改进的SGA端元选择的快速方法
精选第五代移动通信技术(5G)测试题库288题(含标准答案)
2020年5G考试题库288题一、选择题1． NR下， RNA的组成方式有下面哪几种选择( )A) List ofcells；B) List ofRAN areas；C) List ofTAs；D) List ofPLMN。
2．当没有配置监听DCIformat 2_0的PDCCH时，以下哪种overwriting的方式是符合规则的（）A) DCI format1_0/1_1 将UE-specific配置为U的符号改写为接收PDSCHor CSI-RS；B) DCI format0_0/0_1/2_3将UE-specific配置为D的符号改写为发送PUSCH, PUCCH, PRACH, or SRS；C) DCI format1_0/1_1 将UE-specific配置为flexible的符号改写为接收PDSCHor CSI-RS；D) DCI formatDCI format 0_0/0_1/1_0/1_1/2_3 将UE-specific配置为flexible的符号改写为发送PUSCH，PUCCH，PRACH或SRS；3．关于5GRLM下面描述正确的是（）A) 至少有一个资源比Q_out好，就上报ISB) 至少有一个资源比Q_in好，就上报ISC) 所有资源都比Q_out差，就上报OOSD) 所有资源都比Q_in差，就上报OOS4．5G需求驱动力（）A) 大视频B) 物联网C) VR/ARD) 自动驾驶5．5G正在研发中，理论速度可达到（D）参考答案：A、50Mbps参考答案：B、100Mbps参考答案：C、500Mbps参考答案：D、1Gbps6．5G的含义包括：无所不在、超宽带、（）的无线接入。
A) 低延时B) 高密度C) 高可靠D) 高可信7．5G核心网网元包括（）A) AMFB) SMFC) UPFD) NEF8．5G中PUSCH支持的波形包括（）A) DFT-S-OFDMB) CP-OFDMC) DFT-OFDMD) D.S-OFDM9． 5G NR中SSB组成()A) PSSB) SSSC) PBCHD) CSI-RS10．5G RLM使用的参考信号是 ()A) SSB RSB) CSI-RSC) C-RSD) DM-RS11．对于NRRNA概念，下面哪项是错误的()NG RNA可以提供不同的RNA定义给不同的UEs;NG RNA可以同时提供不同的RNA定义给同一个UE;UE需要支持list of cells和list of RAN areas 2种RNA配置;UE不需要2种RNA配置list of cells和list of RAN areas都支持;12．下面哪些RB可以配置不同的PDCP Version ( )A) SRB1B) SRB2C) MNterminated MCG BearerD) SNterminated MCG Bearer13．下面关于BWP的描述正确的是（）A) BWP可以支持更低的UE带宽能力B) BWP可以支持不同的numerologyC) BWP的灵活调度可以大大降低功耗D) 在某一个时刻，最多只能有一个激活的DLBWP和UL BWP14．MCGfailure 的触发原因有哪几种. ()A) upon T310expiryB) upon T312expiryC) uponrandom access problem indication from MCG MAC while neither T300, T301, T304nor T311 is runningD) uponindication from MCG RLC that the maximum number of retransmissions has beenreached for an SRB or DRB15．MCGfailure 后，下面正确的是 ( )A) 安全模式已建立情况下，启动重建流程；B) 安全模式已建立情况下，回IDLE；C) 安全模式未建立情况下，启动重建流程；D) 安全模式未建立情况下，回IDLE;16．NR测量根据RS接收信号的类型可以分为：（）A) 基于SSB的测量B) 基于CSI的测量C) 基于CSI-RS的测量D) 基于PSS的测量17．以下哪种DCI Format必须与Format 1-0 size相等（）。
