思维导图-知识地图-B端运营协作流程图

使用动态多种群框架为协作式协同进化算法寻找信息协作者

为了提高通信系统的安全性能且使有限的频谱得到高效利用，将填充式认知无线电（OCR）与非正交多址接入（NOMA）技术相结合，提出了一个次网络通过感知主用户是否占用频谱来实现辅助主网络通信或次网络通信的动态切换的系统模型。主次网络均采用人工噪声（AN）技术进一步改善系统的安全传输性能。通过分别推导主、次网络安全中断概率和安全吞吐量的表达式来研究系统的安全中断性能。仿真结果表明了所提出的认知协作NOMA方案在降低中断概率、提高吞吐量方面的有益效果，并且进一步给出了人工噪声功率分配因子对系统性能的影响。

基于拍卖的组合式协作云服务平台

学会协作：通过多智能体强化学习进行多场景排名

网络编码策略的V2V中基于图的时间关键型协作数据交换

StoryMap概念验证 Knightlab的是一款出色的交互式地图可视化编辑器。 但是，缺点之一是它不允许对地图进行协作编辑。 如果您想将其用于教室中的团队项目，那将是一个大问题。 这是由Github Pages托管的StoryMap协作创建的概念验证。 由于StoryMap Javascript模块使用来自JSON文件的数据填充其地图，因此您无需使用官方Knightlab界面。 您只需要一个JSON文件和一个index.html文件中的。 将两者都放入Github存储库中并发布到Github页面。 然后，团队可以使用任何JSON编辑器协同编辑JSON文件。 每个组都可以将对JSON文件的更改推送到存储库。 一旦它们被接受进入Master分支，它们就会出现在已发布的StoryMap页面上。 您还可以将JSON托管在Github Gist中，这可以使团队成员更轻松地进行编辑。 由于JS

协作学习无线电网络中的抗干扰增强学习功率控制

根据分布式压缩感知理论,提出一种宽带协作频谱感知的方式。该方式相比于以往的协作压缩频谱感知方式,认知用户传向融合中心的数据精简为压缩信号,各个压缩信号在融合中心进行融合重构,这样就减少传向融合中心的数据量,缓解融合中心的数据压力,并且可以提高信号重构的成功率。同时,根据压缩抽样匹配追踪算法,提出一种联合压缩抽样匹配追踪算法。该算法思想是通过加权融合测量样本、迭代重构原信号,以恢复共同的频谱支撑集,完成协作频谱感知。仿真结果表明:与经典的DCS-SOMP算法相比,本文算法性能更优,所需的滤波器数更少。

以前的分散式认知媒体访问控制（DC-MAC）协议允许次要用户（SU）独立搜索频谱访问机会，而无需中央协调员。 DC-MAC假定检测方案在物理（PHY）层是理想的。 实际上，在分布式频谱共享方案中，更复杂的检测算法是不切实际的。 由于PHY层的能量检测（ED）计算和实现复杂度较低，因此已成为最常用的方法。 因此，至关重要的是在PHY层将DC-MAC与ED集成在一起。 但是，ED需要最低采样时间（MST）持续时间才能在低信噪比（SNR）环境中实现目标检测概率。 否则，将无法达到预期的检测性能。 在本文中，我们推导了在低SNR环境中ED的MST的准确表达。 然后，我们提出了一种基于MST的优化DC-MAC（ODC-MAC）协议，该协议对上述带有ED的DC-MAC问题进行了修正。 此外，对于DC-MAC和ODC-MAC都导出了不可靠的数据传输概率的闭式表达式。 我们表明，仿真结果与理论分析吻合良好。 与传统的DC-MAC相比，所提出的ODC-MAC可以提高数据传输的可靠性并提高吞吐量。