来源：https://ieeexplore.ieee.org/document/9367569
RIS辅助车辆通信
考虑上行链路中利用IRS的可实现速率最大化问题，在IRS信道估计方面有很多挑战，本文提出两种方案减少IRS的信道估计开销，一种方法是使用反射元件的分组，另一种是根据设备的位置进行无源波束成形。数值模拟，RIS可以给现有通信带来明显改善，此外，使用基于光线追踪的模拟来验证使用IRS的好处。
大多关于IRS的理论工作都假定，在发射器到IRS和IRS到接收器的信道中，IRS有完美的CSI，由于IRS由无源元件组成，信道估计具有挑战性。【5】提出两种可用信道估计方案：作者认为IRS除了无源元件外还有一些有源元件，这些有源元件可以用来测量信道。第一种方法：用压缩感知技术，从稀疏的测量中构建完整的CSI。第二种方法：深度学习模型训练与入射信号互动。
为实现智能交通系统(ITS)的概念，已对车辆通信网络进行了广泛的研究【8】，各种车辆应用都考虑在内，包括面向安全、舒适和娱乐的应用【9】，这些应用给现有的通信和网络技术带来巨大的挑战。数据密集型传感器的引入，如激光成像检测和测距，导致车辆通信网络必须支持Gb/s的数据速率【9】.如此高的数据速率需要大的系统带宽，这就促使人们利用毫米波进行车辆通信，该频段具有较大的带宽。【9】.但毫米波有较高的路径损耗。因此降低了传输范围。【10】提出了IRS克服这些挑战。
IRS在信道估计方面带来的新挑战，在车辆网络的高移动性方面也是如此。估计每个反射路径的信道系数需要很大的开销。
本文在毫米波车辆通信系统中使用IRS，尽管【13，14】中已经考虑了IRS辅助系统的速率最大化问题。就作者所知，这是第一个考虑车辆通信问题的工作。本文使用基于逐次细化的算法【7】优化IRS相移。提出两种IRS相位优化方案，以减少信道估计的开销，并促进大型反射元件的分组。另一种方法是利用其位置的无源波束成形。数值模拟，使用IRS，可实现速率显著提高，此外，作者用商业射线追踪工具Wireless InSite【15】评估了系统在移动性下的性能。
考虑一个M根天线的BS和单根天线的车辆组成车辆网络，关注上行链路，一个具有N个反射元件的IRS用来协助通信。Hr属于C（MN）表示IRS和BS之间的信道，hv属于C（N1 ）表示车辆和IRS之间的信道，hd属于C（M*1）表示车辆和BS之间的信道。考虑相移是L个离散level，为简单起见，假设这些相移取通过均匀量化间隔【0，2pi）获得的值之一，因为，每个反射元件出的离散相移几何由下式给出：
设IRS第i个反射元件的相移为 θi 属于 F。定义IRS的反射矩阵为Θ
设 x 为车辆传输的信息承载符号，在BS处接收的信号为
是基站天线的复加性高斯白噪声，BS应用线性波束成形向量w来解码x，即
为简单起见，假设在BS处最大比合并MRC波束形成，
对于P的发射功率，SNR可以被写成：
使用（4）中的SNR表达式，可实现速率表示为：
从（5）可以看出，可实现的速率取决于IRS的反射矩阵，因此适当调整反射矩阵可实现更高速率，这称为被动波束形成或相位优化，考虑IRS相位优化问题，通过选择最优的离散相移来最大化可达速率：
由于离散相移，（6）中的优化问题是非凸的，如果硬解，有N^L中可能性，对于大型反射阵列 是不可行的，通过扩展信道增益表达式，提出基于连续细化算法【7】。定义
信道增益由下式给出：
我们关注单个反射元件，vn考虑所有其他反射元件(vi ， i 不等于n)是固定的，可以将信道增益写为：
Aij和bi分别表示A和b的各个元素。
基于（8）中的信道增益表达式，可以通过匹配反射阵列相移vn和kn的相位来最大化信道增益。对于离散相移，可以如算法1【7】中所给出的逐次精化算法，ε 是收敛的停止阈值。
为了执行被动波束形成，需要估计所有涉及的所有信道，除了车辆和BS之间的直接信道外，IRS的大量反射元件给信道估计带来极大挑战，接下来，提出两种可以遵循以减少信道估计开销的相位优化方案。
A. 基于分组的IRS相位优化
