一、面向特定结构的几种BP并行算法及比较（论文文献综述）
李鑫[1]（2021）在《铁路机车设备画像理论及关键技术研究》文中研究指明铁路机务专业是铁路运输系统的重要行车专业,主要负责各型机车的运用组织、整备保养和综合检修。作为重要的铁路运输生产设备,机车的运输生产效率、设备质量状态、整备检修能力、安全管理水平等均会对铁路运输生产能力的稳健提升和经营管理工作的稳步发展产生重要影响。随着各种监测检测设备以及各类信息管理系统的广泛应用,围绕机车积累了形式多样的海量数据,数据增量及质量均大幅提升,数据价值日益体现,铁路行业对于完善机车健康管理的需求十分迫切。当前铁路机务专业在进行机车健康管理的过程中,存在分析方法较少、大数据挖掘不足、管理决策科学性较弱、综合分析平台缺失等问题。铁路机车设备画像理论及关键技术研究作为实现机车健康管理的重要手段,致力于加强机车数据资源的整合利用,通过客观、形象、科学的标签体系全面而精准地刻画机车的质量安全状态,并以此为基础深入挖掘潜藏的数据价值,实现机车事故故障关联分析、安全状态预警盯控、质量安全态势预测、检修养护差异化施修、稳健可靠管理决策等目的,支撑起铁路运输生产及质量安全管理工作的科学化、数字化、智能化发展。本文主要对铁路机车设备画像理论及其一系列关键技术进行了研究与应用,取得了以下创新成果:（1）提出了铁路机车设备画像理论。通过梳理机车设备画像的含义及研究意义,明确了构建铁路机车设备画像理论的必要性及其定位。基于此,给出铁路机车设备画像理论的定义与内涵,梳理了符合现阶段机车运输生产管理需要的铁路机车设备画像理论的构成,阐述了关键技术的研究方法及之间的逻辑关系。同时,设计相匹配的应用架构,介绍了其所包含的核心应用、赋能应用、总体目标等6个方面内容。这为系统性地开展机车健康管理相关研究提供了崭新的理论和方法支持。（2）构建了基于设备画像的铁路机车画像标签体系。通过整合利用机车多维度数据,提出了机车设备画像3级标签体系技术架构,全面分析所包含的数据采集层、标签库层和标签应用层,详细阐释各级标签的内容构成,形成机车画像标签体系的构建方法。针对聚类这一标签产生方式,改进K均值（K-means）聚类算法的初始质心选取方法,提高标签获取的精度和稳定性。通过在某铁路局开展机车设备画像实地应用研究,获得了客观、精准、完整、可靠的机车画像。（3）提出了基于Ms Eclat算法的铁路机车事故故障多最小支持度关联规则挖掘方法。针对机车事故故障在关联规则挖掘中具有不同支持度的特点,提出了改进的等价变换类（Eclat）算法——多最小支持度等价变换类（Ms Eclat）算法,以各项目的支持度值为排序依据重新构建数据集,进而运用垂直挖掘思想获得频繁项集;为了进一步提高Ms Eclat算法在大数据分析场景中的执行效率,将布尔矩阵和并行计算编程模型Map Reduce应用于算法的计算过程,得到优化的Ms Eclat算法,设计并阐述了相应的频繁项集挖掘步骤。通过比较,Ms Eclat算法及其优化算法在多最小支持度关联规则挖掘方面有着极大的计算效率优势。通过在某铁路局开展实际应用研究,验证了算法的有效性、高效性和准确性。（4）设计了基于时变概率的PSO+DE混合优化BP神经网络的机车质量安全态势预测模型。通过总结反向传播（BP）神经网络、粒子群优化（PSO）算法和差分进化（DE）算法的原理及优缺点,设计了基于时变概率且融入了防早熟机制的PSO+DE混合优化BP神经网络预测模型,详细阐释了这一预测模型的训练步骤。以某铁路局的机车质量评价办法为依托,选用灰色关联度分析方法选择出运用故障件数、碎修件数等7个评价项点,预测机车未来3个月的质量安全态势。经过实验对比,新提出的预测模型有着更好的收敛能力,对于机车质量评价等级预测及分值变化趋势预测的准确度分别可以达到98%和91%以上。最后开展了实际预测应用及分析,为科学把控机车质量安全态势提供了较好的技术方法。（5）设计了基于铁路机车设备画像理论的铁路机车健康管理应用。通过总结梳理铁路机车健康管理应用与铁路机车设备画像理论及机务大数据三者间的关系,设计了基于铁路机车设备画像理论的铁路机车健康管理应用的“N+1+3”总体架构及其技术架构。基于此,从设备、人员和综合管理3个方面介绍了机车运用组织、机车整备检修、辅助决策分析等7个典型应用场景,并特别给出这些场景的数据挖掘分析思路及框架,为铁路机车设备画像理论的扎实应用奠定了重要基础。最后,将本文所取得的相关研究成果在某铁路局开展实地的铁路机车健康管理应用实践,通过搭建人机友好的应用系统,完成一系列机务大数据挖掘分析算法模型的封装,实现了机车画像标签生成及设备画像分析、机车事故故障关联分析、机车质量评价分析、机车质量安全态势预测分析等多项功能。通过实际的工程应用,实现了铁路机车设备画像理论及其关键技术的创新实践,取得了良好的效果。全文共有图56幅,表21个,参考文献267篇。
康婧[2]（2021）在《星地高速数传LDPC码编译码算法及高效实现技术研究》文中指出随着空间探测任务需求日益提升,航天器携带的载荷设备趋于精密多样,星地链路传输数据量大幅增加。近地轨道（Low Earth Orbit,LEO）卫星因具有发射成本低、通信时延小和覆盖范围广等优势而被广泛应用,如何在LEO卫星星上硬件资源、数传时间有限的情况下实现高速数据传输已成为我国目前航天器发展需要解决的核心难题。信道编码作为高速数传的重要环节,能够提高数传系统的抗干扰性和可靠性。低密度奇偶校验（Low-density Parity-check,LDPC）码是一种纠错性能逼近Shannon极限的信道编码,已广泛应用于光纤通信、空间通信、存储等领域。然而LDPC码一般码长较长,其迭代译码算法具有较高的计算和存储复杂度,且LDPC码并不能像Turbo码一样通过打孔灵活调整码率适应信道变化,因此LDPC码在LEO卫星高速数传中的应用仍面临着挑战。本文为满足LEO卫星高速数传需求,依托于中国科学院空间科学先导专项,从LDPC码编译码算法设计和高效硬件实现两个层面展开了研究,旨在设计高速高效、低复杂度、码率兼容、可重构、低功耗的LDPC码编译码器,论文的主要工作和创新点如下:1.提出了一种基于CCSDS近地应用标准的低复杂度可重构LDPC编码器,解决了串行编码器无法满足高速数传需求、并行编码器资源消耗大的问题。为缩短编码延时,提出了并行编码算法;通过分析不同并行度编码的结构特点,实现了可重构编码方案;采用优化的移位寄存器累加单元,降低了硬件复杂度。在Xilinx FPGA上对提出的LDPC编码器进行了实现,结果表明,在125 MHz工作时钟下,编码数据吞吐率最高可达1 Gbps,寄存器资源和查找表资源与相同平台编码器相比分别降低了13.7%和14.8%。2.针对LEO卫星信道具有时变性、空间通信设备需具备低功耗的特点,提出了基于DVB-S2标准的快速累加并向递归（Fast Accumulate Semi-parallel Recursive,FASPR）LDPC编码算法及高效低功耗LDPC编码器。为快速并向递归计算校验比特,采用新型校验比特存储器阵列,实现码率兼容的同时提高了编码数据吞吐率;利用二进制特性对校验比特计算进行简化,降低了功耗。在Xilinx FPGA上对提出的编码器进行了实现,结果表明,该编码器能够兼容2种码率,3种编码并行度,在347.5 MHz工作时钟下,编码数据吞吐率最高可达1.104 Gbps,编码器功耗与相同平台编码器相比降低了21.7%。3.面向LEO卫星可变编码调制（Variable Coding Modulation,VCM）高速数传应用场景,在高效低功耗LDPC编码器基础上,提出了一种高效前向纠错码（Forward Error Correction,FEC）编码器,能够支持多种VCM模式,具有高效性。在Xilinx FPGA上对提出的编码器进行了实现,结果表明,该编码器能够正确切换支持3种VCM模式,在389.5 MHz工作时钟下,编码数据吞吐率最高可达1.19 Gbps。4.为解决动态策略串行译码算法具有较高复杂度的问题,提出了一种低复杂度LDPC码动态策略串行译码算法（Residual-based Layered Belief Propagation,RB-LBP）。利用残差值作为度量动态确定每次迭代时层的更新顺序,分析及仿真结果表明,与传统译码算法相比,该算法具有较低的计算复杂度,且具有较快译码收敛速度和较优译码性能。针对归一化最小和译码算法（Normalized Min-Sum Algorithm,NMSA）,提出了一种增强部分并行架构高速LDPC译码器,提高了译码数据吞吐率。首先将多对角线矩阵进行拆分并采用分布式存储策略分别存储置信度信息;然后将拆分后子矩阵的多行（列）置信度信息存储在同一内存地址,成倍增加了每次内存读写数据量与节点运算量。在Xilinx FPGA上对提出的LDPC译码器进行了实现,结果表明,在250 MHz工作时钟下,译码吞吐率为1.02 Gbps。通过软件仿真、硬件测试以及与现有LDPC编译码器的对比,证明了本文提出的LDPC编译码器具有可行性及高效性,在未来LEO卫星高速数传系统中具有较高应用价值。目前,本文提出的低复杂度可重构LDPC编码器已应用于中国科学院空间科学先导专项“先进天基天文台”（Advanced Space-based Solar Observatory,ASO-S）科学卫星高速数传系统;提出的FEC编码器已应用于中国科学院空间科学先导专项“地球大数据科学工程”（Big Earth Data Science Engineering Project,CASEarth）科学卫星VCM数传系统。本文的工作具有重要的工程意义。
