使用编码的反向散射通信协议设计与性能分析

何昕; 吴帆; 祝玉军; 许勇; 杨盘隆

doi:10.7544/issn1000-1239.202221010

使用编码的反向散射通信协议设计与性能分析

何昕^{1, 2,},
吴帆¹,
祝玉军¹,
许勇¹,
杨盘隆^{2, 3}

1.
安徽师范大学计算机与信息学院　安徽芜湖　241002
2.
南京信息工程大学计算机学院　南京　210044
3.
中国科学技术大学计算机科学与技术学院　合肥　230026

基金项目: 国家重点研发计划项目（2018YFB2100302）；国家自然科学基金项目（62072004，61702011）

详细信息

作者简介:
何昕: 1986年生. 博士，教授，硕士生导师. 主要研究方向为信息论、编码理论、低功耗反射通信、无线感知

吴帆: 1999年生. 硕士研究生. 主要研究方向为物联网、反射通信

祝玉军: 1982年生. 博士，副教授，硕士生导师. 主要研究方向为无线传感器网络

许勇: 1966年生. 博士，教授，硕士生导师. 主要研究方向为计算机网络安全、密钥管理、物联网安全

杨盘隆: 1977年生. 博士，教授，博士生导师. 主要研究方向为无线反射通信、智能物联网和无线通感一体化

中图分类号: TP393.04
计量
- 文章访问数: 160
- HTML全文浏览量: 32
- PDF下载量: 48
出版历程
- 收稿日期: 2023-01-02
- 修回日期: 2024-05-12
- 录用日期: 2024-05-29
- 网络出版日期: 2024-06-30
- 刊出日期: 2024-11-30

Protocol Design and Performance Analysis of Backscatter Communications Using Codes

He Xin^{1, 2,},
Wu Fan¹,
Zhu Yujun¹,
Xu Yong¹,
Yang Panlong^{2, 3}

1.
School of Computer and Information, Anhui Normal University, Wuhu, Anhui 241002
2.
School of Computer Science, Nanjing University of Information Science and Technology, Nanjing 210044
3.
School of Computer Science and Technology, University of Science and Technology of China, Hefei 230026

Funds: This work was supported by the National Key Research and Development Program of China (2018YFB2100302) and the National Natural Science Foundation of China (62072004, 61702011).

More Information

Author Bio:
He Xin: born in 1986. PhD, professor, master supervisor. His main research interests include information theory, coding theory, low-power backscatter communication, and wireless sensing

Wu Fan: born in 1999. Master candidate. Her main research interests include Internet of things and backscatter communication

Zhu Yujun: born in 1982. PhD, associate professor, master supervisor. His main research interest includes wireless sensor networks

Xu Yong: born in 1966. PhD, professor, master supervisor. His main research interests include computer network security, key management and Internet of things security

Yang Panlong: born in 1977. PhD, professor, PhD supervisor. His main research interests include wireless backscattering communication, AIoT, and integrated wireless sensing

摘要

摘要:
周围环境中不断增加的物联网设备带来了巨大的机遇，但也带来了挑战，包括有限的电池寿命、低计算能力和多址接入的可扩展性. 反向散射通信使得无处不在的物联网设备能够以超低功耗的方式进行通信，然而，支持大规模并发通信也是反向散射通信需要研究的问题之一. 针对大规模标签并发通信误码率（BER）较高、传输速率低等问题，设计基于编码的码分多址（CDMA）接入技术，以支持多标签反向散射并发可靠通信. 首先，该系统利用沃尔什（Walsh）码等正交性较强的码片区分标签并结合纠错编码，以增强抗干扰能力；其次利用相关检测与译码联合解码以降低误码率，实现信道的可靠通信；最后，在此基础上，基于K均值聚类算法（K-means clustering algorithm）设计标签分组机制，充分利用时-码2维资源扩充容量. 实验表明，该方案能够实现100+个标签的可靠通信，误码率约2%、吞吐量达到了39 Mbps.
- 反向散射通信 /
- 多标签 /
- 码分多址接入 /
- 分组算法 /
- 性能评价
Abstract:
The increasing number of the Internet of things (IoT) devices in our environment presents significant opportunities as well as challenges, including limited battery life, low computing power, and scalability for multiple access. Recent advances in backscatter communication have enabled ubiquitous IoT devices to communicate in an energy-effective manner. However, a fundamental challenge in backscatter communication is to design a multiple access protocol to support concurrent communications from numerous tags. Aiming at tackling the high bit error rate and low transmission rate of large-scale tag concurrent communication, we design a coding-based code division multiple access technique to facilitate multi-tag backscattering with reliable communication. Firstly, the chip discrimination tags with strong orthogonality such as Walsh code are combined with error correction coding to enhance the anti-interference ability. Secondly, the joint decoding of correlation detection and decoding is used to reduce the bit error rate and realize the reliable communication from the backscatter link. Finally, a grouping algorithm is designed to cluster tags based on the K-means clustering algorithm, which fully utilizes the time-code resources and enhances the capacity. Experimental results demonstrate that our scheme can achieve reliable communication with 100+ tags, with a bit error rate of approximately 2%, and the achieved throughput of 39 Mbps.
- backscatter communication /
- multi-tag /
- CDMA /
- grouping algorithm /
- performance evaluation

