文摘

信息传播及其在无线网络的预测是一项非常具有挑战性的任务。研究人员研究了预测过程无线网络使用各种媒体信息传播的方法。在本文中,我们分析信息传播在无线网络使用深残余网络模型。在提出的模型中,节点的相对重量在无线网络和媒体的传播概率信息。获得的信息输入到深残余网络特性。卷积特性提取器是用来获取输入特性的细节。最后,传播信息分类根据提取的特征通过完整的连接层。我们使用SELU激活函数优化深残余网络。通过这种方式,一个完整的媒体信息传播预测的无线网络。仿真结果表明,该模型具有快速收敛性和较低的误比特率的信息传播。 It reflects the characteristics of media information dissemination in a wireless network in real-time applications. The results show accurate prediction of media information dissemination in wireless networks.

1。介绍

媒体是指用来传播各种各样的信息载体。它包括所有使用的材料和工具在信息传播的过程。发送者和接收者的信息传播是通过不同的材料工具传播1]。媒体信息的发展可以分为几个阶段,例如,手势媒体实现信息的表达和传播通过手势或火灯塔。使用纸质信件和文本媒体通过阅读完整的传播信息,电视和收音机。其他设备媒体,通过直接屏幕,完成信息的传播内容和语言。还有一种无线网络媒体、生产和网络技术的不断进步。它具有显著的优势,不管时间约束和空间限制,并且可以随时传递信息(2]。智能设备已经成为现代社会人们的生活的必需品。观众可以查看手机随时随地,还有各种形式的广告。因此,无线媒体发展的趋势。各种行业大力开展无线媒体,通过无线媒体的广告价值,实现销售和其他目的(3]。在无线网络媒体信息传播具有非常重要的应用价值。在广告中,事件营销、舆论监督和指导,影响量化,网络通信等方面。随着社交网络的日益普及和规模,社会网络相关研究吸引了大多数研究者的注意力。在这些研究中,如何描述信息在社交网络上的传播行为揭示其特点和传播规则具有非常重要的理论研究和实际应用价值,目前的研究热点之一。剩余网络(RESNET)是一种卷积神经网络提出的四个来自微软研究的学者。它可以提高信息传播的效率通过添加直接连接边的非线性卷积层(4]。

学者们对网络通信进行了大量的研究工作及其应用。这些包括计算机病毒的传播在计算机网络和社交网络谣言的传播。同样,人群中传染病的传播和信息的在线社区,博客等也包括在内。这些可以被视为传播特定信息法律[5]。信息在现实网络的传播过程是影响网络状态信息的发布者和他们的行为。信息是否可以从一个节点传到另一个,让后者成为了传播者与传播者的影响,后者的接受能力。例如,在[6),张和他设计了一个基于邻居节点之间的交互信息传播模型和改进的概率。在这个模型中,假免疫节点引入基本的传染病动力学模型。三个传播概率函数定义为完成信息传播的推理效率。在[7),基于行为分析的信息传播模型是由汉设计的。模型的建立是基于信息发布者发布的信息,信息接收者和信息传播平台,将影响用户的转发行为。在此基础上,提取特征来设计一个信息传播预测模型。然而,在媒体信息传播预测,这两个模型(6,7没有相关的结果。在这些模型中,有一个很大的拟合结果与实际结果之间的区别。因此,在本文中,我们分析了在无线网络信息传播模型使用一个深残余网络。该模型是用来实现在无线网络媒体信息传播的预测。

剩下的纸是组织如下。节2,详细讨论了该模型。结果和讨论部分3,紧随其后的是结论部分4。

2。媒体的信息传播模型,基于无线网络的剩余网络技术

本节讨论概率采集、信息传播模型和残余网络媒体信息传播。

2.1。采集无线网络媒体信息传播的概率

在沟通过程中媒体信息在无线网络中,节点本身的相互影响和邻居节点转发是非常重要的信息。我们在这里提供一些定义的模型很容易理解。在这些定义中,术语代表网络中的一个节点,该值为网络的节点的数量。网络的节点影响参数定义如下。