高健[3]（2021）在《基于机器学习的极化码译码算法研究》文中研究表明极化码是第一种容量可达的构造性编码,已成为5G移动通信系统的编码方案,是信道编码研究的前沿方向。但是,极化码传统译码算法在纠错性能、译码时延等方面仍有待完善。尽管机器学习技术缓解了传统译码算法的性能问题,但缺乏相应的理论基础,并引入了额外的存储和训练复杂度。目前,对极化码机器学习译码算法的理论框架,以及低复杂度、高可靠神经网络译码器的研究还远远不足。有鉴于此,本文在极化传输理论的基础上,研究了机器学习在极化码译码中的分析理论及关键技术。在此理论框架的指导下,本文从模型驱动和数据驱动两种设计角度出发,对极化码高性能浮点译码算法,量化译码算法,强化学习（Reinforcement Learning,RL）译码算法和盲译码算法展开了全面研究,保证了极化编码高效、可靠的传输。本文的创新工作主要包括以下四个方面:第一,采用残差网络结构,设计了极化码高性能残差置信传播（Belief-Propagation,BP）译码算法。模型驱动的神经网络译码器由于训练参数众多,造成了额外的存储和训练复杂度。针对上述问题,本文从信息传输的角度出发,在极化码BP因子图中引入残差网络结构,构建了残差BP神经网络译码器。该译码器在消息更新的过程中,通过跳变连接继承了部分历史信息,增大了BP译码中传输的信息流量。本文通过在跳变连线上分配可训练的阻尼因子,来学习调整历史信息所占的比例。测试结果显示,残差BP译码器有效提升了 BP算法的纠错性能和收敛速度,并且对阻尼因子的分配方式不敏感,能够在共享常数阻尼因子的情况下实现与完全参数化相似的性能。第二,基于加权译码格图,设计了高性能模型驱动译码器,提高了极化码量化译码的性能。量化在译码器的硬件实现中必不可少,但同时带来了额外的误块率（Block Error Rate,BLER）损失。针对上述问题,本文首先从模型驱动的设计思想出发,通过在极化码串行抵消（Successive Cancellation,SC）译码格图上引入可训练权重,构建了加权SC神经网络译码器。在此基础上,本文分析了 SC算法的计算冗余,简化了加权SC译码器的结构。通过权重共享方案,降低了可训练参数所带来的额外存储和训练复杂度开销。其次,本文将权重共享方案推广到加权BP译码器中,优化了单比特量化下,BP译码的纠错性能和收敛速度。最后,本文分析了神经网络译码器的结构特征,提出了一种对称性分析理论。该理论解释了模型驱动的神经网络译码器可以使用单一码字训练的原因。测试结果显示,加权SC和优化的加权BP译码器有效弥补了量化造成的译码性能损失。第三,设计了数据驱动的极化码强化学习译码算法,探索了比特判决策略。本文首先建立了将极化码译码建模为马尔可夫决策过程的理论框架。在此理论框架的指导下,本文面向极化码译码设计了状态行为空间和基于路径度量（Path Metric,PM）值的奖励策略。在此基础上,本文分别基于Q学习和深度Q网络（Deep Q-learning Network,DQN）,设计了两种极化码强化学习译码算法。在Q学习译码算法中,通过设计低复杂度的Q表构建方法,减少了存储开销。在DQN译码算法中,构建了高性能的判决网络,通过拟合Q函数,实现了与现有算法相竞争的译码性能。第四,采用神经网络设计了数据驱动的高性能盲译码算法。本文首先对5G标准中的极化码传统盲译码算法进行了性能分析,通过推导盲译码的虚警率（False Alarm Rate,FAR）误差,揭示了传统盲译码算法出现码率损失的本质原因。结合上述分析,本文选用数据驱动的全连接神经网络提升传统盲译码算法的判决准确率。该神经网络自主提取接收信号到有效发送信号和空信号的平方欧式距离比特征,并通过分类阈值判断接收信号是否为目标下行控制信息。本文进一步跟踪平方欧式距离比特征的概率分布,提出了一种盲译码性能分析理论。该理论在给定BLER增加量或FAR减少量的情况下,可以快速计算分类阈值。测试结果显示,本文提出的增强盲译码算法可以有效降低CRC开销,在达到目标BLER和FAR的情况下,减少了码率损失。综上所述,本文在极化传输理论和机器学习的基础上,设计了模型驱动的极化码高性能浮点译码算法,并将模型驱动思想推广到极化码量化译码中。本文进一步摆脱极化码译码格图的限制,选用常规神经网络模型,设计了数据驱动的强化学习和盲译码算法。通过在分析理论和关键技术上的创新工作,保证了极化编码高效、可靠的传输。
高岩[4]（2020）在《面向第三代测序数据的序列比对方法研究》文中提出随着第三代测序技术的不断发展,第三代测序数据在基因组组装、结构变异检测、全长转录本识别等领域得到了广泛的应用。序列比对作为第三代测序数据分析工作流程中最基础、最关键的步骤,一直都是当今生物信息学领域最重要的计算机科学问题之一。面对日益增长的海量测序数据,现有第三代测序数据比对工具在比对速度、准确性和敏感性等方面已经无法满足各类分析工作的比对需求,成为了阻碍基因组科学领域进一步发展的主要因素。本文全面总结了现有比对方法和工具的基本思想和主要策略,以全面提升第三代测序数据序列比对的速度、准确性和敏感性等方面为目标,根据序列长度长、错误率高以及包含大型结构变异等数据特点,针对性地开发了多个第三代测序数据序列比对方法,有效解决了现有工作流程中的多个计算瓶颈问题。论文的主要研究内容如下:（1）针对现有比对工具无法有效处理三代测序片段中的结构变异事件的问题,研究基于长近似匹配和骨架修剪的拆分比对方法LAMSA。该方法采用长种子近似匹配的选种策略,可以有效解决传统短种子策略难以处理的基因组重复区域问题,并通过树修剪的方式生成反映各类结构变异事件的比对骨架,进而实现结构变异断点附近的精确拆分比对。该方法能够快速、准确地将第三代测序数据比对到参考基因组上,并且对于测序片段中的结构变异断点具有精确识别能力,可以为下游基因组结构变异相关分析工作提供精准的测序片段比对结果。（2）针对现有图参考基因组比对工具无法有效处理第三代测序数据的问题,研究基于局部单体型索引的图参考基因组比对方法Hi Pan。该方法结合现有图参考基因组构建模式,通过设计基于群体单体型信息的局部单体型路径索引构建方法,实现对于图参考基因组节点内以及节点间序列的高效查询,进而完成测序片段在图参考基因组上的序列比对。该方法能够实现图参考基因组及其索引的高效构建,并且可以将第三代测序数据快速、准确地比对到图参考基因组上,能够为后续变异检测等相关工作提供测序片段在图参考基因组上的精确比对信息。（3）针对现有第三代测序数据局部多序列比对耗时巨大的问题,研究基于单指令多数据的并行带状偏序比对方法ab POA。该方法通过偏序比对的方式来完成多序列比对任务,借鉴在两两序列比对工具中广泛应用的比对带加速策略,将其推广到了序列与图的偏序比对过程当中,并设计基于单指令多数据的并行算法,实现动态规划过程运行速度的进一步提升。该方法能够显着减少偏序比对过程的运行时间,同时提供精确的偏序比对结果,可以为基于测序片段多序列比对的基因组局部精确重构提供速度和准确性支撑。（4）针对现有工具无法有效处理新型串联重复三代测序数据的问题,研究基于种子和链接的串联重复比对方法Tide Hunter。该方法针对新型测序片段中含有原始模板序列多个串联拷贝的数据特点,借鉴传统序列比对方法中‘‘种子和扩展’’的策略思想,将其扩展到串联重复比对这一新型问题中,实现对于串联重复单元的快速检测。该方法能够显着提高对于该新型数据的串联重复比对速度和敏感度,高效检测出其中的重复单元,并准确重构出原始的模板序列,可以为常规三代测序数据比对工作流程提供高质量、低错误率的测序片段。本文围绕第三代测序数据序列比对这一研究课题,从不同层面研究了序列比对工作中的多个重点、难点问题。通过开发多个第三代测序数据比对方法,在运行速度、比对准确性和敏感性等方面实现了对于现有工具的全面提升。其中,前三个方法组成了一套常规三代测序数据序列比对的解决方案,第四个方法针对新型数据实现了对于该解决方案的补充。这些方法切实解决了现有序列比对工作流程中的序列拆分比对、图参考基因组比对和局部多序列比对等多个计算瓶颈问题,为今后的大规模基因组前沿科学研究提供了基础性技术支撑,具有很高的实用价值和理论意义。
黄涛[5]（2020）在《基于跨层设计的边缘网络通信性能优化》文中认为近年来,为了有效满足海量的且不断增长的云服务需求,基于边缘设备就近处理数据的边缘计算模式日益得到关注。边缘计算应用通常依赖于大量用户设备的参与,且产生较高的数据传输需求。因此,边缘网络作为边缘计算的基础通信设施,其所提供的接入能力与通信能力将极大地影响其承载的边缘计算应用的服务质量。然而,当前边缘网络仍存在部分用户设备接入能力欠缺、大规模并发通信性能受限以及对智能计算支持不足等问题。为此,本文基于跨层设计与模块间协作的思想,对上述问题开展了深入研究,取得的研究成果包括如下几个方面:（1）针对基于802.11协议通信的用户设备在恶劣信道环境中难以接入边缘网络的问题,本文采用物理层与媒体访问控制（medium access con-trol,MAC）层之间的跨层设计,提出了基于自适应纠错的中间件方案Rate-less802.11。该方案能够方便地部署于普通商用802.11设备上,其发送端在MAC层将LT码与802.11物理层的卷积码进行串联,能够渐进地为网络层负载增加冗余,进而可以充分利用破损的MAC协议数据单元中得到正确解码的比特。在接收端,Rateless802.11采用了一个精心设计的流程,并引入了一套基于置信度传播的集成算法,能够对卷积码以及LT码进行联合解码,避免了传统序列式解码方案带来的信息丢失、解码时延过长等问题。实验结果表明,Rateless802.11方案能够显着提升802.11设备在恶劣信道中的通信效率,相比当前最优的MAC层前向纠错方案,其吞吐率提升可达数十倍,从而极大地增强了这些设备在边缘网络中的接入能力。（2）针对边缘网络典型的大规模机器通信场景中基于毫米波段多用户检测（multiuser detection,MUD）技术实现并发通信的问题,本文发现,由于毫米波有限散射效应及用户设备分布密集等基础特性,现有基于在因子图上执行的和积算法或其衍生算法的MUD方案存在性能低下的问题。为此,进一步提出了基于物理层射频与基带相关模块协作的Bst Sum Prod方案。Bst Sum Prod首先根据射频相关模块反馈的毫米波信道状况信息,采用节点分割以及节点合并技术对因子图进行优化,消除其中的短环,然后在基带相关模块,采用了动态规划的方法对在优化后的因子图中传播的消息进行高精度的近似,以实现这一迭代式的多用户联合解码过程,从而大幅提升了和积算法的性能,提高了并发通信吞吐率。大量实验结果表明,与当前最优的两种多项式复杂度MUD方案相比,Bst Sum Prod能够分别提升吞吐率50%与20%。（3）针对边缘网络中联邦学习计算性能受限于其频繁的模型更新聚合过程的问题,提出了基于物理层与应用层之间跨层协作的Phy Arith方案,通过利用边缘网络多用户多输入多输出（multiuser multiple-input multiple-output,MU-MIMO）信道中叠加的射频信号,对联邦学习中频繁的模型更新聚合过程进行计算加速,提升计算性能。在Phy Arith方案中,客户端将本地模型更新编码为互相对齐的二进制序列,并在同时段同频段发送相应射频信号;服务器采用一个由和积算法衍生的定制解码器,基于叠加的射频信号,直接对来自多个客户端的模型更新之和进行恢复。Phy Arith方案的收发两端都是基于全数字化操作进行设计,其客户端能直接部署于普通商用设备之上。此外,Phy Arith还可以与传统的模型压缩技术有效兼容。实验结果表明,在采用联邦学习训练Le Net-5这一神经网络时,相比传统的采用量化或稀疏化技术压缩客户端模型更新、并利用MUD技术对更新进行聚合的方案,Phy Arith方案能够进一步将其通信效率提升1.5到3倍。