将反射阵列划分为子组，并按子组执行相位优化，子组中的所有元素被视为单个元素。因此，只需要估计每组的信道，而不是所有反射元素的信道。此外，还可以运行考虑子组的阶段优化算法，而不需要遍历所有单独的元素。
例如，图2显示66反射阵列，被分为22大小的亚群，每个子群被认为是单一的反射元件，因此，有效地实现3*3反射阵的被动波束形成。这降低了信道估计开销，降低了逐次求精算法的复杂度，在找到相移之后，将该组中所有反射器的相移值设置为该子组的相移值。
B. 基于位置的无源波束形成
IRS中的一个反射元件捕获输入信号，并将其向各个方向重新散射【16】，有效路径损耗是通过IRS的单个链路的路径损耗的乘积。因此IRS辅助系统可以在车辆到BS的链路较弱而通过IRS的链路具有较强的LOS的情况下获得好处。由于在这种情况下，视距链路是突出的，因此可以基于设备的位置进行被动波束形成。网络将跟踪设备的位置以及出发和到达的角度。然后，在天线尺寸已知的情况下，可以重建信道矩阵。
假设BS和IRS处是平面阵列，BS和IRS之间的LOS信道可以表示为：
其中 d 表示BS和IRS之间的距离。
是BS考虑方位角和仰角到达角的阵列响应。
为所考虑的方位角和仰角出发角下IRS的阵列响应。相似的，hv，los和hd，los可类似定义，该系统根据估计的站线信道进行被动波束形成。在这里，我们只需要估计整个反射阵列的到达和离开角度，然后基于天下尺寸的先验知识重构信道矩阵，这比估计单个反射元素的信道开销更少。
首先给出了静态条件下的随机模拟结果，随后，提出了基于光线跟踪的模拟结果，使用InSite【15】，也考虑了移动性，载频24.2Ghz
A. 随机模拟
BS为一个42均匀平面阵列UPA天线面板，IRS是一个1616反射元件的平面反射阵列，车辆有一个单天线，IRS放置在Y-Z平面上，高度为1m，BS被放置在X-Z平面，高度2m ，bbs = 20m，cbs = 10m ，车载天线放置高度av = 1m，bv = 1.5m ，cv是距离原点。所有涉及的信道都采用一个莱斯衰落信道模型，路径损耗模型采用3Gpp路径损耗模型【17】，βr=2 IRS-BS链路，βv = 1 车到IRS链路，βd = ∞ 表示直接链路。
图4显示当我们改变cv来改变车辆的位置时，可达速率的变化情况，当车辆接近IRS时，IRS给出了一个显著的增长率，在最近点cv= 0处速率最高，当车辆离IRS越远时，增益就下降了。
将车辆位置固定在距离IRS最近的点，即cv=0，比较了反射阵列尺寸为1616和88时，在改变发射功率的情况下所能达到的速率，图5（a）比较了基于子组的相位优化，当使用分组时，性能有所下降，然而，与没有IRS的系统相比，性能有所提高。当1616反射阵列与22分组使用时，它在无源波束成形方面有效充当了88面板，它比使用全CSI的88反射阵列具有更好的性能。因此，分组为利用大反射阵列具有更好的性能。因此，分组为利用大反射阵列提供了一种可行的方法，减少了信道估计的开销。
图5（b）比较了基于位置的相位优化，与完全CSI可用时相比，此方案的性能也有所降低，与没有IRS的系统相比，它可以显著提高1616反射阵列的速率，然而88反射阵列的速率与没有IRS的速率曲线非常接近，这表明基于位置的波束形成更适合大型反射阵列。
逐次求精算法的收敛性如图6所示，该算法对于88和1616反射阵列都收敛得很快，在这里，已经将相移得初始值设置为0（θi=0，i = 1，2，。。。N）
图7说明离散化相移得效果，在没有IRS得情况下，1bit相移几乎没有比现有通信带来任何好处，当将离散相移电平增加到2bit时，性能显著提高，当进一步将量化bit数增加到3时，性能增益并不是那么显著。我们可以得出结论，即使是2位相移的反射阵列也足以改善现有的通信,这是有益的，因为IRS得实际实现只能支持有限数量得相移电平。
B. 基于光线追踪的模拟
上一节的随机模拟提供了IRS辅助系统的一些见解，它们依赖于简化的假设，也没有考虑流动性，我们需要一个更复杂的模拟来详细模拟机动性和环境条件，射线追踪被认为是估计毫米波车载网络复杂传播特性的可靠方法。IRS辅助系统在Remcom Wireless InSite【15】中建模，