定义1。学位一个节点,即。,the number of neighbors of a node ,如 。

定义2。一个邻居集的节点,节点的所有邻居节点的集合 ,如 。

定义3。节点影响体重 。让 的邻居 ;然后,的影响在被定义为 度的总和所有邻居的一个点吗是 。程度就越大一个节点的是,影响力就越大 上一个节点是多少。

定义4。相对影响体重 一个节点的上一个节点 。让节点和彼此是邻居。结合定义3,体重的相对影响 被定义为 应该注意的是, 通常不等于什么 。它是由相对权威的节点和 。的作用 重新调整双方连接的重量吗和根据他们的相对位置(8]。
后的节点接触传播节点 ,无论地位的两个节点,该节点的概率变成一个传播节点是固定的,也就是说, 。它不符合真正的媒体信息传播的特点,在无线网络9]。RWSIR模型中考虑的相对影响力,传播的信息类型的传播路径的影响。转换概率将减少或扩大 最初的时期。不同路径的传播概率图所示1。
的概率上的信息路径是急剧扩大。相比之下,在路径是大幅减少,而上和路径是不明显的。模型反映了信息传播,当两个节点的权威不等于(和 ),传播的概率依赖于权威 而不是流行 。节点的节点很容易说服接受他们的观点,与职权较小而更加困难做相反的事情(10];当两个节点之间的权力差异很小,这个模型有什么影响。传播概率主要取决于信息的普及而不是权力 。
基于该模型,结合相对重量 的节点和社交网络的信息传播特点,基本的传播概率是给定的。与此同时,作为一个概率不能超过1,的价值 在一定条件下可能超过1。如果它超过1,我们指定 健康的节点将成为传播节点(11]。让 传播传播节点的概率健康的节点 ,可以表示为哪一个

2.2。基于深残余网络传播模型

深度工程特性的合成方法构造特性,可以构建新的和深度特性从单个或多个数据表字段转换和聚合。与其他特征提取方法如卷积,深度特性合成的过程是可见的,新特性构造有现实意义12]。给定的数据可以分为两层实体集。深度特性综合运用获得的传播概率创建功能实体集的实体关系。

深卷积神经网络主要由一个数据输入层、隐层和输出层。隐藏层包含一个多级神经网络,它主要是由卷积的结合层、汇聚层,和完整的连接层。器一个卷积特性是用来获取输入传播概率的细节。最后,完全连接(FC)层分类根据提取的传播特点,传播信息完整的传播预测,如图2。

可以提高网络性能使用卷积神经网络。这是通过使用非线性激活函数和批处理标准化(BN)层。隐层,每一层的每个神经单元是与下一层的所有神经单元,和所有连接有重量。在网络训练过程中,对每一层的输出结果,分类错误需要的程度来衡量损失函数计算。每一层的重量由梯度下降[更新13]。

在卷积神经网络,一个l层卷积,训练网络的梯度计算公式如下:

的输入和重量矩阵计算和损失nth层是 , ,和 ,分别和抵消这一层和计算的损失nth层和 。

从上述公式可以看出网络深度的增加,梯度幅值将急剧减少或增加。它导致浅神经元的权重更新太慢/快速通过梯度消失/梯度爆炸和模型的性能下降。因此,他和太阳提出优化残余的深入学习网络映射。它们形成残留块通过跳过卷积层使用跳连接。它在很大程度上解决了网络模型退化和大大提高训练效率14]。该模型框架如图3。

在左边的图3是剩余单位构建在这个研究。每个剩余单元的输入和输出方面是相同的。BN层利用其平均值和方差 。激活函数的输入是标准化,然后批量标准化结果被拉伸缩放参数和偏移量参数,使数据在太空中更分散更均匀。激活函数是用来提取数据的复杂特性和增加每一层的非线性关系网络(15]。添加批正常化的结果残余细胞的输入和输出的第二卷积残余细胞,原映射函数表示为 突破网络网络深度的增加引起的退化问题。深度网络模型的梯度计算公式如下:

深残余网络更新的参数输入数据直接连接到覆盖层而更新的参数覆盖层。浅网络获得的低阶的疾病特性和高阶疾病特征提取的深度网络相结合。梯度可以直接从后者流层前层通过相同的激活函数,使剩余网络具有更快的收敛速度和更强的功能表达能力比传统的卷积神经网络(16]。