HTML全文

图 1 CBMA+系统框架

Figure 1. System framework of CBMA+

下载: 全尺寸图片幻灯片

图 2 标签分组

Figure 2. Tag grouping

下载: 全尺寸图片幻灯片

图 3 实际测试的原型系统

Figure 3. Prototype system in actual test

下载: 全尺寸图片幻灯片

图 4 不同距离下的吞吐量

Figure 4. Throughput under different distance

下载: 全尺寸图片幻灯片

图 5 不同标签数量的吞吐量

Figure 5. Throughput with different numbers of tags

下载: 全尺寸图片幻灯片

图 6 与其他技术的吞吐量性能比较

Figure 6. Throughput performance compared with other techniques

下载: 全尺寸图片幻灯片

图 7 不同工作条件下系统的正确数据包接收速率

Figure 7. Correct packet reception rate of system under different working conditions

下载: 全尺寸图片幻灯片

图 8 原始基带信号与接收信号

Figure 8. Original signal and received signal

下载: 全尺寸图片幻灯片

图 9 不同信噪比下不同码制的误码率

Figure 9. BER of different code systems under different SNR

下载: 全尺寸图片幻灯片

图 10 不同信噪比下的Walsh码和不同编码类型

Figure 10. Walsh codes and different coding types under different SNR

下载: 全尺寸图片幻灯片

图 11 多标签场景下采用PN码的不同编码方案的误码率性能对比

Figure 11. BER performance comparison of various coding schemes with PN code in multiple-tag scenario

下载: 全尺寸图片幻灯片

图 12 多标签场景下采用Walsh码的不同编码方案的误码率性能对比

Figure 12. BER performance comparison of various coding schemes with Walsh code in multiple-tag scenario

下载: 全尺寸图片幻灯片

图 13 多标签下不同扩频码和不同编码类型

Figure 13. Different spreading codes and different coding types under multi-tags

下载: 全尺寸图片幻灯片

图 14 不同信噪比下是否使用分组算法的误码率性能对比

Figure 14. Comparison of BER performance with and without the grouping algorithm under different SNR conditions

下载: 全尺寸图片幻灯片

图 15 分组解码下不同标签数量下的吞吐量

Figure 15. Throughput with different numbers of tags under grouping decoding

下载: 全尺寸图片幻灯片

表 1 近年现有反向散射系统的总结

Table 1 Summary of Existing BackScattering Systems in Recent Years

方案	数据速率/Kbps	标签数量	误码率	总吞吐量/Kbps
LoRa BackScatter^[22]	≤37.5	1	—	—
PLoRa^[23]	6.25	1	≤0.01	—
ALoba^[24]	≤199.4	≤5	≤0.3	200
P²LoRa^[25]	—	≥100	≤0.001	11.27
NetScatter^[26]	500	≥100	≤0.0005	—
OFDMA^[27]	—	≤50	—	—
CBMA+	1000	≥100	≤0.025	39000
注：“—”表示参考文献中未提及.