如图8所示，IRS被建模为贴片天线的矩形阵列，在车辆中定义发射机的路线，平均速度为10m/s，该系统正在模拟一个有建筑物和道路的环境，BS位于道路的一侧，车在路的另一边行驶，IRS被放置在更靠近路径的地方，为简单起见，不考虑车辆交通，利用光线跟踪仿真得到了信道矩阵，并进行了相位优化，
图9为反映88和1616阵列尺寸的可达速率图，我们考虑车辆距离IRS最近的点，并计算了改变发射功率时的速率，1616反射阵列的速率显著增加，88反射阵列近比没有IRS的现有通信提供了轻微的改进，这表明。需要较大的反射阵列来显著提高系统性能。
基于光线追踪的模拟用于验证在车辆网络中使用IRS的好处，提出两种被动波束形成方案来降低信道估计开销，通过基于随机信道模型的数值模拟比较了这些方法的性能，结果表明，这些方案提供了现有通信的显著改进，它们提供了利用大型反射阵列的实用方法。
前面一篇关于智能合约翻译文讲到了，是一种计算机程序，既然是程序，那就可以使用程序语言去编写智能合约了。而若想玩区块链上的项目，大部分区块链项目都是开源的，能看得懂智能合约代码，或找出其中的漏洞，那么，学习Solidity这门高级的智能合约语言是有必要的，当然，这都得在公链``````以太坊上，毕竟国内的联盟链有些是不兼容Solidity。Solidity是一种面向对象的高级语言，用于实现智能合约。智能合约是管理以太坊状态下的账户行为的程序。Solidity是运行在以太坊（Ethereum）虚拟机（EVM）上，其语法受到了c++、python、javascript影响。Solidity是静态类型
2022年底，OpenAI的预训练模型ChatGPT给人工智能领域的爱好者和研究人员留下了深刻的印象和启发，他展现的惊人能力将人工智能的研究和应用热度推向高潮，网上也充斥着和ChatGPT的各种聊天，他可以作诗、写小说、写代码、讨论疫情问题等。下面就是一些他的神回复：人命关天的坑： 写歌，留给词作者的机会不多了。。。 回答人类怎么样面对人工智能： 什么是ChatGPT？借用网上的一段介绍，ChatGPT是由人工智能研究实验室OpenAI在2022年11月30日发布的全新聊天机器人模型，一款人工智能技术驱动的自然语言处理工具。它能够通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动
在我的Rails应用程序中，我收到来自brakeman的以下安全警告。使用模型属性调用的不安全反射方法常量化。这是我的代码正在执行的操作。chart_type=Chart.where(id:chart_id,).pluck(:type).firstbeginChartPresenter.new(chart_type.camelize.constantize.find(chart_id))rescueraise"Unabletofindthechartpresenter"end根据我的研究，我还没有找到任何具体的解决方案。我听说你可以创建一个白名单，但我不确定brakeman在寻找什么。
我很好奇这是如何工作的。例如，如果我创建一个基于工厂模式的类，您可以在其中“注册”类供以后使用，然后执行类似FactoryClass.register('YourClassName',[param,param,...]);FactoryClass.create('your_class_name').call_method_from_this_object其中'class_name'是映射到值的散列中的键:ClassName有没有类似phpreflection的东西，我可以在哪里创建基于字符串名称的类的实例并传入参数？(在php中，参数将是它们的数组，php然后知道如何处理)所以如果我们