快速估算特征根在改进SMA法中的应用
快速估算特征根在改进SMA 法中的应用胡永强，刘森华北电力大学电气与电子工程学院，保定（071003）Email ：hy_qiang@摘 要：利用改进SMA 法求解多机系统机电振荡模式特征根可以避免维数灾问题，但是改进SMA 法对特征根初值有一定的要求，否则会出现丢根现象。
为了解决这一问题，本文将快速估算特征根法和改进SMA 法结合起来，以快速估算法计算得到的机电模式特征根作为改进SMA 法的特征根初值。
最后利用新英格兰10机系统算例证明了本方法的有效性。
关键词：多机系统，机电振荡模式，特征根，改进SMA 法1．引言多机系统中研究机电振荡的传统方法是QR 法，即根据线性化后的全系统状态方程，由QR 法求出其全部特征根和特征向量，利用机电振荡的特征从中挑选出机电振荡所对应的特征根和特征向量，从而分析系统的振荡情况。
当系统规模较小时，QR 法具有非常好的收敛特性和数值稳定性；但随着系统规模的扩大，当状态方程阶数超过200时，QR 法的收敛特性和数值稳定性显著恶化，从而出现维数灾问题。
为求解大规模电力系统的特征根，人们作出了种种努力，并提出了一些有效的计算方法，改进SMA 法就是其中的一种。
改进SMA 法以迭代为基础，需要对系统特征根初值作出较为准确的估计。
当初值选取不合适时，会出现丢根现象。
本文利用文献[6]提出的快速估算方法，估算出系统的机电模式特征根和特征向量，以它们作为改进SMA 法的初值。
最后的10机算例证明了这两种方法的结合的有效性。
2．改进SMA 法选择模式法(SMA)通过保留机电振荡相关的状态量ω∆和δ∆而消去其他状态量，使状态方程阶数大大降低，然后用迭代的方法求取低频振荡模式和模态。
SMA 法可以较好地适应大规模电力系统的低频振荡分析，并能节省机时[2]。
改进SMA 法的基本原理如下：若把系统状态方程XAX =&划分为： 111211212222A A X X A A X X ⎡⎤⎡⎤⎡⎤=⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦&& （1） 其中1,T T T X δω⎡⎤=∆∆⎣⎦为保留变量，2X 为其他变量待消去。
移动通信网络优化方法
移动通信网络优化方法一、信号覆盖优化1.增加基站密度：增加基站的数量和覆盖范围，提高信号的覆盖率和网络容量。
2.优化天线系统：调整天线方向和高度，减少阻挡和干扰，提高信号的传输质量。
3.使用信号转发器：在信号覆盖不好的地区设置信号转发器，增强信号的传输能力。
二、容量优化1.频谱分配优化：通过合理分配频谱资源，提高网络的容量和利用率。
2.增加小区数量：将大的小区拆分成多个小的集群，减少用户之间的干扰，提高网络的容量。
3.功率控制优化：根据用户的需求和信号质量，动态调整功率控制策略，提高网络的容量和能效。
三、质量优化1.优化调度算法：根据用户的需求和网络的拥塞情况，合理分配资源，提高用户的通信质量。
2.优化传输协议：通过改进传输协议，提高数据传输的稳定性和可靠性，减少传输延迟，提高用户体验。
3.优化网络拓扑结构：合理规划网络的拓扑结构，减少网络的延迟和丢包率，提高通信质量。
四、干扰优化1.频率规划优化：通过合理的频率规划，减少同频干扰和邻频干扰，提高网络的容量和覆盖率。
2.优化天线设置：调整天线高度和方向，减少干扰源对目标小区的干扰。
3.预编码技术：通过引入预编码技术，减少多径干扰，提高信号的传输质量。
五、能耗优化1.功率控制优化：根据用户的需求和信号质量，动态调整功率控制策略，减少功耗，提高能效。
2.休眠策略优化：对于空闲的小区和设备，采用休眠策略，减少能耗，提高网络的能效。
六、路由优化1.路由选择优化：通过选择最短路径和较低拥塞的路径，减少数据传输的延迟和丢包率，提高网络的质量和稳定性。
2.动态路由优化：根据网络拥塞和用户需求的变化，动态调整路由策略，提高网络的质量和性能。
综上所述，移动通信网络优化方法主要包括信号覆盖优化、容量优化、质量优化、干扰优化、能耗优化和路由优化。
这些方法可以改善网络的性能和服务质量，提高用户的通信体验。
在实际应用中，需要根据具体的网络情况和需求选择合适的优化方法，并进行系统的规划和实施。
现代优化方法综述(SA,GA,AC)_PPT课件
复制后交
初始群体
实际计数
交叉位置
பைடு நூலகம்
串编号
(随机生 成 n=4)