下载: 导出CSV

参考文献(31)

[1]	IoT Analytics. State of IoT 2023: Number of connected IoT devices growing 16% to 16.7 billion globally[EB/OL]. [2023-05-24]. https://iot-analytics. com/number-connected-iot-devices
[2]	Khan W U, Javed M A, Nguyen T N, et al. Energy-efficient resource allocation for 6G backscatter-enabled NOMA IoV networks[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 23(7): 9775−9785
[3]	Gong Wei, Yuan Longzhi, Wang Qiwei, et al. Multiprotocol backscatter for personal IoT sensors[C]//Proc of the 16th Int Conf on Emerging Networking Experiments and Technologies. New York: ACM, 2020: 261−273
[4]	Zhang Pengyu, Josephson C, Bharadia D, et al. FreeRider: Backscatter communication using commodity radios[C]//Proc of the 13th Int Conf on Emerging Networking Experiments and Technologies. New York: ACM, 2017: 389−401
[5]	Zhao Renjie, Zhu Fengyuan, Feng Yuda, et al. OFDMA-enabled Wi-Fi backscatter[C/OL]//Proc of the 25th Annual Int Conf on Mobile Computing and Networking. New York: ACM, 2019 [2023-05-22]. https://dl.acm.org/doi/pdf/10.1145/3300061.3300121
[6]	Khan W U, Li Xingwang, Zeng Ming, et al. Backscatter-enabled NOMA for future 6G systems: A new optimization framework under imperfect SIC[J]. IEEE Communications Letters, 2021, 25(5): 1669−1672 doi: 10.1109/LCOMM.2021.3052936
[7]	Kellogg B, Talla V, Gollakota S, et al. Passive Wi-Fi: Bringing low power to Wi-Fi transmissions[C]//Proc of the 13th USENIX Symp on Networked Systems Design and Implementation (NSDI 16). Berkeley, CA: USENIX Association, 2016: 151−164
[8]	Zhang Maolin, Chen Si, Zhao Jia, et al. Commodity-level BLE backscatter[C]//Proc of the 19th Annual Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2021: 402−414
[9]	Zhao Jia, Gong Wei, Liu Jiangchuan. Spatial stream backscatter using commodity WiFi[C]//Proc of the 16th Annual Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2018: 191−203
[10]	Kim T, Lee W. Exploiting residual channel for implicit Wi-Fi backscatter networks[C]//Proc of the 37th IEEE Conf on Computer Communications. Pascataway, NJ: IEEE, 2018: 1268−1276
[11]	Kellogg B, Parks A, Gollakota S, et al. Wi-Fi backscatter: Internet connectivity for RF-powered devices[C]//Proc of the 28th ACM Conf on SIGCOMM. New York: ACM, 2014: 607−618
[12]	Wang Wenjing, Xu Kangjun, Yan Yige, et al. Relay selection-based cooperative backscatter transmission with energy harvesting: Throughput maximization[J]. IEEE Wireless Communications Letters, 2022, 11(7): 1533−1537 doi: 10.1109/LWC.2022.3179019
[13]	Liu V, Parks A, Talla V, et al. Ambient backscatter: Wireless communication out of thin air[J]. ACM SIGCOMM Computer Communication Review, 2013, 43(4): 39−50 doi: 10.1145/2534169.2486015
[14]	徐勇军,杨浩克,李国军,等. 多标签无线供电反向散射通信网络能效优化算法[J]. 电子与信息学报,2022,44(10):3492−3498 Xu Yongjun, Yang Haoke, Li Guojun, et al. Energy-efficient optimization algorithm in multi-tag wireless-powered backscatter communication networks[J]. Journal of Electronics & Information Technology, 2022, 44(10): 3492−3498 (in Chinese)
[15]	Mi Nanhuan, Zhang Xiaoxue, He Xin, et al. CBMA: Coded-backscatter multiple access[C]//Proc of the 39th IEEE Int Conf on Distributed Computing Systems (ICDCS). Pascataway, NJ: IEEE, 2019: 799−809
[16]	Huynh N V, Hoang D T, Lu Xiao, et al. Ambient backscatter communications: A contemporary survey[J]. IEEE Communications Surveys & Tutorials, 2018, 20(4): 2889−2922
