5G基站功率自适应算法突破

Summary

Article

Objective

Method

Comments

统计机器翻译领域自适应综述

解决统计机器翻译中训练数据和测试数据的领域分布不一致问题，提高翻译模型的性能和准确性

基于数据选择的方法：选择和目标领域文本相似的源领域数据进行模型的训练。

基于混合模型的方法：使用混合模型对语言模型和翻译模型进行自适应。

自学习方法：通过源领域的双语训练数据得到一个基准翻译系统，再对目标领域的单语数据进行翻译，选择高质量的译文进行重新训练。

基于话题模型的方法：利用话题模型在文档集合中发现抽象话题，对统计机器翻译进行领域自适应

统计机器翻译的准确性在很大程度上取决于翻译建模的质量，而翻译建模往往依赖于数据的分布。

领域自适应技术成为统计机器翻译研究中的一个热点话题，目的在于解决训练数据和测试数据的领域分布不一致问题。

已有研究成果包括基于数据选择的方法、基于混合模型的方法、自学习为代表的半监督学习方法和基于话题模型的方法。

基于仿真的5G基站最优化功率自适应算法研究

本文的目的是研究基于仿真的5G基站最优化功率自适应算法，以满足5G网络高特性需求的新兴业务，并提升节能减排效率。

本文采用基于仿真的方法进行研究，搭建了一个500*500m²的虚拟工作区，基站均匀随机分布，用户根据RWP移动模型进行移动。

通过执行链路调度和功率分配的交替过程，为每组业务链路找到最佳功率，以优化目标函数。

通过软件仿真和现场验证，验证了算法的有效性。

通过基于仿真的5G基站最优化功率自适应算法，可以实现用户感知、降本增效、节能减排等多个目标。

该算法在软件仿真和现场验证中证明了其有效性，可以降低人工优化成本，提高网络性能。

基于决策边界优化域自适应的跨库语音情感识别

提出一种能够在跨库语音情感识别中减小域差异、提升目标域样本鉴别性的方法

使用卷积神经网络进行特征处理，将特征送入最大化核范数及均值差异模块，通过减小域间差异和最大化目标域情感预测概率矩阵的核范数来提升目标域样本的鉴别性并优化决策边界

基于决策边界优化域自适应的跨库语音情感识别方法能够有效降低决策边界上的数据密度，提升预测的准确性，平均识别精度领先于其他算法。