X 值(无符 适应度函 选择概率 号整数) 数 f(x)=x2 Ps=fi/∑f
适应度期 望值 fi/f
(来自赌 轮)
配率(竖 线表示交
叉处)
配对(随 机选择)
(随机选 择)
新一代群 体
X值
1 01101 13
169 0.14 0.58
1 0110|1 2
平均适应度(f=∑fi/n) 最大适应度
293 0.25 1.00 1.0 576 0.49 1.97 2.0
f(x)=x2
144 625 729 256 1754 439 729
SGA的特点
采用赌轮选择方法 随机配对 采用一点交叉并生成两个子个体 群体内允许相同的个体存在
问题
5个关键环节及参数设定 TSP问题的遗传算法求解
一是透过问题背景告诉了我们什么已知信息； 二是要求我们做什么，解决什么问题。
然后紧密联系上面两个问题，实现两个量化：
一是对已知条件的符号化和量化； 二是对需解决问题的转化和量化。
最后，再联系自己对数学知识的把握、对数学建模方法 的领悟，借助一系列数学工具（方程、函数、矩阵、向 量等）把量化后的符号（变量）沟通起来建立数学模型。
4 01100 12
2 11000 24
576 0.49 1.97
2 1100|0 1
4 11001 25
3 01000 8
64 0.06 0.22
0 11|000 4
2 11011 27
4 10011 19
361 0.31 1.23
光谱解混[整理版]
![光谱解混[整理版]](https://img.taocdn.com/s3/m/bc83e4db0d22590102020740be1e650e52eacfca.png)
光谱解混定义：Spectral unmixing is the procedure by which the measured spectrum of a mixed pixel is decomposed into a collection of constituent spectra，or endmembers，and a set of corresponding fractions，or abundances，that indicate the proportion of each endmember present in the pixel.【spectral unmixing，2002】光谱混叠产生原因：First, if the spatial resolution of a sensor is low enough that disparate materials can jointly occupy a single pixel, the resulting spectral measurement will be some composite of the individual spectra. This is the case for remote sensing platforms flying at a high altitude or performing wide-area surveillance, where low spatial resolution is common. Second, mixed pixels can result when distinct materials are combined into a homogeneous mixture. This circumstance can occur independent of the spatial resolution of the sensor.光谱混合模型：混合像元分解模型可以分为两类，即线性光谱混合模型( LSMM，Linear Spectral Mixture Model) 和非线性光谱混合模型( NLSMM，Nonlinear Spectral Mixture Model) LSMM假定像元光谱是各组分光谱的线性组合，而NLSMM则认为像元光谱是各组分光谱按照非线性关系综合而成的。
5G优化案例-基于5G NSA切换流程问题定位及端到端优化
