布里渊光频域分析技术(Brillouin Optical Frequency Domain Analysis,BOFDA)是全分布式光纤感测技术中的一种,具有独特的测试与监测优势. 将BOFDA应用于海上超长PHC(Prestressed High Strength Concrete)管桩内力测试,并在超长PHC管桩成桩过程中,就将传感光缆植入桩身中,可明显提高传感光缆的成活率和测试精度. 现场测桩试验结果表明:在超长PHC管桩成桩过程中传感光缆的植入工艺是十分成功的,桩身轴力和侧摩阻力测试结果能够很好地反映桩身内力的分布变化规律,成效显著,为PHC管桩,特别是海上超长PHC管桩的内力测试提供了一种新的内力测试方法,值得推广.
丰富的居民出行行为信息对挖掘城市热点区域以及居民出行模式有很大的帮助,并且对更好地满足居民出行需求也有一定的启示作用. 最新的相关研究主要聚焦于城市中区域之间的空间移动模式,但并不能识别移动模式发生的时间以及持续的时长. 针对这一问题,提出具有时空特性的区域移动模式挖掘算法STMPZ(Spatio-Temporal based Movement Patterns between Zones). 该算法在DBSCAN(Density-based Spatial Clustering of Applications with Noise)算法的基础上,通过将对象从点扩展成一条出行OD(Origin-Destination)记录,并引入时间特性,最终可以挖掘出具有时空特性的区域移动模式. 为了验证所提出算法的可行性和有效性,利用真实的上海地铁通勤数据集进行实验,实验结果表明,该算法可以快速有效地检测出具有高覆盖率和准确率的区域移动模式. 此外,该算法也可以通过修改聚类过程的参数应用于其他区域或类型的交通数据.
D2D(Device to Device)通信可实现距离相近的用户设备直接通信,有效地提升系统的吞吐量,获得高频谱效率和能量效率,但D2D通信共享蜂窝网络频谱资源时,会造成蜂窝网络与D2D链路严重的层间干扰. 为减少层间干扰带来的影响,提出一种基于Q学习的联合资源分配与功率控制算法. 从Q学习的角度来构建数学模型,将蜂窝网络中的多个D2D用户对视为多智能体学习者,利用历史状态(历史吞吐量和功率值),不需要精确的信道状态信息(Channel State Information,CSI)和互干扰等先验知识,通过Q学习算法,学习得到分布式的信道选择和功率控制的联合最优策略. 可以动态调整D2D用户功率,在保证蜂窝用户服务质量的前提下,通过D2D功率控制获得最大化系统吞吐量. 仿真结果表明,基于Q学习的联合资源分配与功率控制的算法有效提高了系统的吞吐量.