[17]	王悦,樊凯. 物联网中超轻量级RFID电子票据安全认证方案[J]. 计算机研究与发展,2018,55(7):1432−1439 Wang Yue, Fan Kai. Ultra-lightweight RFID electronic ticket authentication scheme in IoT[J]. Journal of Computer Research and Development, 2018, 55(7): 1432−1439 (in Chinese)
[18]	Kimionis J, Bletsas A, Sahalos J N. Increased range bistatic scatter radio[J]. IEEE Transactions on Communications, 2014, 62(3): 1091−1104 doi: 10.1109/TCOMM.2014.020314.130559
[19]	Fujiya Y, Edamatsu K, Shiba T, et al. Self-mixing noise reduction effect in Wi-Fi backscatter receiver by tx signal canceller[C]//Proc of the 24th Asia-Pacific Microwave Conf (APMC). Pascataway, NJ: IEEE, 2022: 493−495
[20]	Lazaro A, Lazaro M, Villarino R. Room-level localization system based on LoRa backscatters[J]. IEEE Access, 2021, 9: 16004−16018 doi: 10.1109/ACCESS.2021.3053144
[21]	Rosenthal J D, Mandal A, Sathe V, et al. An all-digital 1 Mbps, 57 pJ/bit Bluetooth low energy (BLE) backscatter ASIC in 65 nm CMOS[C]//Proc of the 16th IEEE Int Conf on RFID (RFID). Pascataway, NJ: IEEE, 2022: 109−113
[22]	Talla V, Hessar M, Kellogg B, et al. LoRa BackScatter: Enabling the vision of ubiquitous connectivity[C/OL]//Proc of the 19th ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. New York: ACM, 2017 [2023-04-18]. https://dl.acm.org/doi/pdf/10.1145/3130970
[23]	Peng Yao, Shangguan Longfei, Hu Yue, et al. PLoRa: A passive long-range data network from ambient LoRa transmissions[C]//Proc of the 32nd ACM Conf on SIGCOMM. New York: ACM, 2018: 147−160
[24]	Guo Xiuzhen, Shangguan Longfei, He Yuan, et al. ALoba: Rethinking ON-OFF keying modulation for ambient LoRa backscatter[C]//Proc of the 18th Conf on Embedded Networked Sensor Systems. New York: ACM, 2020: 192−204
[25]	Jiang Jinyan, Xu Zhenqiang, Dang Fan, et al. Long-range ambient LoRa backscatter with parallel decoding[C]//Proc of the 27th Annual Int Conf on Mobile Computing and Networking. New York: ACM, 2021: 684−696
[26]	Hessar M, Najafi A, Gollakota S. NetScatter: Enabling large-scale backscatter networks[C]//Proc of the 16th USENIX Symp on Networked Systems Design and Implementation (NSDI 19). Berkeley, CA: USENIX Association, 2019: 271−284
[27]	Tong Xinyu, Zhu Fengyuan, Wan Yang, et al. Batch localization based on OFDMA backscatter[C/OL]//Proc of the 21st ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. New York: ACM, 2019 [2023-03-27]. https://dl.acm.org/doi/pdf/10.1145/3314412
[28]	He Xin, Zhou Xiaobo, Anwar K, et al. Estimation of observation error probability in wireless sensor networks[J]. IEEE Communications Letters, 2013, 17(6): 1073−1076 doi: 10.1109/LCOMM.2013.042313.130361
[29]	Agee B G. Solving the near-far problem: Exploitation of Spatial and Spectral Diversity in Wireless Personal Communication Networks[M]//Wireless Personal Communications: Trends and Challenges. Berlin: Springer, 1994: 69−80
[30]	Ou Jiajue, Li Mo, Zheng Yuanqing. Come and be served: Parallel decoding for cots RFID tags[C]//Proc of the 21st Annual Int Conf on Mobile Computing and Networking. New York: ACM, 2015: 500−511
[31]	Jin Meng, He Yuan, Meng Xin, et al. FlipTracer: Practical parallel decoding for backscatter communication[C]//Proc of the 23rd Annual Int Conf on Mobile Computing and Networking. New York: ACM, 2017: 275−287