基于5G NSA切换流程问题定位及端到端优化XX无线维护中心作者：XXXX年XX月目录一、问题描述 (3)二、分析过程 (3)2.1NSA切换流程介绍 (4)2.2常见典型NSA切换问题端到端分析 (6)三、解决措施 (16)四、经验总结 (17)XX市-基于5G NSA切换流程问题定位及端到端优化XX电信无线维护中心肖亚【摘要】5G NSA切换由于组网的特殊性切换流程相对LTE较复杂，本文通过介绍5G NSA和SA组网的区别，基于NSA切换流程问题定位及端到端优化思路为后期5G和传统无线网络的区别和切换问题的分析提供优化思路及方法；【关键字】5G、NSA、切换、端到端优化【业务类别】优化方法、基础维护、5G、流程类、参数优化一、问题描述3Gpp协议为5G定义了NSA（NR Non-standalone）和SA（NR standalone）两种组网方式；NSA组网具备现网改造成本低通过核心网和LTE升级快速部署的特点XX电信现网大部分都是部署NSA组网；NSA组网根据数据分流点不同又分为Option3,Option3a，Option3X，Option7,Opetion7a,Option7x 6种组网方式；XX电信当前现网都是Option3X组网，随着站点建设连片成簇后，DT拉网发现现网NSA切换存在X2链路异常、终端异常、邻区漏配、频点错误等问题。
图1. 5G NSA和SA组网二、分析过程通过NSA NR站内、NR站间、LTE切换流程，并依据测量控制下发->UE测量上报->切换出准备->空口随机接入失败过程端到端分析来精准定位问题，精细优化提升切换成功率。
图2. 5G NSA切换问题端到端分析思路2.1NSA切换流程介绍2.1.1NSA切换的信令流程—NR站内NR站内切换，是指在同一个gNodeB下不同的小区做切换，切换是根据UE上报A3事件，通过X2口将测量报告上报给NR基站，在NR判断具备站内切换的条件发起站内切换，站内切换网元间系统流程如下：图3. NR站内切换信令2.1.2NSA切换的信令流程—NR站间NR站间切换，是指在两个gNodeB间的不同小区做切换，切换是根据UE上报A3事件，通过X2口将测量报告上报给NR基站，在NR基站判断具备站间切换的条件发起NR站间切换，站间切换入时需要源侧将测量报告以及源侧的测量配置，小区的Index 等通过X2AP_SGNB_CHANGE_REQUIR消息带给LTE, LTE 解码后组装为SGNB ADD REQ 消息后发送到目的侧，故在目的侧，根据测量报告获取到对应的小区后，添加scg，同时在测量配置时需要将源侧的配置删除，源侧的小区Index 也需要删除。
第28章 优化SGA
优化SGA
Pre_page_sga的含义及优化。 该参数的作用是启动数据库实例时，将整个 SGA读入物理内存，对于内存充足的系统而 言，这样显然可以提高系统运行效率。我们 修改该参数为TRUE。如下例所示。 例子28-40 设置参数PRE_PAGE_SGA为 TRUE。 SQL> alter system set pre_page_sga= true scope = spfile;
优化SGA
Lock_sga的含义及优化 该参数的作用是将SGA锁定（lock）在物理内存内，这样就不 会发生SGA使用虚拟内存的发生，显然这样可以提高数据的读 取速度，记住磁盘I/O操作永远是尽量避免或减少的。该参数 的默认值为FALSE，即不将SGA锁定在内存中。下面，我们修 改参数lock_sga为true。如下所示。 例子28-39 设置参数LOCK_SGA为TRUE。 SQL> alter system set lock_sga = true scope = spfile; 系统已更改。 该参数是静态参数，需要重启数据库才可生效。
优化SGA
将程序常驻内存 在Oracle数据库中有一个软件包 dbms_shared_pool，它提供过程keep和 unkeep将用户经常使用的程序如存储过程、触发 器、序列号、游标以及JAVA SOURCE等数据库对 象长期保存在一个内存结构中，这个内存区就是共 享池（shared pool），对于用户频繁使用的这些 数据库对象而言，将其常驻内存可以减少磁盘I/0 从而减少用户的响应时间
优化SGA
将数据常驻内存 在生产数据库中，为了提高用户的访问速度对于经 常使用的表，可以使其常驻内存中，这样避免了对 该表访问时产生频繁的磁盘I/O行为，这样可以提 高用户的访问响应时间，虽然造成一定的内存占用， 但是使用内存访问确实提高了访问的响应时间，在 某种程度上是有效的。而当不需要频繁访问该表时， DBA可以将其从内存中清除。本节我们再次学习 Oralce的各种数据块的缓存池，通过分析了解将数 据常驻内存的必要性，和可行性。然后给出一个具 体的例子将SCOTT用户的EMP表和一个索引常驻 内存