徐振[6]（2020）在《大规模MIMO上下行数据传输方法设计与实现》文中认为第五代移动通信系统（5G,5th Generation Mobile Communication Systems）新空口（NR,New Radio）标准规范定义了灵活的参数集和帧结构,引入了大规模天线、波束赋形、新型信道编码方案等技术,旨在大幅提升以人为中心的移动互联网的同时,全面支持以物为中心的物联网业务,实现人与人、人与物和物与物的智能互联。大规模多输入多输出（MIMO,Multiple Input Multiple Output）技术通过在基站侧配备大规模天线阵列,充分挖掘空间维度资源,大幅提高通信系统的传输可靠性和频谱效率。本文面向大宽带大规模天线配置下MIMO原型验证系统,针对5G演进的大规模MIMO上下行数据传输方法,重点围绕宽带大规模MIMO信号处理和LDPC编译码两大问题,完成基于可编程逻辑器件（FPGA,Field Programmable Gate Array）芯片的大规模MIMO信号处理和可变码长可变码率LDPC编译码器的设计与实现。具体内容包括:首先,针对面向5G演进的大规模MIMO系统上下行数据传输方法,回顾了上下行数据传输过程中的加扰、调制、层映射、资源映射、OFDM调制等处理过程。进而,围绕大规模MIMO系统上下行数据传输中计算密集的MIMO信号处理和信道编译码两大问题,分析了它们在系统实现中的面临的难点与挑战。最后,基于FPGA计算架构对大规模MIMO原型验证系统进行设计,包括其系统架构和硬件组成。其次,完成了包括下行预编码与上行信号检测的大规模MIMO信号处理FPGA架构设计与实现。下行传输时,所提出的实现架构兼容匹配滤波（MF,Matched Filter）预编码、迫零（ZF,Zero Forcing）预编码和正则化迫零（RZF,Regularized Zero Forcing）预编码等传统预编码,以及基于统计信道信息和瞬时信道信息的鲁棒预编码。上行传输时,所提出的实现架构兼容MF检测、ZF检测、最小均方误差（MMSE,Minimum Mean Square Error）检测及基于QR分解的MMSE简化算法等多种检测方法。在此基础上,完成了系统中大规模MIMO信号处理部分的平台功能模块划分、各子模块的逻辑设计与实现以及相应的定点化设计,并给出FPGA芯片资源消耗情况。最后,完成可变码长可变码率LDPC编译码器的设计与实现。围绕支持可变码长可变码率LDPC码编译码时传统并行编译码结构资源利用率低下问题,提出了一种支持不同参数多码块并行处理的LDPC编译码器实现结构。在此基础上,优化设计了码块并行、码块交织、校验矩阵重排、偏移循环移位和分布式提前终止等策略。进而完成模块功能划分,模块逻辑设计、开发与测试,并给出编译码器的FPGA芯片资源消耗情况、吞吐量性能以及误码率性能。测试结果表明,所提出并设计实现的LDPC编译码器具备高速高效的设计特性,能够很好地解决计算资源损耗问题。最后,在5G NR LDPC编译码器基础上,给出通用QC-LDPC编译码器的配置流程。
张冀[7]（2020）在《基于耦合结构的LDPC码研究》文中研究表明基于校验矩阵/生成矩阵结构,低密度校验（Low Density Parity-Check,LDPC）码可以分为耦合LDPC码和分组LDPC码。耦合结构的LDPC码以良好的迭代译码性能和较低的译码时延而备受学者们的关注。本文针对耦合LDPC码适用的几种重要的场景,分别对空间耦合LDPC码和全局耦合LDPC码的构造、分析和译码等关键技术展开研究工作,主要包括二元和多元非均匀空间耦合LDPC码的优化,咬尾结构全局耦合LDPC码的构造与分析,高斯混合突发删除错误信道下全局耦合LDPC码设计,基于列表辅助的空间耦合LDPC码的高可靠滑窗译码（Sliding Window Decoding,SWD）算法等。主要研究成果概括如下:（1）针对连续流大数据业务中一般时变的空间耦合LDPC码硬件存储需求较大,而设计具有非时变或周期性的空间耦合LDPC码难以保证其可靠性的问题,结合拆解（Unwrapping）、扩展和掩模等操作提出了基于两阶段扩展构造周期时变空间耦合LDPC码的方法。该方法结合两次扩展和LDPC分组码的代数构造技术来设计空间耦合LDPC码的校验矩阵,有效的降低了其错误平层,并提高了可靠性。本文针对构造性能好的多元空间耦合LDPC码的问题,提出了多元随机码集和基模图码集的迭代译码门限计算方法。仿真结果表明,利用该方法优化的多元空间耦合LDPC码具有逼近容量限的译码门限,而在采用泛洪译码（Flooding-Schedule D ecoding,FSD）策略和SWD策略译码时均有较好的瀑布区性能,且误包率10-4前未见到明显的错误平层。（2）针对卫星和地面数据业务中可靠性要求较高的场景中,全局耦合LDPC码存在高连通性的全局校验节点会增加短环的问题,本文提出了具有咬尾（Tail Biting）结构的全局耦合LDPC码,并分别结合代数和组合设计提出了两种设计具有准循环结构的咬尾全局耦合LDPC码的方法。第一种方法,通过对代数构造的LDPC分组码的校验矩阵进行重复、提取和掩模操作后获得具有全局耦合关系的码。该方法不仅保证了全局耦合LDPC码中全局部分的校验矩阵满足行列约束（Row-Column Constraint）,而且提高了可靠性以及码长的灵活性。第二种方法借鉴了不完全区组设计（Balanced Incomplete Block Design,BIBD）方法构造LDPC分组码和非时变空间耦合LDPC码的思想,提出了一种特殊的Packings来建立具有咬尾结构关联矩阵,从而获得相应的全局耦合LDPC码。仿真结果表明,该咬尾全局耦合LDPC码在加性高斯白噪声信道（Additive White Gaussian Noise Channel,AWGNC）和二进制删除信道（Binary Erasure Channel,BEC）下均能获得较好的性能。（3）针对卫星通信及存储等含有突发噪声的应用中,全局耦合LDPC码的可靠性难以保证的问题,本文提出了一种基于基模图的全局耦合LDPC码的构造方法。首先建立一个将高斯噪声和突发删除结合的混合突发删除的高斯信道（Gaussian Channel with Burst Erasures,BuEC-G）模型,并讨论了该模型下的信道容量。基于一种全新的边扩展的操作,本文提出了针对规则和非规则LDPC分组码构造基模图全局耦合LDPC码的方法,并称该操作为全局边扩展。通过将高斯近似（Gaussian Approximation,GA）和基模图外信息转移（Protograph-Based Extrinsic-Information-Transfer,PEXIT）分析方法推广到BuEC-G,本文不但证明了 BuEC-G的稳态条件（Stability Condition）,而且提出了一种通过预测全局耦合LDPC码的基模图迭代译码门限来设计结构化全局耦合LDPC码的方法。仿真结果表明,优化后的全局耦合LDPC码与现有好的全局耦合LDPC码相比,能够达到更好的译码门限和性能,并能够逼近BuEC-G的信道容量。（4）针对卫星和地面通信的低时延高可靠业务中,耦合结构LDPC码的译码器难以同时保证可靠性和时延的问题,本文针对多元空间耦合LDPC码提出了一种低时延的列表辅助的滑窗译码策略。仿真结果表明,AWGNC下该列表辅助算法能够在低信躁比区域获得比一般滑窗译码算法更好的性能,而比泛洪译码具有更低的译码时延。针对现有译码策略在低信噪比下译码复杂度高的问题,本文还提出了一种全局耦合LDPC码的改进的两阶段迭代译码策略。数值结果表明,该译码策略能够减少局部译码器在中低信噪比的开销,但并不增加高信噪比下全局译码器的迭代次数。最后本文比较了空间耦合LDPC码（含咬尾）和全局耦合LDPC码（含咬尾）在其代表性典型译码策略下的译码性能、复杂度和时延。