施引文献(373)

期刊类型引用(68)

1.	陈泽明，方序鸿，李家叶，汪孟尧，陈爱芳，尹玲. 机器学习模型在城市内涝模拟预报中的应用综述. 人民珠江. 2025(01): 9-22 . 百度学术
2.	邱凯乐. 图信号处理综述. 物联网技术. 2025(05): 111-113 . 百度学术
3.	练培格，李英冰，刘波，冯晓珂. 基于多元时间序列动态图神经网络的交通速度预测. 地球信息科学学报. 2025(03): 636-652 . 百度学术
4.	许明家，孙龙，李爽，鲁程鹏. 基于图神经网络的地下水位动态模拟模型. 水文. 2025(01): 30-36 . 百度学术
5.	胡书林，张华军，邓小涛，王征华. 结合依存图卷积的中文文本相似度计算研究. 计算机工程. 2025(03): 76-85 . 百度学术
6.	朱海，谭文安，郭凯. 基于图卷积的云制造服务编码算法. 河南科技大学学报(自然科学版). 2024(01): 43-50+7 . 百度学术
7.	肖国庆，李雪琪，陈玥丹，唐卓，姜文君，李肯立. 大规模图神经网络研究综述. 计算机学报. 2024(01): 148-171 . 百度学术
8.	林晶晶，冶忠林，赵海兴，李卓然. 超图神经网络综述. 计算机研究与发展. 2024(02): 362-384 . 本站查看
9.	谢楠. 内容个性化推荐优化探索. 数字通信世界. 2024(01): 70-72 . 百度学术
10.	柳德云，李莹，周震，吉根林. 基于时空依赖关系和特征融合的弱监督视频异常检测. 数据采集与处理. 2024(01): 204-214 . 百度学术
11.	李挺，金福生，李荣华，王国仁，段焕中，路彦雄. Light-HGNN：用于圈层内容推荐的轻量同质超图神经网络. 计算机研究与发展. 2024(04): 877-888 . 本站查看
12.	杨洁祎，董一鸿，钱江波 . 基于图神经网络的小样本学习方法研究进展. 计算机研究与发展. 2024(04): 856-876 . 本站查看
13.	胡昊，孙爽，马鑫，李擎，徐鹏. 基于图注意力网络的城市内涝积水预测与研究. 人民黄河. 2024(04): 43-48 . 百度学术
14.	龙志，陈湘州. 基于图注意力LSTM深度学习的季度GDP预测应用. 湖南工程学院学报(社会科学版). 2024(01): 54-64+118 . 百度学术
15.	张陶，廖彬，于炯，李敏，孙瑞娜. 图神经网络节点分类任务基准测试及分析. 计算机科学. 2024(04): 132-150 . 百度学术
16.	刘润雨，贾路楠. 基于分班图神经网络的度不平衡节点分类. 信息技术与信息化. 2024(04): 114-117 . 百度学术
17.	袁立宁，蒋萍，莫嘉颖，刘钊. 基于二阶图卷积自编码器的图表示学习. 计算机工程与应用. 2024(10): 180-187 . 百度学术
18.	侯磊，刘金环，于旭，杜军威. 图神经网络研究综述. 计算机科学. 2024(06): 282-298 . 百度学术
19.	楚小茜，张建辉，张德升，苏珲. 基于改进GraphSAGE算法的浏览器指纹追踪. 计算机科学. 2024(06): 409-415 . 百度学术
20.	刘振威，黄影平，梁振明，杨静怡. 基于点云图卷积神经网络的3D目标检测. 上海理工大学学报. 2024(03): 320-330 . 百度学术
21.	张强，彭骨，薛陈斌. 基于改进图注意力网络的油井产量预测模型. 吉林大学学报(理学版). 2024(04): 933-942 . 百度学术
22.	李平，宋舒寒，张园，曹华伟，叶笑春，唐志敏. HSEGRL：一种分层可自解释的图表示学习模型. 计算机研究与发展. 2024(08): 1993-2007 . 本站查看
23.	焦鹏飞，陈舒欣，郭翾，何东晓，刘栋. 图神经常微分方程综述. 计算机研究与发展. 2024(08): 2045-2066 . 本站查看