强化学习算法中的策略改进方法详解
强化学习算法中的策略改进方法详解强化学习是一种通过与环境交互来学习最优行为的机器学习方法。
在强化学习中，智能体通过在环境中执行动作，观察环境的反馈并根据反馈来更新自己的策略。
策略是指智能体在特定状态下选择动作的概率分布。
强化学习的目标是找到一个最优策略，使得智能体在与环境的交互中能够获得最大的累积奖励。
在强化学习算法中，策略改进是一个重要的环节，它可以帮助智能体学习到更加优秀的策略。
在这篇文章中，我们将详细介绍强化学习算法中的策略改进方法。
价值迭代价值迭代是一种基于值函数的策略改进方法。
值函数是衡量状态或状态动作对的优劣的函数。
在价值迭代中，我们首先用一个任意的值函数来初始化策略，然后通过迭代的方式逐步更新值函数，最终得到最优值函数。
在得到最优值函数之后，我们可以根据值函数来改进策略，从而得到最优策略。
在价值迭代中，值函数的更新是通过贝尔曼方程来实现的。
贝尔曼方程是一种描述值函数之间关系的方程，通过不断地迭代求解贝尔曼方程，我们可以逐步地逼近最优值函数。
一旦得到最优值函数，我们就可以根据值函数来改进策略，从而得到最优策略。
策略梯度方法策略梯度方法是一种直接对策略进行优化的方法。
在策略梯度方法中，我们通过梯度上升的方式来更新策略参数，使得能够最大化期望累积奖励。
策略梯度方法的优势在于可以直接对策略进行优化，而不需要借助值函数。
在策略梯度方法中，我们首先定义一个可微的策略函数，然后通过对期望累积奖励的梯度来更新策略参数。
通过不断地迭代更新策略参数，我们可以逐步地逼近最优策略。
策略梯度方法的一个典型代表是深度强化学习中的深度确定性策略梯度（DDPG）算法。
探索-利用平衡在强化学习中，探索和利用是一个非常重要的问题。
在探索阶段，智能体需要尝试不同的动作，以便发现环境的特性和获得更多的奖励；而在利用阶段，智能体则需要根据已有的知识来选择最优的动作，以获得最大的奖励。
探索和利用之间的平衡是强化学习中的一个难点。
移动自组织网络中基于位置预测的贪心周界无状态路由改进算法
移动自组织网络中基于位置预测的贪心周界无状态路由改进算法移动自组织网络（MANET）是一种由移动节点组成的无线网络，这些节点可以在没有固定基础设施的情况下通过自组织的方式进行通信。
在MANET中，节点之间的通信是通过无线信道进行的，因此网络拓扑结构和节点位置的变化都可能对通信质量产生影响。
对于MANET中的路由协议来说，如何根据节点位置进行路由选择是一个重要的问题。
基于位置预测的贪心周界无状态路由算法（GPSR）是一种常用的无线自组织网络路由算法，它通过利用节点的位置信息来进行数据包的转发。
该算法通过选择下一跳节点的方式进行路由选择，以达到数据包从源节点到目的节点的传输目的。
由于节点移动和网络拓扑的动态变化，GPSR算法可能会出现数据包无法到达目的节点或者传输延迟过大的情况。
需要对GPSR算法进行改进，以提高路由的稳定性和传输效率。
本文提出了一种基于位置预测的贪心周界无状态路由改进算法，旨在解决GPSR算法中存在的问题，并提高MANET中的路由性能。
该算法结合了节点位置预测和贪心周界路由的特点，通过在路由选择过程中预测节点位置，优化路由路径，以降低数据包的传输延迟和提高传输效率。
本文将介绍GPSR算法的基本原理和存在的问题，然后详细描述基于位置预测的贪心周界无状态路由改进算法的设计思想和具体实现方法。
接着，通过对比实验结果，对改进算法的性能进行评估和分析，验证改进算法的有效性和优越性。
本文总结了基于位置预测的贪心周界无状态路由改进算法的优点和局限性，并提出了进一步的研究方向。
GPSR算法基本原理及存在的问题实验结果分析改进算法的优点和局限性进一步的研究方向总结在MANET中，路由选择算法能够直接影响通信质量和网络性能。
基于位置预测的贪心周界无状态路由改进算法是一种针对GPSR算法进行优化的算法，通过对节点位置进行预测，选择最优的路由路径，以提高数据包的传输效率和降低传输延迟。
通过实验对比分析，本文验证了改进算法的有效性和优越性，改进算法还存在一些局限性，需要在未来的研究中进一步完善。
5G NSA组网下锚点站的选择策略优化
