專利名稱：基于認知無線終端重構(gòu)系統(tǒng)的資源調(diào)度方法
技術(shù)領(lǐng)域：
本發(fā)明屬于通信技術(shù)領(lǐng)域，涉及認知無線電資源調(diào)度，可用于在認知無線網(wǎng)絡(luò)環(huán)境下終端重構(gòu)的資源調(diào)度效率的提升。
背景技術(shù)：
認知無線電技術(shù)是目前提高現(xiàn)有無線頻譜效率最關(guān)鍵的技術(shù)之一，這種技術(shù)使無線電系統(tǒng)能夠根據(jù)周圍環(huán)境變化來進行環(huán)境感知、歷史經(jīng)驗學(xué)習(xí)和智能結(jié)果的判決以適應(yīng)系統(tǒng)傳輸參數(shù)的變化。認知無線電系統(tǒng)的資源管理包括無線資源管理，計算資源管理以及應(yīng)用資源管理等。認知無線終端CRT的重構(gòu)主要涉及對計算資源和應(yīng)用資源的重新分配，它實質(zhì)上是一個異構(gòu)計算平臺上的任務(wù)調(diào)度過程。由于CRT設(shè)備與現(xiàn)有的通用計算設(shè)備之間具有很大的相似性，因此，適用于異構(gòu)處理器平臺的映射和調(diào)度算法都可用于CRT平臺的重構(gòu)。調(diào)度算法的研究已經(jīng)有較長的歷史。目前，研究人員中提出的調(diào)度算法大多數(shù)都是以減少執(zhí)行時間為目標的，一是性能有效調(diào)度方法；二是動態(tài)級調(diào)度方法；三是任務(wù)聚類方法。性能有效調(diào)度方法該方法通過三個階段進行調(diào)度，先將任務(wù)進行分組，然后按分組次序每個任務(wù)分配優(yōu)先級，最后按優(yōu)先順序計算任務(wù)在所有處理器上的最早完成時間， 選取最優(yōu)處理器完成調(diào)度，該方法能夠在異構(gòu)處理器系統(tǒng)中有效完成資源調(diào)度，但每一階段都包含大量計算，計算復(fù)雜度過高，不適于實際應(yīng)用；動態(tài)級調(diào)度方法該方法通過計算各任務(wù)在所有處理器上的優(yōu)先級完成調(diào)度，可以使任務(wù)在各處理器上的分配比較均衡，但該算法沒有全面考慮任務(wù)之間的數(shù)據(jù)傳遞情況；任務(wù)聚類方法該方法提出了一種新的度量標準來進行任務(wù)的分類，考慮了任務(wù)的執(zhí)行成本以及任務(wù)之間通信的代價，但該方法僅限于無優(yōu)先級約束的任務(wù)調(diào)度，不適用于CRT終端的重構(gòu)。

發(fā)明內(nèi)容
本文發(fā)明的目的在于針對上述已有技術(shù)的各種不足，結(jié)合已有算法各自的優(yōu)點， 提出一種基于認知無線終端重構(gòu)系統(tǒng)的資源調(diào)度方法，以降低計算復(fù)雜度，有效地進行時間編輯，提高多處理器任務(wù)調(diào)度的效率，進而有效地減少CRT重構(gòu)時間。實現(xiàn)本發(fā)明目的的技術(shù)方案是根據(jù)認知無線電的系統(tǒng)特征，對現(xiàn)有的任務(wù)聚類方法進行改進，并與動態(tài)級調(diào)度方法相結(jié)合，進行資源調(diào)度，其具體步驟包括如下(1)設(shè)認知無線終端重構(gòu)系統(tǒng)有M個信號處理模塊，根據(jù)信號處理模塊執(zhí)行的先后關(guān)系，將第i個執(zhí)行的信號處理模塊用表示，將第j個執(zhí)行的信號處理模塊用f」表示， 得到模塊集合 F = {f1; . . . . . . f」，...fM}，1 彡 i < j 彡 M ；(2)將信號處理模塊&向信號處理模塊fj發(fā)送的數(shù)據(jù)量用Clij表示，Clij彡0，根據(jù)有向無環(huán)圖DAG理論，以du> O對應(yīng)的&和。為節(jié)點構(gòu)成一條有向邊A，表示為乂i^/；.，