窦欣[8]（2020）在《光通信中空间耦合码的设计与译码算法研究》文中研究表明近年来,随着信息量呈指数爆炸性增长,高速率大容量的光通信得到了越来越多的关注和应用。同电波通信,光通信也分为有线和无线两种。在有线接入方面,光传输网络正朝向诸如400 Gb/s的速率迈进;在无线接入方面,传统电波通信正陷入频谱短缺的窘境,而无线光通信因其传输容量大、组网灵活、保密性好等优势而受到广泛关注。面对高速率大容量的光通信,为保证光链路的可靠传输,业界一直在寻找逼近信道容量的编码方式。空间耦合码是现有编码方式的扩展,其编码思想组合了分组编码和递归卷积编码。渐近容量可达的特性使得空间耦合码成为未来光通信具有竞争力的候选编码方案。作为空间耦合码的一种,staircase码因其优异的性能现已入选光通信标准。本论文面向光通信,对空间耦合码的设计与译码算法进行了研究,具体工作总结如下:1.研究了无线光通信系统中的信道环境,给出了无线光通信的常用信道模型及调制技术,对具有普适性的Gamma-Gamma模型及OOK和PPM调制进行了实现,搭建了无线光通信系统的仿真平台。2.对于已作为光通信标准的staircase码,重点研究了其译码算法。首先综述了多种硬判决译码算法,并从信息交换及复杂度等方面进行了比较。仿真结果说明了不同算法的性能差异以及staircase码与乘积码的性能差异。相比于乘积码,采用相同分量码的staircase码可以获得更优的性能。为进一步提高staircase码的译码性能,提出了一种基于软判决的滑窗译码算法。以一定的复杂度增加为代价,该算法可以获得0.3 d B～2 d B的性能增益。同时为适应信道条件的变化,并降低软判决译码的复杂度,又设计了一种自适应软判决译码算法。最后,面向突发删除场景,研究了乘积码的性能,并对staircase码在突发删除场景中的应用进行了初步分析。3.为保证无线光链路的可靠传输,研究了两类空间耦合码在无线光通信系统中的性能。首先给出了BMST编码OOK及PPM调制下无线光通信系统的性能。接着,针对无线光通信,设计了一种braided自正交码,并提出了一种迭代双滑窗译码算法,即braided自正交码采用迭代滑窗译码算法,同时分量自正交码也采用滑窗BP算法进行译码。该译码策略可以有效地降低译码时延及译码复杂度。仿真结果表明,在braided自正交码编码PPM调制的无线光通信系统中,braided自正交码可以很好地对抗湍流效应,这将会为braided自正交码在无线光通信中的应用奠定良好的基础。
刘圆圆[9]（2019）在《面向大规模流数据处理的近似计算及质量保证策略研究》文中提出近年来可提供实时处理能力的流式计算已成为大数据研究和应用领域关注的热点。虽然面向在线处理需求的分布式流数据处理模型已被广泛应用于加快数据处理速度,但是数据的指数级增长和实时性需求的增加仍为流数据处理带来了极大挑战。近似计算技术通过牺牲少量精确度,能够有效地缓解大规模流数据处理的高耗时和高时效性之间的矛盾。因此,研究流数据实时近似处理相关技术,对提高系统处理效率、减少资源消耗、满足实时性需求具有至关重要的意义。然而,近似技术在提高处理效率同时也会降低输出结果的精度,近似计算有效的前提是能够为数据质量提供适当的评估和保证,不可控制的质量损失会抵消近似带来的收益。因此,如何选择适应于不同应用的近似方法,对近似计算所得的结果进行质量评估,进而选择在相应的阶段进行不同程度的近似,尽可能地降低精度损失,是利用近似技术处理流数据时亟需解决的问题。本文基于上述问题,主要开展大规模流数据应用中近似处理技术和数据质量问题的研究。以采样近似技术为核心,综合考虑数据规模、处理能力及数据质量等因素,设计通用或应用专用的流数据近似处理方法和质量保证策略。同时针对典型应用场景—物联网,研究采样思想在传感数据流近似收集中的运用,以及通过与其他近似技术的有效结合,如何确保收集数据的质量。本文的具体工作和主要贡献如下:1.从数据处理能力角度,考虑数据规模超过计算能力的情况,提出大规模流数据的在线自适应近似处理方法及误差控制策略。为解决实时流数据分析中获取数据认知和控制输出误差问题,提出一个动态自适应近似数据分析框架。首先,面向持续到达的流数据,设计了在线数据学习策略,该策略能够自动学习数据子层权值,并根据反馈信息进行触发式更新;其次,设计了基于采样的近似算法,考虑实时负载的变化对采样资源需求的影响;最后,根据用户提出的不同误差需求,提出了用户自定义的在线误差控制策略,该策略检测近似输出并及时纠正较大误差。2.从数据采样节点角度,考虑如何优化采样节点部署,解决大规模传感数据流的近似收集和数据重建问题。结合具体的水下传感网络应用场景,提出了基于骨干网络的近似数据收集策略,该策略同时考虑近似操作和水下频繁数据丢失对数据质量的影响。然后利用置信传播算法对未收集及由传输导致的缺失数据进行推断,综合考虑时间、空间、多元等多种因素对缺失数据进行高质量的数据恢复。为确保数据质量满足用户需求,提出了基于统计理论的质量评估方法,对推断后的数据进行质量评估和改善。3.从数据资源重要性角度,考虑不同频率的数据缺失情况,解决（近）实时的传感数据流收集问题。结合水下传感网络应用场景,提出基于RNN的低开销高质量的水下数据近似收集方法。首先,在数据传输中放弃了传输协议中使用的自动重传机制,并将由此所造成的数据丢失转移到数据中心去处理。考虑不同程度的数据缺失情况,提出一种基于RNN的数据学习模型来有效地处理数据丢失问题,该模型通过综合考虑数据缺失特征和变量相关性,对空间或变量相关的数据进行缺失值填充和预测。针对通用场景和具体应用场景,本文设计了高效的数据流近似处理策略,并在设计近似策略的同时考虑资源调度与质量结果之间的耦合关系,深入研究数据源端近似收集方法、近似分析方法、误差分析和控制等相关机制。
郭洋[10]（2019）在《面向智能交通大数据的特征提取和流量预测算法优化与改进研究》文中指出智能交通系统作为未来交通系统的发展方向,近年来获得了快速深入发展,并已具备大数据特征。而大数据环境下的海量多源异构且实时性强的数据,增加了数据挖掘的复杂度和难度。特征提取和流量预测是目前该领域中广泛应用的两类数据挖掘方法。其中,特征提取方法又涵盖了关联特征与事件特征两种使用频繁的代表性提取算法。随着智能交通数据环境的不断演变,关联特征提取、事件特征提取和交通流量预测的传统模型与算法逐渐表现出准确率下降、性能缓慢、效率低下等问题,成为目前各类高可靠性、高效率、高精度系统应用的瓶颈所在。因此,研究如何优化改进这三种算法以适应时代的发展和满足更高标准的数据需求具有非常重要的现实意义。本论文旨在基于交通关联特征提取、事件特征提取和流量预测的现有算法基础上,进一步研究大数据挖掘并行化和特征选择的特点,提炼机器学习应用于交通数据的特有特性,分析现有工作的不足,通过与相关的实验进行有机结合,提出三种新的优化算法,改进算法的准确度和效率,提高算法在智能交通系统中的应用效果。论文的主要研究内容如下:（1）面向交通领域的关联特征提取算法的核心是进行关联规则挖掘。但该挖掘算法的每次迭代计算过程中的大量磁盘I/O操作会使运行平台效率低下,同时一成不变的算法迭代策略产生了大量中间候选集,造成空间和时间成本高。针对这一问题,提出一个基于分布式并行计算和自适应策略的关联特征提取算法。该算法利用Spark的内存存储特性并使用一种改进的方法去除传统Apriori算法中间候选集的生成步骤,提出基于数据集性质的自适应策略来寻找具有更高精度和效率的频繁模式,实现了最小化的时间和空间复杂度。（2）在面对交通领域的海量和多属性的数据挖掘过程中,存在大量噪声和冗余,导致训练数据不清晰,直接使用人工神经网络会使网络模型规模巨大而复杂。而过于复杂的网络结构将导致超长的学习时间以及局部最小化和过拟合问题,挖掘效率低。针对这一问题,通过研究模糊集、粗糙集理论和神经网络各自具有的优势以及存在的问题,提出一种基于新定义的模糊粗糙集概念的粒度神经网络,以依赖因子的形式提取数据的领域知识。该方法使用粒化结构来定义网络的输入向量和目标值,指定依赖因子作为粒度神经网络的初始连接权重,然后在无监督的情况下,使用新提出的特征评估指数最小化方式对其进行训练。在训练完成之后,从隐藏层和输出层之间的权重更新来获得各个特征的重要性。（3）交通流量预测是交通建模和管理中的一个基本问题,许多交通流量预测系统和模型大都使用浅层模型,且对不同道路采取分散独立学习和预测的模式。已有的一些深层架构模型如深度置信网络由于反向传播方法的先天性缺陷,例如慢收敛和局部最优,使得基于这些模型的方法未能提供最有利的预测结果。为了解决这些问题,提出了一种基于多层神经网络架构和多任务学习的交通流量预测优化算法。该算法的模型结构是由两部分组成的多层网络结构,包括底层的DBN和顶层的多任务回归层。DBN以无监督的方式进行特征学习,在DBN之上创建多任务回归层,嵌入回声状态学习机制而不是传统的反向传播方法,用于监督预测。该模型结合了DBN和回声状态网络的优点,并通过多任务学习机制综合考虑了多条道路的互相影响,以提高预测准确率。论文进一步研究了不同的任务分组策略对预测效果的影响,同构和异构多任务学习在交通流量预测中的应用并提出了一种基于顶层权重的分组方法,使多任务学习更加有效。
二、面向特定结构的几种BP并行算法及比较（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、面向特定结构的几种BP并行算法及比较（论文提纲范文）
（1）铁路机车设备画像理论及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 必要性及可行性分析 |
| 1.2.1 必要性 |
| 1.2.2 可行性 |
| 1.3 本文拟解决的主要问题 |
| 1.4 本文研究的主要内容 |
| 1.5 本文组织架构及技术路线 |
| 1.6 本章小结 |
| 2 国内外研究现状及发展趋势 |
| 2.1 机务大数据研究及应用 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 机车检修现状 |
| 2.3 设备画像 |
| 2.3.1 画像的概念 |
| 2.3.2 构成要素 |
| 2.3.3 模型与方法 |
| 2.4 标签技术 |
| 2.4.1 画像标签的定义 |
| 2.4.2 标签分类 |
| 2.4.3 标签构建原则 |
| 2.4.4 标签构建方法 |
| 2.5 设备健康管理 |
| 2.5.1 国外设备健康管理现状 |
| 2.5.2 国内设备健康管理现状 |
| 2.5.3 我国铁路机务专业PHM技术发展差距 |
| 2.6 本章小结 |
| 3 铁路机车设备画像理论 |
| 3.1 机车设备画像概述 |
| 3.2 铁路机车设备画像理论构建 |