5G NSA组网下锚点站的选择策略优化5G NSA (Non-Standalone)组网是一种新一代无线通信技术，它通过结合4G和5G网络来提供更高速率、更低延迟和更可靠的服务。
在5G NSA组网中，锚点站（Anchor Node）的选择策略对网络性能具有重要影响。
优化锚点站的选择策略可以提高网络吞吐量、减少干扰和延迟，提高用户体验。
本文将介绍一种优化锚点站选择策略的方法。
为了优化锚点站的选择策略，我们需要考虑以下几个因素：网络拓扑结构、信号强度和负载均衡等。
在网络拓扑结构方面，我们需要计算每个锚点站与其他节点的距离。
通常情况下，选择距离最近的锚点站作为连接节点可以减少传输时间和延迟。
可以使用无线信号强度测量或使用全球定位系统（GPS）来获取节点之间的距离信息。
信号强度是选择锚点站的另一个重要因素。
强信号通常意味着更好的传输质量和更高的带宽。
我们可以通过测量信号强度来选择信号最强的锚点站作为连接节点。
这可以通过无线信号强度传感器或专门的测量设备来实现。
负载均衡也是优化锚点站选择策略的关键因素之一。
在网络中，不同的锚点站可能具有不同的负载水平。
为了提高网络性能，选择负载较低的锚点站作为连接节点可以减少网络拥塞和延迟。
可以使用流量监测工具来计算每个锚点站的负载水平，并选择负载较低的节点。
还可以考虑其他因素来优化锚点站选择策略。
可以考虑网络拓扑中的障碍物、多径传播和多跳路由等因素。
这些因素可以通过进行网络建模和仿真来研究和优化。
优化锚点站选择策略是提高5G NSA组网性能的关键。
通过考虑网络拓扑结构、信号强度、负载均衡和其他因素，可以选择最佳的锚点站作为连接节点，从而提高网络吞吐量、降低干扰和延迟，提供更好的用户体验。
系统间重选机制改进及3A测量机制改进(移动)
TD到2G的系统间重选
与2G到TD的重选类似，判决 执行阶段也根据两系统信号 电平的相对差值进行判决
MS根据R准则计算TD小区的Rs和GSM邻区 的Rn，如果Rn>Rs且持续一段时间 判决执行TD->2G重选 中国移动通信研究院 Research Institute of China Mobile
新终端：GSM信号>-95dBm时，终端将启动对TD的测量 老终端：GSM信号>-78dBm时，终端将启动对TD的测量
TD发展期
TD负荷较高，需GSM网络分担部分话务 原有基础上提高测量门限，部分用户将转向驻留到GSM网络。如 设为13
新终端：GSM信号>-70dBm时，终端将启动对TD的测量 老终端：GSM信号>-58dBm时，终端将启动对TD的测量
中国移动通信研究院 Research Institute of China Mobile
改进技术方案要点一 ：测量范围改进
测量门限（QSearch-I）取值不 变，但其对应的信号范围的含义 发生变化
0-6对应为GSM信号弱于××的 含义，将来可能应用于G网逐步 退网的场景，新方案不变化 将8~14取值对应的信号范围为 [－78，－54]变更为[－95，－65]
9
10 11 12 13 14 15 负无穷
-74
-70 -66 -62 -58 -54 负无穷
-90
-85 -80 -75 -70 -65
中国移动通信研究院 Research Institute of China Mobile
改进技术方案要点一 ：测量范围改进
SGA自动管理
SGA自动管理概述1.为什么SGA自动管理？SGA自动管理可以避免手工管理的局限和不便，简化数据库管理工作。
2.如何在SGA自动管理与手工管理之间切换？通过设置sga_target为零和非零值，可以完成手工和自动管理切换。
3.常用SGA参数问题：sga_max_size 表示系统可以分配给SGA最大内存大小。
如果这个参数设置小于SGA各组件大小的和(包括自动管理和手工管理,明式设置和隐含设置)，则系统会忽略这个参数设置。
但在实例启动后，查询这个参数的值自动改为系统实际使用的值。
在这种情况下，不能再动态加大sga_target，因为sga_max_size就是当前实例所用SGA。
sga_target表示SGA自动管理内存的大小。
可以动态修改，但动态修改时不能超过当前实例启动时sga_max_size设置的大小。
当这个参数小于最小保守值和时实例启动时会报错，并提示sga_target应该是多少大。
Lock_sga表示要把SGA的分配锁在内存范围内，不允许扩展到磁盘。
