针对车辆移动过程中服务质量(QoS)下降的问题,提出了一种基于凸优化使能深度强化学习的服务迁移(service migration via convex-optimization-enabled deep reinforcement learning,SeMiR)方法。将优化问题分解为两个子问题并分别求解;...
详细信息
针对车辆移动过程中服务质量(QoS)下降的问题,提出了一种基于凸优化使能深度强化学习的服务迁移(service migration via convex-optimization-enabled deep reinforcement learning,SeMiR)方法。将优化问题分解为两个子问题并分别求解;针对服务迁移子问题,设计了一种基于改进深度强化学习的服务迁移方法,以探索最优迁移策略;针对资源分配子问题,设计了一种基于凸优化的资源分配方法,以推导给定迁移决策下每台MEC服务器的最优资源分配,提升服务迁移的性能。实验结果表明:与基准方法相比,SeMiR方法能够有效提升车辆的QoS,在各种场景下均展现出更加优越的性能。
针对小样本学习过程中样本数量不足导致的性能下降问题,基于原型网络(Prototype network,ProtoNet)的小样本学习方法通过实现查询样本与支持样本原型特征间的距离度量,从而达到很好的分类性能.然而,这种方法直接将支持集样本均值视为类原型,在一定程度上加剧了对样本数量稀少情况下的敏感性.针对此问题,提出了基于自适应原型特征类矫正的小样本学习方法(Few-shot learning based on class rectification via adaptive prototype features,CRAPF),通过自适应生成原型特征来缓解方法对数据细微变化的过度响应,并同步实现类边界的精细化调整.首先,使用卷积神经网络构建自适应原型特征生成模块,该模块采用非线性映射获取更为稳健的原型特征,有助于减弱异常值对原型构建的影响;然后,通过对原型生成过程的优化,提升不同类间原型表示的区分度,进而强化原型特征对类别表征的整体效能;最后,在3个广泛使用的基准数据集上的实验结果显示,该方法提升了小样本学习任务的表现.
本文采用射频磁控溅射在蓝宝石衬底上室温下制备了非晶掺锡氧化镓薄膜,而后在氮气氛围下进行不同温度(400-800℃)退火,并基于退火前后薄膜制备了相应的日盲光电探测器,探究退火温度对薄膜特性及器件性能的影响规律.研究结果表明:非晶掺锡氧化镓薄膜在700℃退火后开始出现氧化镓β相结晶,且薄膜中晶格氧以及Sn^(4+)离子比例随退火温度的升高而增大,说明薄膜质量升高,导电性增强.然而,随着退火温度升高至800℃时,晶格氧以及Sn^(4+)离子比例下降,薄膜的质量及导电特性变差,这可能归因于薄膜中Sn表面偏析以及Al从衬底中扩散进入薄膜.综上,薄膜的质量及其导电特性对掺锡氧化镓日盲探测器性能起到调控作用,当退火温度为700℃,器件获得最优的光电性能:暗电流低至89.97 pA,响应度为18.4 mA/W,光暗电流比可达1264,上升/下降时间低至0.93 s/0.87 s.
暂无评论