| 3.2.1 铁路机车设备画像理论的定义与内涵 |
| 3.2.2 铁路机车设备画像理论的构成 |
| 3.2.3 铁路机车设备画像理论的应用架构 |
| 3.3 本章小结 |
| 4 基于设备画像的铁路机车标签体系构建 |
| 4.1 问题概述 |
| 4.2 面向设备画像的标签技术 |
| 4.3 机车画像标签体系构建 |
| 4.3.1 机车画像标签体系技术架构 |
| 4.3.2 机车画像标签体系 |
| 4.4 基于聚类的机车第三级标签获取方法 |
| 4.4.1 K-means算法 |
| 4.4.2 K-means算法的改进 |
| 4.4.3 K-means算法与改进算法的比较验证 |
| 4.5 机车画像标签体系构建实例 |
| 4.5.1 K-means改进算法的应用 |
| 4.5.2 机车完整标签体系的产生 |
| 4.6 本章小结 |
| 5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘 |
| 5.1 问题概述 |
| 5.2 MsEclat算法的背景知识 |
| 5.2.1 垂直格式数据集 |
| 5.2.2 支持度、置信度与提升度 |
| 5.2.3 概念格理论 |
| 5.2.4 多最小支持度下的频繁项集判定 |
| 5.2.5 面向有序项目集合的最小支持度索引表 |
| 5.2.6 基于等价类的可连接性判定 |
| 5.3 MsEclat算法原理 |
| 5.3.1 Eclat算法简述 |
| 5.3.2 改进的Eclat算法—MsEclat算法 |
| 5.4 优化的Ms Eclat算法 |
| 5.4.1 基于布尔矩阵的T_(set)位运算求交 |
| 5.4.2 基于MapReduce的等价类并行运算 |
| 5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤 |
| 5.5 算法比较验证 |
| 5.5.1 MsEclat算法与水平挖掘算法的对比 |
| 5.5.2 MsEclat算法与其优化算法的对比 |
| 5.6 机车事故故障关联规则挖掘分析 |
| 5.6.1 待分析项目的选取 |
| 5.6.2 关联规则挖掘结果分析 |
| 5.7 本章小结 |
| 6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测 |
| 6.1 问题概述 |
| 6.2 机车质量等级评价 |
| 6.3 基于机车质量评价项点的特征选择 |
| 6.3.1 灰色关联度分析 |
| 6.3.2 机车质量等级的比较特征选择 |
| 6.4 PSO+DE混合优化BP神经网络 |
| 6.4.1 BP神经网络原理 |
| 6.4.2 PSO算法原理 |
| 6.4.3 DE算法原理 |
| 6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型 |
| 6.5 机车质量安全态势预测分析 |
| 6.5.1 预测模型训练 |
| 6.5.2 预测模型训练结果分析 |
| 6.5.3 预测模型应用分析 |
| 6.6 本章小结 |
| 7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计 |
| 7.1 机务大数据与机车健康管理 |
| 7.2 铁路机车健康管理应用设计 |
| 7.2.1 设计目标及定位 |
| 7.2.2 总体架构设计 |
| 7.2.3 技术架构设计 |
| 7.3 铁路机车健康管理应用的典型应用场景分析 |
| 7.3.1 设备质量综合分析 |
| 7.3.2 人员运用综合把控 |
| 7.3.3 运输生产综合管理 |
| 7.4 本章小结 |
| 8 某铁路局机车健康管理应用实践 |
| 8.1 应用开发方案 |
| 8.1.1 系统开发环境 |
| 8.1.2 数据调用方式 |
| 8.1.3 分析模型定时任务调用方式 |
| 8.2 机车数据管理功能 |
| 8.2.1 基本数据管理 |
| 8.2.2 视频数据管理 |
| 8.2.3 机务电子地图 |
| 8.3 机车画像标签生成及分析功能 |
| 8.3.1 机车画像标签管理 |
| 8.3.2 单台机车画像分析 |
| 8.3.3 机车设备画像分析 |
| 8.4 机车事故故障关联分析功能 |
| 8.5 机车质量评价分析功能 |
| 8.5.1 单台机车质量安全分析 |
| 8.5.2 机务段级机车质量安全分析 |
| 8.5.3 机务部级机车质量安全分析 |
| 8.5.4 全局机务专业质量安全综合分析 |
| 8.6 机车质量安全态势预测分析功能 |
| 8.7 本章小结 |
| 9 总结与展望 |
| 9.1 本文总结 |
| 9.2 研究展望 |
| 参考文献 |
| 图索引 |
| FIGURE INDEX |
| 表索引 |
| 学位论文数据集 |
| TABLE INDEX |
| 作者简历及攻读博士学位期间取得的科研成果 |
（2）星地高速数传LDPC码编译码算法及高效实现技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 星地高速数传发展现状 |
| 1.2.2 信道编码发展现状 |
| 1.2.3 LDPC码研究现状 |
| 1.3 面临的挑战及研究目标 |
| 1.4 论文研究内容 |
| 1.5 论文创新工作 |
| 1.6 论文组织结构 |
| 第2章 LDPC码基础理论 |
| 2.1 引言 |
| 2.2 LDPC码的基本概念 |
| 2.2.1 线性分组码 |
| 2.2.2 LDPC码及其表示方法 |
| 2.3 LDPC码的编码算法 |
| 2.3.1 直接编码方法 |
| 2.3.2 基于近似下三角形的编码算法 |
| 2.3.3 循环码和准循环码的编码算法 |
| 2.4 LDPC码的译码算法 |
| 2.4.1 LDPC码消息传递 |
| 2.4.2 概率BP译码算法 |
| 2.4.3 LLR BP译码算法 |
| 2.4.4 最小和译码算法 |
| 2.4.5 其它改进算法 |
| 2.5 本章小结 |
| 第3章 LDPC码并行编码算法及低复杂度可重构编码器设计 |
| 3.1 引言 |
| 3.2 LDPC码并行编码算法 |
| 3.2.1 CCSDS近地应用LDPC码编码算法 |
| 3.2.2 并行编码算法 |
| 3.3 低复杂度可重构LDPC编码器设计 |
| 3.3.1 总体架构 |
| 3.3.2 低复杂度设计 |
| 3.3.3 并行度可重构设计 |
| 3.4 硬件实现与分析 |
| 3.4.1 资源占用 |
| 3.4.2 性能分析 |
| 3.5 本章小结 |
| 第4章 LDPC码快速编码算法及高效低功耗编码器设计 |
| 4.1 引言 |
| 4.2 LDPC码快速编码算法 |
| 4.2.1 DVB-S2标准LDPC码编码算法 |
| 4.2.2 快速累加并向递归编码算法 |
| 4.3 高效低功耗LDPC编码器设计 |
| 4.3.1 总体架构 |
| 4.3.2 高效低功耗设计 |
| 4.4 硬件实现与分析 |
| 4.4.1 资源占用 |
| 4.4.2 功耗分析 |
| 4.4.3 性能分析 |
| 4.5 本章小结 |
| 第5章 VCM数传系统高效FEC编码器设计 |
| 5.1 引言 |
| 5.2 LEO卫星VCM数传系统 |
| 5.3 高效FEC编码器设计 |
| 5.3.1 总体架构 |
| 5.3.2 BCH并行编码算法及编码器设计 |
| 5.3.3 比特交织模块设计 |
| 5.4 硬件实现与分析 |
| 5.4.1 仿真结果 |
| 5.4.2 资源占用 |
| 5.4.3 性能分析 |
| 5.5 本章小结 |
| 第6章 LDPC码串行译码算法及高速译码器设计 |
| 6.1 引言 |
| 6.2 LDPC码静态策略串行译码算法 |
| 6.2.1 LBP译码算法 |
| 6.2.2 SBP译码算法 |
| 6.3 LDPC码动态策略串行译码算法 |
| 6.3.1 RBP译码算法 |
| 6.3.2 NW-RBP译码算法 |
| 6.3.3 RB-LBP译码算法 |
| 6.3.4 仿真结果与分析 |
| 6.4 高速LDPC译码器设计 |
| 6.4.1 译码器参数设计 |
| 6.4.2 传统部分并行架构QC-LDPC译码器 |
| 6.4.3 增强部分并行架构高速LDPC译码器 |
| 6.4.4 硬件实现与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于机器学习的极化码译码算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 英文缩略语 |
| 第一章 绪论 |
| 1.1 信道编码理论概述 |
| 1.2 机器学习在信道译码中的应用 |
| 1.2.1 机器学习技术的发展 |
| 1.2.2 机器学习信道译码算法研究现状 |
| 1.3 本文的主要工作 |
| 1.3.1 极化码高性能浮点译码算法研究 |
| 1.3.2 极化码高性能量化译码算法研究 |
| 1.3.3 极化码强化学习译码算法研究 |
| 1.3.4 极化码高性能盲译码算法研究 |
| 1.4 本文的组织结构 |
| 第二章 信道极化与机器学习理论及方法 |
| 2.1 信道极化基本原理 |
| 2.2 极化码传统编译码算法 |
| 2.2.1 极化编码 |
| 2.2.2 极化码传统译码算法 |
| 2.3 机器学习基本理论与方法 |
| 2.3.1 梯度下降与反向传播 |
| 2.3.2 极化码机器学习译码算法 |
| 2.4 本章小结 |
| 第三章 极化码高性能神经网络译码算法设计 |
| 3.1 残差神经网络基本原理 |
| 3.2 残差BP神经网络译码器架构 |
| 3.3 灵活的参数分配方案 |