4.粒度问题：SGA小于1G时，粒度为4M。
SGA大于1G时，粒度为16M或更大。
这也不是绝对，跟平台有密切相关。
如windows 32bit中，1G以上粒度仍是8M。
5.SGA自动管理范围自动管理问题一:如何查看自动管理SGA各组成配置方法一10g ORACLE数据库默认是启用spfile，从spfile中创建pfile，在pfile头部我们可以看到以下参数：$SID.__db_cache_size=25165824$SID.__java_pool_size=4194304$SID.__large_pool_size=4194304$SID.__shared_pool_size=30485760$SID.__streams_pool_size=0可以查看创建pfile时当时当前实例的SGA配置情况。
这些参数无论是在手工管理或自动管理模式下，人工修改这些参数是不起作用的。
端元选择方法及操作
原文地址：混合像元分解中的端元波谱获取方法作者：ENVIIDL选取合适的端元是成功的混合像元分解的关键。
端元选取包括确定端元数量以及端元的光谱。
理论上，只要端元数量m小于等于b+1（b表示波段数），线性方程组就可以求解。
然而实际上由于端元波段间的相关性，选取过多的端元会导致分解结果更大的误差。
端元光谱的确定有两种方式：(1) 使用光谱仪在地面或实验室测量到的“参考端元”；(2) 在遥感图像上得到的“图像端元”。
方法(1)一般从标准波谱库选择，方法(2)直接从图像上寻找端元可选择的方法有：从二维散点图中基于几何顶点的端元提取，借助纯净像元指数（Pixel Purity Index ——PPI）和n维可视化工具用于端元波谱收集，基于连续最大角凸锥（Sequential Maximum Angle Convex Cone——简称SMACC）的端元自动提取。
下面介绍几种端元选择的方法。
1基于几何顶点的端元提取将相关性很小的图像波段，如PCA、IC、MNF等变换结果的前面两个波段，作为X、Y轴构成二维散点图。
在理想情况下，散点图是三角形状，根据线性混合模型数学描述，纯净端元几何位置分布在三角形的三个顶点，而三角形内部的点则是这三个顶点的线性组合，也就是混合像元，如图14.17所示。
根据这个原理，我们可以在二维散点图上选择端元波谱。
在实际的端元选择过程中，往往选择散点图周围凸出部分区域，后获取这个区域相应原图上的平均波谱作为端元波谱。
图14.17 散点图上的纯净像元与混合像元下面以MNF变换后的第一、第二波段作为X、Y轴构建二维散点图，如图14.18所示。
图14.18 Scatter Plot窗口2基于PPI的端元提取借助纯净像元指数（PPI）和n维可视化工具用于端元波谱收集，下面详细介绍操作步骤。
第一步、获取纯净像元这个步骤是在MNF变换的结果上计算纯净像元指数（PPI），之后选择阈值范围从PPI图像上获得感兴趣区，感兴趣区包含的像元就是比较纯净的像元。
一种新的遗传算法最优保存策略
群就越是丰富多样. 当存在多对个体的相异因子非 常小时, 种群多样性就会遭到破坏.
而另一方面, 要使得遗传算法能够快速地收敛 到全局最优点, 应该尽可能保证适应值高的优秀个 体的存在, 充分发挥遗传算法 优胜劣汰 的特点, 为此作者提出一种新的最优保存策略, 此策略在最 优个体保留的基础上, 添加一个新个体到下一代, 该 个体具有与最优个体的相异因子较大, 而适应值不 过小的特点. 这样做既保持了每一代最佳适应值单 调递增, 又通过新添加的个体来保持种群个体染色 体的多样性, 而且算法具有全局收敛性.
y ij ( i, j ) , 海明距离ห้องสมุดไป่ตู้小, H ( M1 , M2 ) = 0, 同时易
知, n 维空间中任意两个个体之间的海明距 离最大
n
值为: H ( M1 , M 2 ) = ( m - 1) li .
i= 1
定义 3 假设 n 维空间的任意两个个体 M 1 =
( x1, x2, , xn) , M2 = ( y1, y2, , yn) , 每个 分量用
x i = ( x i1 x i2 x ij x ili ) , y i = ( y i1 x i2 y ij y ili ) , 如 果 x ij = m - 1- y 对任意的i 、j 成立, 则称两个个体
M1 和 M2 为互补个体.
