本技术涉及网络负载预测与调度方法技术领域，更具体地说，涉及基于深度学习的移动通信网络负载预测与调度方法及系统，包括:获取来自多个边缘计算节点的数据，包括基站数据、用户行为数据和环境参数数据；基于中央系统和边缘系统协同工作，构建用于负载预测和资源调度的多层模型；利用边缘计算节点中的动态特征嵌入变换模块进行特征提取；基于优化特征进行递归时空特征处理；通过预测模型生成网络负载预测结果；基于预测结果通过强化学习模型进行资源调度优化，通过对原始数据的动态特征嵌入，将多维特征嵌套映射到高维特征空间。嵌套特征进一步通过时变协同张量优化算法进行优化，能够在捕捉复杂非线性特征的同时，增强不同基站间的空间关联性。

 本技术公开了一种基于FPGA的合数长互Z‑互补集生成方法及通信装置，属于无线通信领域。其具体步骤包括:数据准备，任取一长度为q×p的初始序列X，并设置相同长度的旋转因子序列W；循环移位，对序列X连续执行p‑1次q位循环移位，形成含有p个序列的集合；DFT运算，将经过循环移位处理后生成的序列集进行DFT运算，得到的新序列集即为互Z‑互补集。一种通信装置，包括数据输入模块、DFT计算模块和数据输出模块，数据输入模块负责数据准备并执行循环移位；DFT计算模块用于对输入的序列进行DFT运算；数据输出模块则在特定的时钟信号控制下输出生成的互Z‑互补集。本发明生成的互Z‑互补集适用于空间调制多输入多输出系统。

 本技术涉及一种面向依赖任务的资源分配方法，属于无线通信技术领域。该方法包括以下步骤:S1：在工业互联网场景中，构建包括云服务器、边缘服务器和工业互联网设备的工业互联网系统模型并将任务间的依赖关系建模为有向无环图。S2：构建工业互联网网络的系统总时延能耗加权和数学模型；S3：将问题模型建模为马尔科夫决策过程，使用一个基于深度强化学习DRL的SAC算法框架，以在具有多个边缘服务器的工业互联网IIoT设备场景中获得依赖任务的近似最优卸载策略。

 本技术属于车联网技术领域，具体涉及一种基于主动学习多目标优化的车载业务卸载方法。所述方法包括以下步骤:首先获取车联网应用场景，建立车载业务的时延模型和能耗模型；然后根据建立的时延和能耗模型，求得业务对应的时延和能耗，构建多目标优化问题；其次通过采用基于主动学习的多目标优化算法对所述多目标优化问题进行求解，得到帕累托最优解集合；最后，根据求得的帕累托最优解集合，完成车载业务的资源分配和计算卸载。本发明整合了主动学习的优势，在求得与穷举搜索算法接近的帕累托最优解集合的同时，降低了需要评估目标函数的次数，从而降低了车联网中获取数据集的成本，同时提升了算法的适应性。

 本技术提供了一种半带宽单边带光信号的发送、恢复方法及系统。其中系统包括，信号产生与构造模块，利用强度调制光发射机和发射未调制信号的激光器构造单边带信号，以避免因光纤色散和平方律检测相互作用引起的功率衰落问题。信号接收与处理模块，光信号经过光电转换时受到器件带宽的限制，这会破坏输出的电信号和对应输入的单边带光信号之间的关系，针对这一情况，本发明设计了新的数字信号处理方法，通过重构原单边带光信号中的强度调制信号，以恢复原信号。本发明利用不能完全接收光信号频谱的低带宽器件和半带宽单边带信号的恢复算法，准确恢复单边带信号的方法和系统，涉及从信号产生和构造到接收处理整个流程的优化。

 本技术涉及一种基于贝叶斯优化的多用户和速率最大化方法。首先构建了新的用户效用函数，以多用户系统的误差向量幅度最小化为目标，构建了内层的预编码优化问题和外层的缩放系数优化问题。其次，在内层优化问题中，将缩放系数固定，利用梯度下降法更新预编码矩阵，通过加权最小均方误差框架对内层问题进行求解。最后，利用贝叶斯优化，以最小化全体用户的误差向量幅度和为目标优化缩放系数，确定最终的最优预编码矩阵。本发明提升了有限符号集情况下的系统性能，使得算法在多种信道环境下均表现出较优的传输质量，具备较高的实用性和推广价值，从而为无线通信网络中的多用户多输入多输出预编码涉及提供了一种低复杂度、高性能的解决方案。

 本技术公开了一种三维无线传感器网络节点部署方法，首先，选定测定区域进行初始化，将其所在空间划分为子区域；其次，对子区域空间进行节点初始化部署，采用贪心策略改进初始化过程，利用蒙特卡洛方法快速计算子区域的未覆盖区域，在子区域内计算簇中心节点与其他节点距离，并根据禁忌搜索目标函数优化节点初始位置；最后，根据簇中心节点欧式距离和子区域内簇中心节点占有比优化整体节点，以此调整整体区域与子区域各节点工作状态。本发明综合考虑了节点初步部署随机化产生的不确定性，利用改进的K‑means算法，快速提供聚类中心，能够有效地提高三维无线传感器网络节点的覆盖率以及减小节点过度部署产生浪费的问题。

 本技术公开了一种基于光神经网络的光通信信号优化的方法及装置，涉及光通信技术领域。本发明方法通过设计光神经网络芯片，在光路上对光通信系统的光传输信号进行优化；在电上将训练好的神经网络的权重加载到光神经网络中，通过片上在线训练，不断优化权重，从而提高光信号优化的质量。在完成训练后，可根据各器件的权重设计相应的微环调制器从而实现全光处理，并且不需要光电转换，减少系统因光电器件引起的噪声。本发明方法通过光光神经网络处理光通信信号，避免了对电子计算资源的依赖，提高了光通信系统的响应速度和消光比。

 本技术公开了一种基于车边云自主协同的可信任务卸载方法。该方法可应用于动态异构车联网中解决因虚假任务和恶意节点所引发的任务堆积、资源抢占、协作不佳等低效问题。首先，本发明提供了卸载任务与协作节点信任评估模型，通过分析数据敏感性、资源抢占性、历史卸载成功率和协作反馈评价，精准辨识过滤虚假任务和恶意节点；然后，本发明利用离散粒子群算法迭代获取车边云协同卸载决策，重新设计粒子编码、适应度函数和校正机制，并引入随机量、贪婪和映射函数增强卸载决策多样性。相比传统任务卸载方法，本发明在任务紧凑和均匀分布的场景中，均表现较好能耗和延迟性能，有效提升了卸载效率和安全性。

 本技术公开了一种基于图神经网络的物理层安全传输方法及系统，属于通信信号处理技术领域，首先构建存在多个窃听者和合法用户与基站通信的场景，分析得出接收机的瞬时接收速率，并形成以最大化此系统的合法用户接收速率、最小化此系统的窃听者接收速率为目标，发射波束赋形为变量的问题模型；然后开发了一个基于图神经网络的框架，其中波束赋形向量通过神经网络训练来解决。采用随机梯度下降法对神经网络参数进行优化，达到有效抑制窃听、提升物理层安全的目的。