| 3.4 训练与测试结果分析 |
| 3.4.1 BLER性能与泛化能力测试 |
| 3.4.2 译码收敛性测试 |
| 3.4.3 互信息分析 |
| 3.5 本章小结 |
| 第四章 极化码机器学习量化译码算法设计 |
| 4.1 加权SC量化译码算法 |
| 4.1.1 SC译码信号模型 |
| 4.1.2 加权SC神经网络译码器 |
| 4.1.3 简化的加权SC神经网络译码器 |
| 4.1.4 神经网络译码器的训练与测试方案 |
| 4.1.5 仿真结果与分析 |
| 4.2 极化码单比特译码算法设计 |
| 4.2.1 系统模型与等效信道 |
| 4.2.2 加权BP译码器的优化设计 |
| 4.2.3 神经网络译码器的对称性分析 |
| 4.2.4 训练与测试结果分析 |
| 4.3 本章小结 |
| 第五章 极化码强化学习译码算法设计 |
| 5.1 强化学习理论框架 |
| 5.1.1 强化学习信号模型 |
| 5.1.2 马尔可夫决策过程 |
| 5.1.3 Q学习和深度Q网络 |
| 5.2 基于强化学习的极化码译码算法 |
| 5.2.1 强化学习译码理论分析 |
| 5.2.2 基于Q学习的极化码译码算法 |
| 5.2.3 基于DQN的极化码译码算法 |
| 5.3 仿真结果与分析 |
| 5.3.1 学习收敛 |
| 5.3.2 存储开销 |
| 5.3.3 BLER性能 |
| 5.4 本章小结 |
| 第六章 极化码高性能盲译码算法设计 |
| 6.1 极化码盲译码及增强算法 |
| 6.1.1 5GNR的下行控制信息编码与盲译码 |
| 6.1.2 极化码增强盲译码算法 |
| 6.2 基于神经网络学习分类阈值 |
| 6.2.1 基于神经网络的分类阈值计算方法 |
| 6.2.2 神经网络训练与测试结果分析 |
| 6.3 分类阈值的定量分析与计算 |
| 6.3.1 增强盲译码算法的信号空间 |
| 6.3.2 分类阈值的定量分析方法 |
| 6.3.3 仿真结果与分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的研究成果 |
（4）面向第三代测序数据的序列比对方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 基因组序列比对相关背景知识 |
| 1.2.1 基因组和基因组变异 |
| 1.2.2 基因组测序技术 |
| 1.2.3 序列比对 |
| 1.3 研究现状概述 |
| 1.3.1 基于单一参考基因组的三代测序数据比对方法现状 |
| 1.3.2 基于群体参考基因组的三代测序数据比对方法现状 |
| 1.3.3 基于偏序比对的多序列比对方法现状 |
| 1.3.4 面向串联重复三代测序数据的重复比对方法现状 |
| 1.3.5 存在的主要问题 |
| 1.4 本文的主要研究内容 |
| 第2章 基于长近似匹配和骨架修剪的拆分比对方法 |
| 2.1 引言 |
| 2.2 基于长近似匹配和骨架修剪的拆分比对方法 |
| 2.2.1 长种子近似匹配收集 |
| 2.2.2 比对骨架构建 |
| 2.2.3 比对骨架的空缺填充和边界扩展 |
| 2.3 基于长近似匹配和骨架修剪的拆分比对方法评测与分析 |
| 2.3.1 模拟数据评测结果 |
| 2.3.2 真实数据评测结果 |
| 2.4 本章小结 |
| 第3章 基于局部单体型索引的图参考基因组比对方法 |
| 3.1 引言 |
| 3.2 基于局部单体型索引的图参考基因组比对方法 |
| 3.2.1 群体参考基因组的图表示 |
| 3.2.2 局部单体型路径生成 |
| 3.2.3 图参考基因组最小哈希索引构建 |
| 3.2.4 minimizer命中的链接 |
| 3.2.5 比对骨架的空缺填充和边界扩展 |
| 3.3 基于局部单体型索引的图参考基因组比对方法评测与分析 |
| 3.3.1 图参考基因组以及索引构建阶段评测结果 |
| 3.3.2 比对阶段模拟数据评测结果 |
| 3.3.3 比对阶段真实数据评测结果 |
| 3.4 本章小节 |
| 第4章 基于单指令多数据的并行带状偏序比对方法 |
| 4.1 引言 |
| 4.2 基于单指令多数据的并行带状偏序比对方法 |
| 4.2.1 偏序比对算法分析 |
| 4.2.2 基于单指令多数据的并行偏序比对 |
| 4.2.3 基于单指令多数据的并行带状偏序比对 |
| 4.2.4 有向无环图更新 |
| 4.2.5 共有序列生成 |
| 4.3 基于单指令多数据的并行带状偏序比对方法评测与分析 |
| 4.3.1 模拟数据评测结果 |
| 4.3.2 真实数据评测结果 |
| 4.4 本章小结 |
| 第5章 基于种子和链接的串联重复比对方法 |
| 5.1 引言 |
| 5.2 基于种子和链接的串联重复比对方法 |
| 5.2.1 种子收集 |
| 5.2.2 串联重复命中识别 |
| 5.2.3 串联重复命中最优链识别 |
| 5.2.4 串联重复单元分割 |
| 5.2.5 共有序列生成 |
| 5.3 基于种子和链接的串联重复比对方法评测与分析 |
| 5.3.1 模拟数据评测结果 |
| 5.3.2 真实数据评测结果 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（5）基于跨层设计的边缘网络通信性能优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 本文工作 |
| 1.3.1 基于自适应纠错的接入能力增强技术 |
| 1.3.2 基于射频-基带协作的并发通信优化技术 |
| 1.3.3 基于叠加射频信号的智能计算加速技术 |
| 1.4 论文结构安排 |
| 第二章 相关工作 |
| 2.1 边缘网络的相关标准 |
| 2.1.1 无线局域网 |
| 2.1.2 第五代蜂窝网 |
| 2.2 802.11 的扩展方案 |
| 2.2.1 面向802.11 的混合ARQ机制 |
| 2.2.2 面向802.11 的跨层FEC机制 |
| 2.2.3 面向802.11 的其他相关工作 |
| 2.2.4 无率码与802.11 |
| 2.3 多用户检测 |
| 2.3.1 面向MUD问题的常规解决方案 |
| 2.3.2 面向MUD问题的和积算法的加速 |
| 2.4 联邦学习 |
| 2.4.1 量化与稀疏化 |
| 2.4.2 无线电计算与联邦学习 |
| 第三章 基于自适应纠错的接入能力增强技术 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 Rateless802.11 设计 |
| 3.3.1 802.11 MPDU错误来源分析 |
| 3.3.2 Rateless802.11 核心概况 |
| 3.3.3 Rateless802.11 发送流程 |
| 3.3.4 Rateless802.11 接收流程 |
| 3.4 Rateless802.11 链路控制与编码流程 |
| 3.4.1 链路控制 |
| 3.4.2 负载编码流程 |
| 3.4.3 元数据编码流程 |
| 3.5 Rateless802.11 加扰器种子保护机制 |
| 3.5.1 802.11 设备加扰流程 |
| 3.5.2 加扰器种子保护序列 |
| 3.5.3 常规设置下的加扰器种子恢复 |
| 3.5.4 进阶设置下的加扰器种子恢复 |
| 3.6 Rateless802.11 解码流程 |
| 3.6.1 面向LTConv的 IntBP解码器机制 |
| 3.6.2 面向LTConv的 IntBP解码器执行流程 |
| 3.6.3 面向LTRepConv的 IntBP解码器执行流程 |
| 3.6.4 面向LTConv的 IntBP解码器增量式执行流程 |
| 3.7 复杂度分析 |
| 3.7.1 发送流程复杂度 |
| 3.7.2 接收流程复杂度 |
| 3.7.3 时延分析 |
| 3.8 性能评估 |
| 3.8.1 基础设置 |
| 3.8.2 基于数值仿真的性能评估 |
| 3.8.3 基于真实基带信号数据的性能评估 |
| 3.8.4 采用LDPC码为信道编码的802.11 标准的扩展 |
| 3.9 本章小节 |
| 第四章 基于射频-基带协作的并发通信优化技术 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 系统模型与问题建模 |
| 4.3.1 系统模型 |
| 4.3.2 MUD问题建模 |
| 4.4 毫米波段m MTC场景中MUD问题的特性 |
| 4.4.1 病态MUD信道增益矩阵导致的性能下降 |
| 4.4.2 共用码簿导致的性能下降 |
| 4.5 BstSumProd方案的动机与概览 |
| 4.5.1 因子图短环以及和积算法的收敛性 |
| 4.5.2 BstSumProd方案总览 |
| 4.6 基于节点分割技术消除因子图短环 |
| 4.6.1 角度域MUD问题 |
| 4.6.2 冲突图 |
| 4.6.3 节点分割流程 |
| 4.6.4 2D天线阵列的扩展 |
| 4.7 基于节点合并技术消除因子图短环 |
| 4.7.1 NCON问题 |
| 4.7.2 VCON问题的难度 |
| 4.7.3 启发式节点合并方法 |
| 4.8 解码流程 |
| 4.8.1 基于消息传递的解码流程 |
| 4.8.2 基于动态规划的PMF近似方法 |
| 4.8.3 BstSumProd复杂度分析 |
| 4.9 性能评估 |
| 4.9.1 实验设置 |
| 4.9.2 空间一致模式及非一致模式 |
| 4.9.3 解码性能比较 |
| 4.10 本章小节 |
| 第五章 基于叠加射频信号的智能计算加速技术 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 工作动机 |