定义 2 假设 n 维空间的任意两个个体 M 1 =
( x1, x2, , xn) , M2 = ( y1, y2, , yn) , 每个 分量用
Key words: genetic alg or ithms; elit ist st rateg y; H amming distance; dissimilar ity facto r; co mplementar ity indiv idual
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
其是要选择的端元数 目越大时 ， 效果越 明显 ． 关键词 ： 高光谱 图像 ； 端元选择 ；Ｇ 距离 比较 Ｓ Ａ； 中图分类号 ：Ｐ ５ Ｔ ７ 文献标识码 ： Ａ 文章 编号 ：０ ９— ７ Ｘ （００） — ０ ９— １０ ６ １ ２ １ ０ ０ １ ０ｓ ｌｃ ｉ ｎ ｍ ｅ ｈｏ ａ ｅ ｆ ｓ ｎ ｍ ｍ ｅ ｅ ｅ ｔ０ ｔ ｄ ｂ ｓ ｄ ａ
Ｋｅ ｗ ｒ ｓ ｈｐ ｒ ｅｔ ｇｒ Ｈ Ｉ ； ｎ ｍｅ ｂ ｒ ｅ ｃ ｏ ； ｉ ｐｅ ｒｗｎ ｌ ｒｈ （ Ｇ ； ｉ ａｃ ｏ — ｙ ｏ ｄ ：ｙ ｅ ｐ ｃ ａ ｉ ｅ ｓ ｒ ｍａ ｙ（ Ｓ ） ｅ ｄ ｍ ｅ ｌ ｔ ｎ ｓ ｌ ｇｏ ｉｇａｇｉ ｍ Ｓ Ａ） ｄｓ ｎ ｅｃｍ ｌ ｓｅ ｉ ｍ ｘ ｏｔ ｔ
改进 的 Ｓ Ａ端 元选 择 的快 速 方 法 Ｇ
王立 国 ， 邓禄群 ， 张 晶
（ 尔滨工程大 学 信息与通信工程 学院， 哈 黑龙江 哈 尔滨 １００ ） ５ ０ １
摘
要 ：Ｓ Ａ算法 因其 自动性和高效性受 到广泛欢迎 ， Ｇ 针对 该算法 包含大 量 的体 积计算 导致该算 法 的运 算速
度较慢 的问题 ， 采用 在高维空间中构造超平面的方法 ， 出了一种 Ｓ Ａ的改进方法． 提 Ｇ 该改进算 法把复杂 的体积
比较转化成简单 的点到超平面 的距离 比较 ， 从而将算法的复杂度 由空间维度 的 ３次关系降至线性关 系． 验表 实
明， 快速 Ｓ Ａ与原始 Ｓ Ａ在端 元选 择的结果 上保 持一致 ， Ｇ Ｇ 而在端元选择 的速 度上 前者较后 者有大幅度提高 ， 尤
第３ ７卷第 ４期
２１ ０ ０年 ４月
应
用
科
技
Ｖｏ ． ７， ｏ． １３ Ｎ ４
Ａｐ ｉ ｄ Ｓｃｅ ｃ ａ Ｔｅ ｈ ｌ ｇ ｐｌｅ ｉｎ ｅ ｎｄ ｃ ｎｏｏ ｙ
Ａｐ ． ０ ０ ｒ２ １
ｄｉ１ ．９９ ｊｉ ｎ １０ ６ １ ．０ ０ ０ ．０ ｏ：０ ３６ ／． ｓ．０ ９— ７ Ｘ ２ １ ．４ ０ ５ ｓ
０ ｓ ｐｌ ｘ ｇ ｏ ■ ｌ ｏｒ ｔ ｎ ｉ ● ｍ ｌ ｒ ｗｉ ｅ ａ ｉｈｍ ｎｇ ｇ －ｌ ‘
ＷＡＮＧ ｉ ｕ Ｌ — ｏ，ＤＥ ｕ ｑ ｎ，Ｚ ｇ ＮＧ Ｌ — ｕ ＨＡＮＧ Ｊｎ ｉｇ
（ ｏ ｅｅｏ ｆ ｍａｏ ｎ ｏ ｍ ｎ ａｏ ｎｉｅｒ ｇ Ｈ ｒｉ ｎ ｉ ｅ ｎ ｎ ｅｓｙ Ｈ ｒｉ ５ ０ １ Ｃ ｉ ． Ｃ ｌｇ ｆ ｎｏ ｔ ｎａｄＣ ｍ ｕ ｉ ｔ ｎＥ ｇｎｅ ｎ ， ａｂｎｅ ｇ ｅｒ ｇＵ ｉ ｒｉ ， ａｂｎ１００ ， ｈｎ ） ｌ Ｉ ｒ ｉ ｃｉ ｉ ｎ ｉ ｖ ｔ ａ