In this paper, we present a new coded cooperation strategy which benefits from the combination of space-time codes and opportunistic relaying (OR) method. In this strategy, the relay is selected in an opportunistic manner and then cooperates with the source using distributed space-time code. Our analysis indicates that this new strategy is outage-optimal. It equals in outage behavior to the coded cooperation that employs all potential relays. The advantage of this strategy is that it saves considerable amount of coordination overhead among relay nodes and it also reliefs the difficulties of designing effective spacetime codes. We analyze and derive the outage probability of DF relaying for BPSK transmission. Numerical results are given to verify our analysis.

以往运用确定性网络演算理论已经得到EF（Expedited For、varding）流端到端延时上界表达式，它对实际网络的QOS控制起到了重要参考作用，但是这个表达式不够精确，而且只能描述网络状况最坏情况下的延时上界。本文改进了用确定性网络演算得到的EF流端到端延时上界，推导出更精确的延时上界表达式。同时，引人生灭模型，得到EF流端到端延时上界的概率分布表达式，能够描述不同网络状况下的延时上界，相比以往的结果，本文推导出的延时上界概率分布能够更准确地描述延时上界，具有更好的参考价值。

在熵编码引入了一种概率更新的机制，记录每个语法元素的实时概率分布。将基于概率更新的Huffman 码和结构码字有效结合，并根据各个语法元素的相关性选择最恰当的上下文模型，充分利用视频信号的多样性进行信息压缩。实验表明，此种基于概率更新的混合熵编码（PUAHC）算法的编码效率和编码复杂度皆介于UVLC和CABAC之间。

该文提出了一种基于小波变换和FIR神经网络的广域网网络流量预测模型，首先采用小波分解把网络流量数据分解成小波系数和尺度系数，即高频系数和低频系数，将这些不同频率成分的系数单支重构为高频流量分量和低频流量分量，利用FIR神经网络对这些分量分别进行预测，将合成之后的结果作为原始网络流量的预测。实验结果表明：采用该模型对实际的广域网网络流量数据进行预测，不仅可以得到较快的收敛效果，而且预测性能比现有的小波神经网络和FIR，神经网络要好得多。

在网络流量建模和参数估计的过程中，α平稳过程的概率密度计算是一项重要的基础工作。结合α平稳过程特征函数的数学特性，在以往基于FFT 求解α平稳过程概率密度函数算法的基础上做出如下改进:通过计算自动选择合适的采样区间和采样间隔；引入扩频进一步降低计算复杂度。实验表明，改进算法比传统算法计算复杂度更低，并可以有效控制计算误差。