即A向。發(fā)送數(shù)據(jù)量為屯的數(shù)據(jù)，將所有的有向邊構(gòu)成有向邊集合(3)根據(jù)計算機數(shù)據(jù)結(jié)構(gòu)中的有向無環(huán)圖理 論，由模塊集合F和有向邊集合E建立 DAG 模型為G(F，E)；(4)根據(jù)DAG理論中的層數(shù)概念，將模塊集合F中在DAG模型中所處的層數(shù)定義為fi的階段值，得到階段值向量S = [S1,. . . Si，. . . sM]，其中Si表示fi的階段值1 < i < M ；(5)將系統(tǒng)中N個不同類型的相互連接的處理器用集合P= {pj來表示， l^x^ N，其中第χ個處理器用px表示，由已知的各信號模塊在各處理器上的執(zhí)行時間得到系統(tǒng)的開銷矩陣E (fi; px) = (eix)MXN,其中eix表示信號處理模塊&在處理器px上的執(zhí)行時間；(6)將系統(tǒng)中所有處理器之間的帶寬數(shù)值歸一化為1，使&向fj發(fā)送數(shù)據(jù)的傳輸時間、在數(shù)值上等于du，在已知開銷矩陣E(fi; px)和數(shù)據(jù)的傳輸時間的情況下，采用聚類理論中的時間開銷度量方法，計算模塊之間的聚類增益α…Ciu表示模塊&和模塊fj 之間的聚類增益；(7)根據(jù)已有的聚類理論，選擇聚類增益α u的最大值，將集合F分解為幾個子集合；(8)依據(jù)各模塊與其前驅(qū)和后繼是否處于同一子集，通過動態(tài)級調(diào)度方法計算處理器的優(yōu)先級，依次為各階段的模塊分配處理器(8a)計算階段值為1的模塊^在所有處理器上的優(yōu)先級，將模塊分配給優(yōu)先級最大的處理器；(8b)按以下三種情況計算其他階段值的模塊&在處理器上的優(yōu)先級，并將模塊分配給優(yōu)先級最大的處理器當&單獨在一個子集里時，則計算&在所有處理器上的優(yōu)先級；當&與它的前驅(qū)在一個子集里，則只計算&在前驅(qū)分配的處理器的優(yōu)先級；若&與它的后繼在一個子集里，則只計算除&的前驅(qū)所分配的處理器以外的其它處理器的優(yōu)先級。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點1)本發(fā)明根據(jù)各模塊之間的數(shù)據(jù)傳遞情況將模塊集合分為幾個子集，因此可以有效地進行時間編輯，提高了多處理器資源調(diào)度的效率，進而有效地減少認知無線終端的重構(gòu)時間；2)本發(fā)明為信號處理模塊定義階段值，使階段值不為1的模塊依據(jù)該模塊與其前驅(qū)和后繼所處子集的情況，只需要計算它在部分處理器上的優(yōu)先級，從而降低計算的復(fù)雜度。


圖1是本發(fā)明的流程示意圖；圖2是本發(fā)明方法與現(xiàn)有調(diào)度方法的平均時間長度比的對比圖3是本發(fā)明方法與現(xiàn)有調(diào)度方法的效率對比圖。
具體實施例方式以下參照附圖對本發(fā)明的技術(shù)方案作進一步詳細描述。參照圖1，本發(fā)明方法的資源調(diào)度步驟如下步驟1，用集合表示系統(tǒng)信號處理模塊。設(shè)認知無線終端重構(gòu)系統(tǒng)有M個信號處理模塊，根據(jù)信號處理模塊執(zhí)行的先后關(guān)系，將第i個執(zhí)行的信號處理模塊用表示，將第j個執(zhí)行的信號處理模塊用f」表示，得到模塊集合 F = {f\，. . . fp . . . fj，. . . fM}，1 彡 i < j 彡 M。步驟2，根據(jù)有向無環(huán)圖理論，構(gòu)造描述各模塊發(fā)送數(shù)據(jù)情況的有向邊集合。將信號處理模塊&向信號處理模塊fj發(fā)送的數(shù)據(jù)量用Clij表示，Clij彡0，根據(jù)有向無環(huán)圖DAG理論，以> 0對應(yīng)的&和。為節(jié)點構(gòu)成一條有向邊A，表示為乂，
即A向。發(fā)送數(shù)據(jù)量為屯的數(shù)據(jù)，將所有的有向邊構(gòu)成有向邊集合五=|(/^^/,)1。步驟3，根據(jù)數(shù)據(jù)結(jié)構(gòu)中的有向無環(huán)圖論，將模塊集合F中的元素作為有向無環(huán)圖的節(jié)點，有向邊集合E中的邊作為有向無環(huán)圖的有向邊，建立有向無環(huán)圖DAG模型為G(F， Ε)。步驟4，根據(jù)DAG模型，定義模塊集合中每個模塊的階段值，得到階段值向量。根據(jù)理論中的層數(shù)概念，將模塊集合F中&在DAG模型中所處的層數(shù)定義為f^的階段值，如果模塊fi的階段值為λ，λ >1上，則它的前驅(qū)的階段值為λ-1，由此得到階段值向量s = [Sl，...Si，...SJ，其中Si表示&的階段值，1 < i <M。