为了提高信息传播的效率,增加直接连接边的非线性卷积层提出了。假设一个非线性元素(可以一个或多个卷积层) 将近似目标函数吗在一个很深的网络。目标函数分为两个部分:恒等函数和剩余功能 ,也就是说,

根据通用逼近定理,一个非线性元素组成的神经网络有足够的能力来近似原目标函数或剩余函数。然而在实践中,后者更容易学习(17]。因此,原始优化问题可以转化为非线性元件 近似剩余函数和使用 近似 。

在建立模型的过程中,传播路径损耗用作训练标记。模型的正向推理过程如下:

2.3。剩余网络改进

神经网络被激活后,它可以解决非线性函数的问题。ReLU激活函数是最好的之一。从计算的观点来看,ReLU计算简单,只需要一个阈值来计算激活值。其次,ReLU的非饱和特性可以有效地解决梯度消失的问题提供一个相对广泛的激活边界(18]。最后,单方面抑制ReLU提供网络的稀疏表达能力。然而,ReLU仍然有其局限性。公式如下:

根据公式,这个函数是直接设置为0负半轴。负梯度通过ReLU单位时将不会被激活,导致神经元的死亡(19]。第二,当正半轴ReLU函数的导数是常数,梯度将在它通过函数的时候消失。

SELU激活函数是由解决上述问题。见公式(9),正半轴SELU激活函数的导数大于1。它可以增加当方差太小,防止梯度消失。相反,负半轴不再是简单地设置为0,因此解决问题的神经元死亡(20.]。其斜率相对温和,以确保在rReLU单方面抑制优势。

一个两层的残余结构采用。SELU激活函数取代了ReLU激活函数,并在批量数据规范化。改进后的残余网络结构如图4。

3所示。实验分析

仿真实验的目的是通过使用MATLAB 7测试该模型的应用程序性能的实现无线网络媒体信息传播。无线网络传播的均衡器顺序是15。无线通信信道的抽头间隔是0.35 s,信道脉冲响应强度是100分贝,线性调制实现无线网络。载波频率是240 kbps。路由节点的接收信号采样超过2倍的波特率,以及多路检测信号作为的宽度= 200毫秒。数据集包含四种类型的媒体信息,即招聘信息、广告和娱乐信息、社会信息,和民生新闻信息。细节如表所示1。

基于表的验证集和训练集1,20-layer 30-layer深构造神经网络测试的准确性提出了模型传播媒体中的信息验证设置,结果如图所示5。

根据测试结果图5,当网络层的数量是固定的,随着迭代次数的增加,信息传播的准确性提供了一个小波动,和不同的网络层产生巨大影响信息传播的结果。与网络层的增加,30-layer网络的信息传播的准确性低于20-layer网络。结果表明,残余深度网络模型有梯度的问题开展媒体信息传播时消失。因此,本文选择一个20-layer网络结构优化。

根据测试结果图5,SELU激活函数是用来取代ReLU激活函数来优化网络,测试测试集,并分析媒体信息传播的准确性。结果如图所示6。同时,参数的最佳组合(最低预测点),用于真正的目标函数(一个分类错误率的验证集)获取最小观测值。然后,包含新的最低观测点的代理模型更新。重复上述步骤获得参数的最佳组合。媒体信息传播的平均误差函数计算时获得不同时间的优化过程。结果如图所示7。

根据测试结果数据6和7,SELU激活函数的收敛速度优于ReLU激活函数。它可以减少全球搜索,避免局部优化,确保模型的快速收敛。平均最低观测值和最小预测误差值是最低的16计算。

通信模型的覆盖在沟通的过程中是主要的测量标准。因此,穷人覆盖识别率(PCRR)被选为该指数来衡量该模型的信息传播。在沟通中,如果我们能有效地识别可怜的覆盖范围,我们可以更好地帮助运营商网络规划和优化来改善客户体验。PCRR是一个非常有价值的评价指标。穷人的值覆盖决策阈值摘要研究了−105 dBm。如果预测或RSRP小于测量值 ,它是弱覆盖和标记为1;如果它是大于或等于 ,这是nonpoor覆盖率和标记为0。根据贫困覆盖的区别和nonpoor预测值和测量值之间的覆盖范围,可以计算以下参数:真阳性(TP):真正的价值是可怜的覆盖率,和预测价值也可怜的覆盖;假阳性(FP):真正的价值是nonpoor覆盖率,和预测值差覆盖;假阴性(FN):真正的价值是弱覆盖,预测值是nonpoor覆盖;真阳性(FP):真正的价值是nonpoor覆盖;真阴性(TN):真正的价值是nonpoor覆盖,预测值也nonpoor报道。