CSDN优秀解读：https://blog.csdn.net/jiaoyangwm/article/details/1266387752021https://arxiv.org/pdf/2103.14259.pdf关键解读在目标检测中标签分配的最新进展主要寻求为每个GT对象独立定义正/负训练样本。在本文中，我们创新性地从全局的角度重新审视标签分配，并提出将分配程序制定为一个最优传输（OT）问题——优化理论中一个被充分研究的课题。具体来说，我们将每个需求方（锚框）和供应商（GT标签）的单位传输成本定义为他们的分类和回归损失加权之和。在公式化后，找到最好的分配方案即为最小传播成本解决最优传输方案，
摘要本论文主要论述了如何使用Python技术开发一个短视频智能推荐，本系统将严格按照软件开发流程进行各个阶段的工作，采用B/S架构，面向对象编程思想进行项目开发。在引言中，作者将论述短视频智能推荐的当前背景以及系统开发的目的，后续章节将严格按照软件开发流程，对系统进行各个阶段分析设计。 短视频智能推荐的主要使用者分为管理员和用户，实现功能包括管理员：首页、个人中心、用户管理、热门视频管理、用户上传管理、系统管理，用户：首页、个人中心、用户上传管理、我的收藏管理，前台首页；首页、热门视频、用户上传、公告信息、个人中心、后台管理等功能。由于本网站的功能模块设计比较全面，所以使得整个短视频智能推荐信
文章目录1简介2绪论2.1课题背景与目的3系统设计详细设计描述3.2硬件部分温度测量电路其他电路部分3.3软件部分主程序子系统程序温湿度程序流程键盘显示子程序3.4实现效果3.5部分相关代码4最后1简介Hi，大家好，这里是丹成学长，今天向大家介绍一个单片机项目基于单片机的智能温控农业大棚系统大家可用于课程设计或毕业设计单片机-嵌入式毕设选题大全及项目分享:https://blog.csdn.net/m0_71572576/article/details/1254090522绪论2.1课题背景与目的近年来我国的温室控制取得了长足的进步，首先在温室群控制方面，进行了初步的探索和理论研究，其次在温室
BigData/CloudComputing：基于阿里云技术产品的人工智能与大数据/云计算/分布式引擎的综合应用案例目录来理解技术交互流程目录一、云计算网站建设：部署与发布网站建设：简单动态网站搭建云服务器管理维护云数据库管理与数据迁移云存储：对象存储管理与安全超大流量网站的负载均衡二、大数据MOOC网站日志分析搭建企业级数据分析平台基于LBS的热点店铺搜索基于机器学习PAI实现精细化营销基于机器学习的客户流失预警分析使用DataV制作实时销售数据可视化大屏使用MaxCompute进行数据质量核查使用Quick BI制作图形化报表使用时间序列分解模型预测商品销量三、云安全云平台使用安全云上服务
Two-StreamConvolutionalNetworksforActionRecognitioninVideos双流网络论文精读论文：Two-StreamConvolutionalNetworksforActionRecognitioninVideos链接：https://arxiv.org/abs/1406.2199本文是深度学习应用在视频分类领域的开山之作，双流网络的意思就是使用了两个卷积神经网络，一个是SpatialstreamConvNet，一个是TemporalstreamConvNet。此前的研究者在将卷积神经网络直接应用在视频分类中时，效果并不好。作者认为可能是因为卷积神经
论文常见数学符号及其含义（科研必备）返回论文和资料目录数学符号在数学领域是非常重要的。在论文中，使用数学符号可以使得论文更加简洁明了，同时也能够准确地描述各种概念和理论。在本篇博客中，我将介绍一些常见的数学符号及其含义（省去特别简单的符号），希望能够帮助读者更好地理解数学论文。高等数学∑i=1nxi\sum_{i=1}^nx_i∑i=1nxi（求和符号）：表示将x1,x2,…,xnx_1,x_2,\dots,x_nx1,x2,…,xn中的所有数相加，例如∑i=1nxi\sum_{i=1}^nx_i∑i=1nxi表示将x1,x2,…,xnx_1,x_2,\dots,x_nx1,x