| 5.4 系统模型 |
| 5.4.1 联邦学习的模型 |
| 5.4.2 上行链路MU-MIMO信道模型 |
| 5.5 PhyArith方案总览 |
| 5.6 PhyArith的编码流程 |
| 5.6.1 信源编码 |
| 5.6.2 FCS |
| 5.6.3 信道编码 |
| 5.6.4 与商用802.11 设备的兼容性 |
| 5.7 PhyArith的解码流程 |
| 5.7.1 因子图的构建 |
| 5.7.2 源字之和的解码 |
| 5.7.3 源字之和的校验 |
| 5.7.4 模型更新向量数据块之和的恢复 |
| 5.8 采用稀疏化压缩技术的PhyArith方案 |
| 5.8.1 客户端处理流程 |
| 5.8.2 服务器端处理流程 |
| 5.9 性能评估 |
| 5.9.1 实验设置 |
| 5.9.2 模型更新聚合失败的比率 |
| 5.9.3 LeNet-5 的测试精度 |
| 5.10 本章小节 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 附录A 附录 |
| A.1 和积算法 |
| A.2 面向MUD问题的和积算法 |
| A.3 英文缩写对照表 |
| 参考文献 |
| 简历与科研成果 |
（6）大规模MIMO上下行数据传输方法设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 本论文符号说明 |
| 本论文专用术语注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 大规模MIMO传输方法与原型验证系统 |
| 1.2.1 大规模MIMO技术 |
| 1.2.2 面向5G的大规模MIMO数据传输 |
| 1.2.3 大规模MIMO原型验证系统研究现状 |
| 1.3 论文内容安排 |
| 1.4 数学符号约定 |
| 第二章 面向5G演进的大规模MIMO上下行数据传输 |
| 2.1 引言 |
| 2.2 大规模MIMO系统物理层上下行数据传输 |
| 2.2.1 信道编码 |
| 2.2.2 加扰、调制与层映射 |
| 2.2.3 资源映射和OFDM调制 |
| 2.3 大规模MIMO预编码与信号检测 |
| 2.3.1 大规模MIMO预编码 |
| 2.3.2 大规模MIMO信号检测 |
| 2.4 5G NR标准下的LDPC码 |
| 2.4.1 QC-LDPC结构 |
| 2.4.2 多码率设计 |
| 2.4.3 多码长设计 |
| 2.5 大规模MIMO原型验证系统 |
| 2.6 本章小结 |
| 第三章 大规模MIMO预编码和信号检测算法的设计与实现 |
| 3.1 引言 |
| 3.2 大规模MIMO预编码算法 |
| 3.2.1 MF预编码 |
| 3.2.2 ZF预编码 |
| 3.2.3 RZF预编码 |
| 3.2.4 鲁棒预编码 |
| 3.2.5 仿真结果 |
| 3.3 大规模MIMO信号检测算法 |
| 3.3.1 MF检测算法 |
| 3.3.2 ZF检测算法 |
| 3.3.3 MMSE检测算法 |
| 3.3.4 基于QR分解的MMSE检测算法 |
| 3.3.5 仿真结果 |
| 3.4 大规模MIMO信号处理算法加速验证平台设计与实现 |
| 3.4.1 宽带大规模MIMO预编码和信号检测算法验证加速平台 |
| 3.4.2 平台架构与子板功能设计 |
| 3.4.3 模块设计 |
| 3.4.4 定标与定点化设计 |
| 3.4.5 硬件平台资源消耗 |
| 3.5 本章小结 |
| 第四章 可变码长可变码率LDPC编译码器的设计与实现 |
| 4.1 引言 |
| 4.2 QC-LDPC编译码与编译码器并行工作方式 |
| 4.2.1 QC-LDPC编码 |
| 4.2.2 QC-LDPC译码 |
| 4.2.3 QC-LDPC编译码器并行工作方式 |
| 4.3 可变码长可变码率5G NR LDPC译码器设计与实现 |
| 4.3.1 LDPC译码核顶层模块 |
| 4.3.2 循环移位模块 |
| 4.3.3 消息存储 |
| 4.3.4 消息更新 |
| 4.3.5 时序控制模块 |
| 4.3.6 校验终止模块 |
| 4.3.7 矩阵重排与码块交织 |
| 4.3.8 输入输出适配模块 |
| 4.3.9 资源消耗与性能评估 |
| 4.4 可变码长可变码率5G NR LDPC编码器设计与实现 |
| 4.4.1 LDPC编码核顶层模块 |
| 4.4.2 循环移位异或模块 |
| 4.4.3 存储单元 |
| 4.4.4 比特组合模块 |
| 4.4.5 输入输出适配模块 |
| 4.4.6 资源消耗与性能评估 |
| 4.5 通用QC-LDPC编译码器 |
| 4.5.1 通用QC-LDPC编码器 |
| 4.5.2 通用QC-LDPC译码器 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 进一步的工作方向 |
| 参考文献 |
| 作者攻读硕士学位期间撰写的论文和专利 |
| 致谢 |
（7）基于耦合结构的LDPC码研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 现有的几类耦合码技术 |
| 1.2.2 耦合LDPC码技术 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容及成果 |
| 1.3.2 章节安排 |
| 第二章 周期时变和非均匀的空间耦合LDPC码设计 |
| 2.1 空间耦合LDPC码概述 |
| 2.2 SC-LDPC码的表示方法 |
| 2.2.1 矩阵表示 |
| 2.2.2 Tanner图表示 |
| 2.2.3 基模图表示 |
| 2.3 SC-LDPC码的几种构造方法 |
| 2.3.1 拆解构造 |
| 2.3.2 基于基模图构造 |
| 2.3.3 基于代数方法构造 |
| 2.4 SC-LDPC码的编码方法 |
| 2.5 SC-LDPC码的译码方法 |
| 2.6 SC-LDPC码的门限饱和现象 |
| 2.7 基于两阶段扩展方法 |
| 2.7.1 周期SC-LDPC码设计 |
| 2.7.2 性能仿真比较 |
| 2.8 非均匀空间耦合LDPC码 |
| 2.8.1 随机码集 |
| 2.8.2 基模图码集 |
| 2.9 本章小结 |
| 第三章 咬尾和速率兼容的全局耦合LDPC码设计 |
| 3.1 全局耦合LDPC码概述 |
| 3.2 全局耦合LDPC码矩阵结构和构造方法 |
| 3.2.1 级联结构 |
| 3.2.2 乘积结构 |
| 3.2.3 交织结构 |
| 3.3 咬尾全局耦合LDPC码 |
| 3.4 咬尾全局耦合LDPC码的构造方法 |
| 3.4.1 代数方法构造咬尾全局耦合LDPC码 |
| 3.4.2 组合设计方法构造咬尾全局耦合LDPC码 |
| 3.4.3 组合设计方法构造咬尾全局耦合LDPC码的环分析 |
| 3.5 速率兼容全局耦合LDPC码 |
| 3.5.1 多边型的速率兼容全局耦合LDPC码定义 |
| 3.5.2 多边型的速率兼容全局耦合LDPC码构造 |
| 3.6 本章小结 |
| 第四章 高斯混合突发删除信道下的全局耦合LDPC码分析与设计 |
| 4.1 高斯混合突发删除信道概述 |
| 4.1.1 高斯混合突发删除信道模型 |
| 4.2 基于边扩展构造基模图全局耦合LDPC码 |
| 4.3 高斯混合突发删除信道下的渐进性能分析 |
| 4.3.1 BuECs-G上的高斯近似 |
| 4.3.2 BuECs-G上的PEXIT分析 |
| 4.4 基于边扩展的全局耦合LDPC码构造 |
| 4.4.1 基于高斯近似方法 |
| 4.4.2 基于PEXIT方法 |
| 4.4.3 仿真结果 |
| 4.5 本章小结 |
| 第五章 面向低时延高可靠业务的译码算法 |
| 5.1 基于列表删除的窗译码算法 |
| 5.2 基于两阶段的迭代译码算法分析与改进 |
| 5.2.1 一般的基于两阶段的译码算法 |
| 5.2.2 改进的基于两阶段的译码算法 |
| 5.3 两阶段译码策略的渐进性能分析比较 |
| 5.4 多种耦合LDPC码的译码策略的比较 |
| 5.4.1 多种耦合LDPC码的性能比较 |
| 5.4.2 多种耦合LDPC码的译码复杂度比较 |
| 5.4.3 多种耦合LDPC码的译码时延比较 |
| 5.5 本章小结 |
| 结束语 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）光通信中空间耦合码的设计与译码算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 光通信概述 |
| 1.2.2 光通信中的编码技术 |
| 1.2.3 空间耦合码的发展 |
| 1.3 论文的研究内容及行文安排 |
| 第二章 系统模型及纠错码基本原理 |
| 2.1 光通信系统模型 |
| 2.2 无线光通信的信道模型及调制技术 |
| 2.2.1 无线光通信的信道模型 |
| 2.2.2 无线光通信的调制方式 |
| 2.3 BCH码的基本原理 |
| 2.3.1 BCH码的编码原理 |
| 2.3.2 BCH码的译码算法 |
| 2.3.3 RS码介绍 |
| 2.4 LDPC码的基本原理 |
| 2.4.1 LDPC码的基本概念 |
| 2.4.2 LDPC码的译码算法 |
| 2.5 自正交码介绍 |
| 第三章 Staircase码及其软判决译码算法 |
| 3.1 Staircase码的基本原理 |
| 3.1.1 Braided分组码简介 |
| 3.1.2 Staircase码的编码过程 |
| 3.1.3 Staircase码与乘积码的比较 |
| 3.2 Staircase码的硬判决译码算法 |