24.	王长刚，王先伟，曹宇，李扬，吕琪，张耀心. 基于改进图注意力网络的电力系统脆弱性关键环节辨识. 电力系统保护与控制. 2024(15): 36-45 . 百度学术
25.	李航程，钟勇. 基于多特征驱动图注意卷积网络的关系抽取. 计算机应用. 2024(S1): 24-28 . 百度学术
26.	熊辛，涂志炜，唐韬，闵仕琦，冯雨欣，汤涛，叶海涛. 复杂场景下人体跌倒行为监测模型构建的研究. 中国数字医学. 2024(09): 91-96 . 百度学术
27.	李鑫，陆伟，马召祎，朱攀，康彬. 基于图注意力和改进Transformer的节点分类方法. 电子学报. 2024(08): 2799-2810 . 百度学术
28.	冯拓宇，刘佳宁，曹子奇，郭静，杨云祥. 社区发现方法研究综述. 中国电子科学研究院学报. 2024(06): 487-498+503 . 百度学术
29.	贺鸣，郭熹，秦守浩，张珂珂. 一种图智能应用开发平台及电信运营商应用实践. 邮电设计技术. 2024(10): 73-77 . 百度学术
30.	李鹏辉，翟正利，冯舒. 针对图神经网络的单节点扰动攻击. 计算机与数字工程. 2024(10): 3003-3008 . 百度学术
31.	孙秀娟，孙福振，李鹏程，王澳飞，王绍卿. 融合掩码自编码器的自适应增强序列推荐. 计算机科学与探索. 2024(12): 3324-3334 . 百度学术
32.	庞俊，程俊澳，林晓丽，王蒙湘. 基于动态超图小波神经网络的半监督超图节点分类. 计算机应用研究. 2024(12): 3735-3741 . 百度学术
33.	周宇，肖健梅，王锡淮. 基于GCN和HGP-SL的电力系统暂态稳定评估. 电气工程学报. 2024(04): 246-254 . 百度学术
34.	张蕾，钱峰，赵姝，陈洁，杨雪洁，张燕平. 基于卷积图神经网络的多粒度表示学习框架. 南京大学学报(自然科学). 2023(01): 43-54 . 百度学术
35.	李洁莹，马佳瑛. 英语翻译机器人翻译错误自动检测系统研究. 自动化与仪器仪表. 2023(02): 242-246 . 百度学术
36.	蒋玉英，陈心雨，李广明，王飞，葛宏义. 图神经网络及其在图像处理领域的研究进展. 计算机工程与应用. 2023(07): 15-30 . 百度学术
37.	陈东洋，郭进利. 基于图注意力的高阶网络节点分类方法. 计算机应用研究. 2023(04): 1095-1100+1136 . 百度学术
38.	韩冰，张鑫云，任爽. 基于三维点云的卷积运算综述. 计算机研究与发展. 2023(04): 873-902 . 本站查看
39.	马东岭，吴鼎辉，陈家阁，姚国标，毛力波. 基于增强图注意力网络的高光谱影像分类方法. 山东建筑大学学报. 2023(02): 97-104 . 百度学术
40.	尹拓凯，岳文静，陈志. 面向拜占庭攻击的认知用户分类. 计算机技术与发展. 2023(04): 102-107 . 百度学术
41.	安波. 结构信息增强的文献分类方法研究. 农业图书情报学报. 2023(03): 15-24 . 百度学术
42.	代祖华，刘园园，狄世龙. 语义增强的图神经网络方面级文本情感分析. 计算机工程. 2023(06): 71-80 . 百度学术
43.	袁满，褚润夫，袁靖舒，陈萍. 融合上下文信息的图神经网络推荐模型研究. 吉林大学学报(信息科学版). 2023(04): 693-700 . 百度学术
44.	刘佰阳，郑宇，魏琳，刘梅，金龙. 面向模型未知的冗余机器人运动规划方案. 兰州大学学报(自然科学版). 2023(04): 506-511 . 百度学术
45.	梁龙跃，王浩竹. 基于图卷积神经网络的个人信用风险预测. 计算机工程与应用. 2023(17): 275-285 . 百度学术
