针对移动自组织网络中设备性能的异构性和网络拓扑的动态变化,提出了一种面向移动自组织网络的分布式机器学习优化方法(A Distributed Machine Learning Optimization Method for Mobile Adhoc Networks,MOCHA),MOCHA创新性地引入了基...针对移动自组织网络中设备性能的异构性和网络拓扑的动态变化,提出了一种面向移动自组织网络的分布式机器学习优化方法(A Distributed Machine Learning Optimization Method for Mobile Adhoc Networks,MOCHA),MOCHA创新性地引入了基于设备计算能力、电量等性能指标的通信概率机制,并通过目标值子矩阵法完成最优适配,最后以模型参数的传递完成设备间信息的交互。理论分析与试验结果表明,相比传统的分布式学习方法,MOCHA在移动环境下展现出了显著的性能提升优势,为移动分布式机器学习实践提供了新的思路。展开更多
针对准循环低密度奇偶校验(QC-LDPC)码中准循环基矩阵的移位系数确定问题,该文提出基于等差数列(AP)的确定方法。该方法构造的校验矩阵的围长至少为8,移位系数由简单的数学表达式确定,节省了编解码存储空间。研究结果表明,该方法对码长...针对准循环低密度奇偶校验(QC-LDPC)码中准循环基矩阵的移位系数确定问题,该文提出基于等差数列(AP)的确定方法。该方法构造的校验矩阵的围长至少为8,移位系数由简单的数学表达式确定,节省了编解码存储空间。研究结果表明,该方法对码长和码率参数的设计具有较好的灵活性。同时表明在加性高斯白噪声(AWGN)信道和置信传播(BP)译码算法下,该方法构造的码字在码长为1008、误比特率为510-时,信噪比优于渐进边增长(PEG)码近0.3 d B。展开更多
文摘针对移动自组织网络中设备性能的异构性和网络拓扑的动态变化,提出了一种面向移动自组织网络的分布式机器学习优化方法(A Distributed Machine Learning Optimization Method for Mobile Adhoc Networks,MOCHA),MOCHA创新性地引入了基于设备计算能力、电量等性能指标的通信概率机制,并通过目标值子矩阵法完成最优适配,最后以模型参数的传递完成设备间信息的交互。理论分析与试验结果表明,相比传统的分布式学习方法,MOCHA在移动环境下展现出了显著的性能提升优势,为移动分布式机器学习实践提供了新的思路。
文摘针对准循环低密度奇偶校验(QC-LDPC)码中准循环基矩阵的移位系数确定问题,该文提出基于等差数列(AP)的确定方法。该方法构造的校验矩阵的围长至少为8,移位系数由简单的数学表达式确定,节省了编解码存储空间。研究结果表明,该方法对码长和码率参数的设计具有较好的灵活性。同时表明在加性高斯白噪声(AWGN)信道和置信传播(BP)译码算法下,该方法构造的码字在码长为1008、误比特率为510-时,信噪比优于渐进边增长(PEG)码近0.3 d B。