的准确性PCRR如下:PCRR综合考虑精度和召回的目标,和它的计算公式如下: 位置精度的概率可以被理解为一个网格覆盖较弱是覆盖面窄,它的定义是

召回事件的概率可以被理解为一个网格的实际结果与弱覆盖预测是弱覆盖,它被定义为

测试数据集,弱覆盖率的变化平均接收功率计算训练集和测试集。结果如图所示8。

根据测试结果图8,我们可以看到,我们已经建立了一个良好的回归模型训练后,取得了良好的效果在测试集。弱者覆盖率达到标准后,测试集上的均方根误差减少到8.15(本地)和10.05(在线)。它证明了信息传播效果好和模型性能很好。

为了测试该模型的优化效果,媒体信息传播信号的脉冲响应特征与不同的无线网络带宽。传播信号频带是4 kHz和6 kHz,分别之前和之后的优化,如图9和10。

根据测试数据的结果9和10优化之前,当传播信号频带是4 kHz和6 kHz,分别收集到的信号相对分散,波动明显,和集中区域受噪声的影响。优化处理后,输出信号具有良好的抗干扰性能,波动小,高信号连接,和较强的噪声抑制能力。因此,结果表明,优化后,可以更清楚地描述媒体的沟通状态信息。

基于相同的验证集和测试集,向前推理矩阵构造。信息传播模型基于邻居节点之间的交互和改进的概率(6]和[7)和基于行为分析的信息传播模型选为模型的比较模型。预测的准确性的四种媒体信息传播。结果如图所示11。

根据测试结果图11的准确性,提出了四种媒体信息传播预测模型是最好的,明显比两个比较模型,和准确性超过97.4%。因此,该模型具有良好的预测效果的媒体信息传播的无线网络。它能清晰、准确地描述媒体信息的传播状态,以确保准确的信息传播。

为了测量的描述模型对法律的无线网络媒体信息传播的三个模型是用来进行拟合测试信息传播,分别。这三个模型的拟合结果与实际结果计算和比较。这三个模型的拟合条件进行比较,如表所示2。

根据测试结果表2摘要,模型的拟合结果最接近实际结果。两个比较模型的拟合结果与实际结果有很大不同。在理想的状态下,峰值传播模型的节点的数量在6)是最好的。然而,它是明显不同于实际的数据。早期的信息传播,传播节点的数量的增加趋势的模型7)低于建议的模型。然而,随着信息的不断传播,参考模型(7)显示了明显的下行趋势。结果表明,在实际的通信应用程序过程中,每个媒体的消息将会在不同程度受到影响,这将影响沟通过程。因此,该模型考虑了节点的信息传播的态度,哪个更符合真实网络的传播规律,可以实现更好的拟合结果。

为了测量的传播性能模型,在本文中,这三个模型的输出比特误码率在信息传播的过程中四个媒体信息传播渠道的测试。结果和测试比较如图12。

根据测试结果图12,该模型的误比特率是最低的四个媒体信息传播渠道。这是明显低于两个比较模型的输出比特误码率。因此,符号模型的畸变小于4.2%。

4所示。结论

无线网络媒体信息传播是受许多因素的影响。信息传播影响因素的研究有助于理解信息传播的规律。这是信息传播的控制具有重要意义。本文研究了基于无线网络媒体信息传播模式,用于媒体信息传播预测。模型考虑了节点之间的交互作用对信息传播的影响,可以正确地描述节点信息传播的影响。通过优化深层残留网络中,信息传播的实际应用可以更好地实现。测试结果表明,该模型可以准确地实现不同类型的媒体信息的分类,和平均误差和错误信息传播率很低。因此,它可以反映媒体信息传播的特点,在实际应用的无线网络在很大程度上。它可以准确地预测的状态在一个无线网络媒体信息传播。

数据可用性

和/或使用的数据集分析在当前研究可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。