲁棒优化调度模型,并利用约束生成算法进行求解;设计了组合赋权方法和基于灰色关联度分析的逼近理想解排序方法(grey relational analysis-technique for order preference by similarity to ideal soiution,GRA-POPSIS),形成3E综合评价模型。通过实际数据进行仿真分析,验证了在电-碳市场环境下,含P2G的碳捕集电厂相较于WT-GPPCC系统和WT-GFPP系统具有更好的经济、环境和能源综合效益,碳捕集、利用与封存(carbon capture,utilization and storage,CCUS)技术为系统带来的综合效益足以弥补其较高的运行成本,并且提出的3E综合评价模型具有良好的适用性。展开更多
基金Deputyship for Research&Innovation,Ministry of Education in Saudi Arabia for funding this research work through the project number RI-44-0028.
文摘The sustainability of the Internet of Things(IoT)involves various issues,such as poor connectivity,scalability problems,interoperability issues,and energy inefficiency.Although the Sixth Generation of mobile networks(6G)allows for Ultra-Reliable Low-Latency Communication(URLLC),enhanced Mobile Broadband(eMBB),and massive Machine-Type Communications(mMTC)services,it faces deployment challenges such as the short range of sub-THz and THz frequency bands,low capability to penetrate obstacles,and very high path loss.This paper presents a network architecture to enhance the connectivity of wireless IoT mesh networks that employ both 6G and Wi-Fi technologies.In this architecture,local communications are carried through the mesh network,which uses a virtual backbone to relay packets to local nodes,while remote communications are carried through the 6G network.The virtual backbone is created using a heuristic distributed ConnectedDominating Set(CDS)algorithm.In this algorithm,each node uses information collected from its one-and two-hop neighbors to determine its role and find the set of expansion nodes that are used to select the next CDS nodes.The proposed algorithm has O(n)message and O(K)time complexities,where n is the number of nodes in the network,and K is the depth of the cluster.The study proved that the approximation ratio of the algorithmhas an upper bound of 2.06748(3.4306MCDS+4.8185).Performance evaluations compared the size of the CDS against the theoretical limit and recent CDS clustering algorithms.Results indicate that the proposed algorithm has the smallest average slope for the size of the CDS as the number of nodes increases.
文摘叠前偏移技术在地震数据处理中发挥着非常重要的作用。然而,利用偏移速度分析方法处理复杂地质构造时,往往难以精准重建速度模型,导致共成像点道集的同相轴发生弯曲,影响构造的成像精度。基于动态时间规整算法的地震数据叠加方法通过匹配参考地震道与其他地震道的相似性来校正同相轴的一致性,但当各地震道之间的幅值差异较大,或者地震数据信噪比较低时,该方法易出现错误匹配的情况,进而导致波形发生畸变,因而影响了其在道集校正中的应用效果。针对上述问题,提出了一种基于迭代光滑动态时间规整算法(iterative smooth dynamic time warping,ISDTW)的共成像点道集叠加方法,该方法引入平滑约束和迭代策略对规整路径进行优化,提高了道集的校正精度和同相轴的一致性。特别是在复杂地质条件下,ISDTW算法取得了较好的成像效果。合成数据和实际数据的测试结果验证了ISDTW算法在减少局部匹配误差、提升地震成像质量方面的显著优势。
文摘利用光学和SAR遥感影像进行建筑高度估计对于理解城市形态和优化城市存量空间具有重要意义。然而,现有的数据集存在诸多局限:由于样本数量较少,难以满足基于深度学习的遥感信息提取需求,样本所覆盖的区域较为有限,无法提供足够的地理多样性和空间特征代表性,特别是针对中国区域的大规模建筑高度数据集尤为缺乏。此外,数据集的开源性不足,限制了其在更广泛的研究中的应用和验证。为解决这些问题,本文构建了一个面向深度学习的基于Sentinel影像的建筑物高度数据集BHDSI(Building Height Estimation Dataset Based on Sentinel Imagery),该数据集涵盖了中国62个城市的中心城区,共有5606个样本,覆盖了城市,农村等场景,是目前中国区域覆盖面积最大的建筑高度数据集。该数据集包含哨兵一号和哨兵二号的遥感影像以及建筑高度的真实值,样本大小是256×256,相比于64×64大小的数据集,为建筑高度估计研究提供了一个重要的补充选择。相比其他数据集,该数据集具有样本数量大、覆盖范围广、可获取性、建筑高度分布合理等特点,能够更好地满足深度学习网络的训练需求。在此基础上,本文采用相同的深度学习网络对BHDSI数据集及其他类似数据集进行了评估,并对比了多个网络使用BHDSI数据集时在建筑高度回归任务中的表现,深入分析了各网络的优劣。结果表明,与其他数据集相比,BHDSI数据集在建筑高度回归任务中的表现更加优异。进一步分析发现,使用BHDSI数据集时,建筑高度较低的区域其估计精度相对较高。此外,U-Net解码器用于建筑高度估计网络训练能够取得更高的精度。综上,BHDSI数据集为未来建筑高度估计领域的研究提供了重要的支持。
文摘随着二氧化碳排放量的迅速攀升,经济、环境和能源的矛盾日益突出,发电行业作为典型的碳排放主体,正面临着低碳转型的迫切要求。文章构建了含电转气(power-to-gas,P2G)的碳捕集电厂,通过分析电厂的经济、环境和能源(economy-environment-energy,3E)特性,建立电厂的3E综合评价指标体系;为获取3E评价指标的相关数据,构建电厂的两阶段鲁棒优化调度模型,并利用约束生成算法进行求解;设计了组合赋权方法和基于灰色关联度分析的逼近理想解排序方法(grey relational analysis-technique for order preference by similarity to ideal soiution,GRA-POPSIS),形成3E综合评价模型。通过实际数据进行仿真分析,验证了在电-碳市场环境下,含P2G的碳捕集电厂相较于WT-GPPCC系统和WT-GFPP系统具有更好的经济、环境和能源综合效益,碳捕集、利用与封存(carbon capture,utilization and storage,CCUS)技术为系统带来的综合效益足以弥补其较高的运行成本,并且提出的3E综合评价模型具有良好的适用性。