| 3.2.1 迭代硬判决译码算法 |
| 3.2.2 结合软信息的硬判决译码算法 |
| 3.2.3 复杂度比较与仿真结果分析 |
| 3.3 Staircase码的软判决译码算法 |
| 3.3.1 迭代软判决译码算法 |
| 3.3.2 复杂度比较与仿真结果分析 |
| 3.3.3 自适应软判决译码算法 |
| 3.4 乘积码在突发删除信道上的性能 |
| 3.5 本章小结 |
| 第四章 空间耦合码在无线光通信系统中的性能 |
| 4.1 基于BMST的无线光通信系统 |
| 4.1.1 BMST的编码过程 |
| 4.1.2 BMST的译码算法 |
| 4.1.3 BMST在无线光通信系统中的性能 |
| 4.2 基于braided自正交码的无线光通信系统 |
| 4.2.1 Braided自正交码的编码过程 |
| 4.2.2 Braided自正交码的迭代双滑窗译码算法 |
| 4.2.3 Braided自正交码在无线光通信系统中的性能 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）面向大规模流数据处理的近似计算及质量保证策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 大规模流数据近似处理 |
| 1.1.2 大规模流数据近似处理面临的挑战 |
| 1.2 研究内容与主要贡献 |
| 1.3 本文组织结构 |
| 第二章 研究现状概述 |
| 2.1 数据流处理特征 |
| 2.1.1 数据流窗口模型 |
| 2.1.2 分布式处理框架 |
| 2.2 基于采样的数据流近似处理方法 |
| 2.2.1 无偏采样方法 |
| 2.2.2 有偏采样方法 |
| 2.2.3 分布式近似处理框架 |
| 2.3 WSNs中的数据近似收集方法 |
| 2.3.1 基于变换的方法 |
| 2.3.2 基于预测的方法 |
| 2.4 数据质量管理 |
| 2.4.1 数据质量评估 |
| 2.4.2 误差估计方法 |
| 2.5 本章小结 |
| 第三章 大规模流数据的在线自适应近似处理方法及误差控制策略 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 在线自适应近似流处理框架概述 |
| 3.4 在线数据学习策略 |
| 3.4.1 数据范围更新 |
| 3.4.2 分层策略 |
| 3.5 动态采样策略 |
| 3.5.1 算法描述 |
| 3.5.2 算法分析 |
| 3.6 用户自定义的误差控制策略 |
| 3.6.1 误差控制策略 |
| 3.6.2 输出质量改善分析 |
| 3.7 改进和分析 |
| 3.7.1 分层权值的触发式更新 |
| 3.7.2 近似处理开销优化 |
| 3.7.3 计算开销分析 |
| 3.8 实验分析 |
| 3.8.1 实验设置 |
| 3.8.2 分层学习结果分析 |
| 3.8.3 与随机采样方法比较分析 |
| 3.8.4 误差控制结果分析 |
| 3.8.5 近似开销评估 |
| 3.9 本章小结 |
| 第四章 数据采样节点部署优化和近似数据重建策略 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 问题建模 |
| 4.4 近似数据收集 |
| 4.4.1 相关性分析 |
| 4.4.2 启发式节点选择算法 |
| 4.5 基于置信传播方法的数据重建 |
| 4.5.1 置信传播介绍 |
| 4.5.2 数据推断 |
| 4.6 质量保证策略 |
| 4.6.1 质量评估 |
| 4.6.2 质量改善 |
| 4.7 实验评估 |
| 4.7.1 实验设置 |
| 4.7.2 节点选择算法分析 |
| 4.7.3 近似推断结果分析 |
| 4.8 本章总结 |
| 第五章 基于RNN的数据缺失处理及预测方法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 低延迟保证策略 |
| 5.4 基于LSTM模型的缺失数据集预测 |
| 5.4.1 LSTM模型 |
| 5.4.2 基于RNN的缺失数据预测方法 |
| 5.4.3 输入数据建模 |
| 5.5 基于RNN的水下数据收集框架 |
| 5.6 实验评估 |
| 5.6.1 实验设置 |
| 5.6.2 延迟和能耗分析 |
| 5.6.3 LSTM-Decay性能分析 |
| 5.7 本章总结 |
| 第六章 总结与展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（10）面向智能交通大数据的特征提取和流量预测算法优化与改进研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 关联特征提取算法向分布式并行化发展 |
| 1.1.2 结合粗糙集理论与神经网络进行特征提取 |
| 1.1.3 深度学习在交通流量预测中的应用 |
| 1.2 国内外研究现状与相关工作 |
| 1.2.1 基于并行计算的关联特征提取方法 |
| 1.2.2 基于粗糙神经网络的特征提取方法 |
| 1.2.3 基于深度学习的交通流量预测方法 |
| 1.2.4 相关研究工作总结 |
| 1.3 研究目的和研究内容 |
| 1.4 论文结构 |
| 1.5 本章小结 |
| 第二章 特征提取方法与深度预测模型简介 |
| 2.1 关联特征提取方法 |
| 2.1.1 Apriori挖掘算法 |
| 2.1.2 基于Map Reduce的 Apriori挖掘算法 |
| 2.2 模糊集、粗糙集与机器学习方法 |
| 2.2.1 模糊集与粗糙集 |
| 2.2.2 模糊粗糙集模型 |
| 2.2.3 模糊粗糙集与机器学习 |
| 2.3 基于深度学习的预测模型 |
| 2.3.1 堆叠自动编码机 |
| 2.3.2 深度置信网络 |
| 2.3.3 卷积神经网络 |
| 2.3.4 递归神经网络 |
| 2.4 本章小结 |
| 第三章 基于分布式并行计算与自适应策略的交通关联特征提取优化算法 |
| 3.1 引言 |
| 3.2 关联规则提取与MAPREDUCE |
| 3.3 基于SPARK的自适应分布式关联规则挖掘优化算法 |
| 3.3.1 算法阶段I—生成频繁单项 |
| 3.3.2 算法阶段II—频繁项集生成 |
| 3.4 实验与分析 |
| 3.4.1 实验设置 |
| 3.4.2 算法扩展性实验结果与分析 |
| 3.4.3 算法性能实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于模糊粗糙神经网络的交通事件特征提取优化算法 |
| 4.1 引言 |
| 4.2 模糊集、粗糙集和模糊粗糙集中的粒度与近似 |
| 4.3 改进的模糊粗糙集:粒化与近似 |
| 4.3.1 使用模糊集定义决策类 |
| 4.3.2 下近似与上近似边界 |
| 4.4 基于模糊粗糙粒度的神经网络生成方法 |
| 4.4.1 数据归一化 |
| 4.4.2 基于α-切割的粒化结构构建 |
| 4.4.3 确定粒化神经网络的输入向量和目标值 |
| 4.4.4 基于模糊粗糙集的粒度神经网络的构建和训练算法 |
| 4.5 实验与分析 |
| 4.5.1 实验过程 |
| 4.5.2 top-k特征对分类精度的影响 |
| 4.5.3 不同特征选择方法下的分类实验结果 |
| 4.5.4 特征选择方法评估 |
| 4.6 本章小结 |
| 第五章 基于多层神经网络架构和多任务学习的交通流量预测优化算法 |
| 5.1 引言 |
| 5.2 多层神经网络架构与交通流量预测方法 |
| 5.2.1 交通流量预测 |
| 5.2.2 DBN |
| 5.2.3 DBN-DNN |
| 5.2.4 回声状态网络 |
| 5.3 基于多任务学习深度置信回声状态网络的交通流量预测方法 |
| 5.3.1 基于深度置信回声状态网络的交通流量预测架构 |
| 5.3.2 底部DBN独立学习 |
| 5.3.3 回归层局部权重调整 |
| 5.3.4 遗传算法优化ESN |
| 5.3.5 多任务学习机制融入 |
| 5.3.6 多任务分组策略 |
| 5.4 实验与分析 |
| 5.4.1 实验设置 |
| 5.4.2 多层神经网络结构选择实验 |
| 5.4.3 多层网络预测模型实验结果分析 |
| 5.4.4 多任务学习实验结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、面向特定结构的几种BP并行算法及比较（论文参考文献）
- [1]铁路机车设备画像理论及关键技术研究[D]. 李鑫. 中国铁道科学研究院, 2021(01)
- [2]星地高速数传LDPC码编译码算法及高效实现技术研究[D]. 康婧. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [3]基于机器学习的极化码译码算法研究[D]. 高健. 北京邮电大学, 2021(01)
- [4]面向第三代测序数据的序列比对方法研究[D]. 高岩. 哈尔滨工业大学, 2020(02)
- [5]基于跨层设计的边缘网络通信性能优化[D]. 黄涛. 南京大学, 2020(12)
- [6]大规模MIMO上下行数据传输方法设计与实现[D]. 徐振. 东南大学, 2020(01)
- [7]基于耦合结构的LDPC码研究[D]. 张冀. 西安电子科技大学, 2020
- [8]光通信中空间耦合码的设计与译码算法研究[D]. 窦欣. 西安电子科技大学, 2020(05)
- [9]面向大规模流数据处理的近似计算及质量保证策略研究[D]. 刘圆圆. 吉林大学, 2019(02)
- [10]面向智能交通大数据的特征提取和流量预测算法优化与改进研究[D]. 郭洋. 华南理工大学, 2019(01)