46.	陈淑娴. 基于知识图谱与图神经网络下无线业务预测手段优化. 软件. 2023(07): 83-85 . 百度学术
47.	马华，姜伟，陈明，钟世杰. 基于图滤波器的符号属性图链路关系预测算法. 计算机技术与发展. 2023(09): 126-132 . 百度学术
48.	柳博文，刘星. 多尺度卷积神经网络模型优化在矿物识别中的应用. 矿物岩石. 2023(03): 10-19 . 百度学术
49.	田春生，陈雷，王源，王硕，周婧，王卓立，庞永江，杜忠. 基于图神经网络的电子设计自动化技术研究进展. 电子与信息学报. 2023(09): 3069-3082 . 百度学术
50.	张华辉，邱晓莹，徐航. 文本情感分类方法研究综述. 延边大学学报(自然科学版). 2023(03): 275-282 . 百度学术
51.	谷振宇，陈聪，郑家佳，孙棣华. 考虑时空相似性的动态图卷积神经网络交通流预测. 控制与决策. 2023(12): 3399-3408 . 百度学术
52.	王松，骆莹，刘新民. 基于文本语义与关联网络双链路融合的用户生成内容价值早期识别研究. 数据分析与知识发现. 2023(11): 101-113 . 百度学术
53.	曹汉童，陈璟. 融合Doc2vec与GCN的多类型蛋白质相互作用预测方法. 智能系统学报. 2023(06): 1165-1172 . 百度学术
54.	丁红发，傅培旺，彭长根，龙士工，吴宁博. 混洗差分隐私保护的度分布直方图发布算法. 西安电子科技大学学报. 2023(06): 219-236 . 百度学术
55.	马汉达，梁文德. 基于左归一化图卷积网络的推荐模型. 计算机应用. 2023(S2): 111-116 . 百度学术
56.	闫明路，连航宇，朱丹青，程平. 图计算在反洗钱领域的应用. 金融会计. 2023(10): 65-72 . 百度学术
57.	刘俊奇. 联合编码属性图聚类算法研究. 信息记录材料. 2022(04): 176-178 . 百度学术
58.	熊晗. 图神经网络的开发与应用研究. 电视技术. 2022(04): 142-145 . 百度学术
59.	杜雨晅，王巍，张闯，郑小丽，苏嘉涛，王杨洋. 基于自适应图卷积注意力神经协同推荐算法. 计算机应用研究. 2022(06): 1760-1766 . 百度学术
60.	任嘉睿，张海燕，朱梦涵，马波. 基于元图卷积的异质网络嵌入学习算法. 计算机研究与发展. 2022(08): 1683-1693 . 本站查看
61.	徐上上，孙福振，王绍卿，董家玮，吴田慧. 基于图神经网络的异构信任推荐算法. 计算机工程. 2022(09): 89-95+104 . 百度学术
62.	张博，宋淑彩，赵一航. 基于GCN的节点分类研究. 河北建筑工程学院学报. 2022(02): 196-200 . 百度学术
63.	卢锦玲，周阳，颜禄涵，张艺萱. 基于残差时空图神经网络的电力系统暂态稳定评估. 电力科学与工程. 2022(09): 54-64 . 百度学术
64.	罗袆沅，蒋亚楠，许强，廖露，燕翱翔，刘陈伟. 基于深度学习的滑坡位移时空预测. 测绘学报. 2022(10): 2160-2170 . 百度学术
65.	邢小雷，赵超，郑江文，温可欣. 图神经网络预训练综述. 小型微型计算机系统. 2022(12): 2487-2498 . 百度学术
66.	闫如雪，余泽霖，刘泽宇. 基于高效层级学习图卷积网络的高光谱图像分类. 电脑与信息技术. 2022(06): 15-17+50 . 百度学术
67.	邹长宽，田小平，张晓燕，张雨晴，杜磊. 基于GraphSage节点度重要性聚合的网络节点分类研究. 科学技术与工程. 2022(32): 14306-14312 . 百度学术
68.	王宏朝，李魏琦，郭耀华，刘瀛，焦秀秀. 基于安全监测公共服务平台的企业供应链安全风险预控方法研究. 物流科技. 2022(20): 28-32 . 百度学术