步驟5，構(gòu)造描述系統(tǒng)處理器的集合以及開銷矩陣。將系統(tǒng)中N個不同類型的相互連接的處理器用集合P= {pj來表示，KxSN， 其中第X個處理器用Px表示，由已知的各信號模塊在各處理器上的執(zhí)行時間得到系統(tǒng)的開銷矩陣E(fi，px) = (eix)MXN，其中eix表示信號處理模塊&在處理器Px上的執(zhí)行時間。步驟6，采用聚類理論中的時間開銷度量方法，計算各模塊之間的聚類增益。將系統(tǒng)中所有處理器之間的帶寬數(shù)值歸一化為1，使&向。發(fā)送數(shù)據(jù)的傳輸時間在數(shù)值上等于du，在已知開銷矩陣E(fi; px)和數(shù)據(jù)的傳輸時間的情況下，計算模塊
fi和模塊。之間的聚類增益α 計算步驟如下(6a)將第i個執(zhí)行的模塊&和第j個執(zhí)行的模塊fj分配給不同的處理器，計算它們在處理器上占用的最短時間t1: =+其中為&向f^發(fā)送數(shù)據(jù)的傳輸時間，Px表示第X個處理器，P表示處理器集合，E (fi; px)和E (fj; px)分別表示所述模塊&和f」在處理器Px上的執(zhí)行時間；(6b)將f i和。分配給相同的處理器，計算它們在處理器上占用的最短時間 tI · ^2 =min+；(6c)將(6a)和(6b)中的、和t2兩式相減，得到聚類增益α α = tl_t2。步驟7，根據(jù)已有的聚類理論，用選擇聚類增益值最大的方法，將模塊集合分解為幾個子集合，分解過程為(7a)將F中每個模塊單獨構(gòu)成一個子集；

(7b)從集合F中選下標最小的模塊并從所有模塊中選擇與&之間聚類增益 α ,j最大且大于0所對應(yīng)的模塊。，將。所在的子集與&所在的子集合并，更新F為從集合F中刪除&和。后得到的集合；(7c)重復(fù)步驟(7b)，直到集合F為空集；(7d)根據(jù)DAG理論，若(Iij > 0，則f^為f」的前驅(qū)，fj為f^的后繼，將子集再次進行如下分解當同一子集中，&和&都是&的后繼，則比較Ciik與Ciil的大小，將其中較小的對應(yīng)模塊從該子集中刪除并單獨構(gòu)成一個子集；當同一子集中，&和&都是&的前驅(qū)，則比較Ciki與Cili的大小，將其中較小的對應(yīng)的模塊從該子集中刪除并單獨構(gòu)成一個子集，其中fk為第k個模塊，為第1個模塊，α ik和α ki表示&與fk的聚類增益，α α 和α 表示&與&的聚類增益。步驟8，對階段值為1的模塊，通過動態(tài)級調(diào)度方法中優(yōu)先級的計算公式計算所有處理器的優(yōu)先級，并將該模塊分配給優(yōu)先級最大的處理器，優(yōu)先級計算公式為DL(fi ρχ, Σ ) = SL*(fi)-max[DA(fi,px, Σ ),TF(px,E )] + Δ (fijPx),其中=DUfyPx, Σ )表示在Σ下將模塊&分配給處理器Px的優(yōu)先級，該值越大，表明優(yōu)先級越高；Σ表示模塊在處理器上的分配情況；SLlfi)是模塊&的靜態(tài)級，即DAG圖中路徑上所有模塊執(zhí)行時間平均值的總和；DA(fi，px，Σ )表示在Σ狀態(tài)下在處理器ρχ上模塊&所需要的數(shù)據(jù)全部到達的最早時間；TF(px，E )表示在Σ狀態(tài)下處理器px上分配的最后一個模塊完成執(zhí)行的時間；Δ ( ·”ρχ)=帽端也)，式中帽代表模塊&在不同的處理器上的處理時間的平均值，E (fi; px)表示模塊&在處理器px上的執(zhí)行時間。步驟9，對于階段值大于1的模塊fj，分以下三種情況將為模塊分配處理器(9a)當f」單獨在一個子集里，計算f」在所有處理器上的優(yōu)先級，然后將模塊分配給優(yōu)先級最大的處理器，計算公式為DL (fj, ρχ, Σ ) = SL*(fj)-max[DA(fj, ρχ，Σ )，TF (ρχ，Σ ) ] + Δ (f』，ρχ)，其中=DUf^px, Σ )表示在Σ下將模塊fj分配給處理器ρχ的優(yōu)先級，該值越大，表明優(yōu)先級越高；Σ表示模塊在處理器上的分配情況；是模塊。的靜態(tài)級，即DAG圖中路徑上所有模塊執(zhí)行時間平均值的總和；0Α( ^ρχ，Σ )表示在Σ狀態(tài)下在處理器ρχ上模塊t所需要的數(shù)據(jù)全部到達的最早時間；TF (ρχ, Σ )表示在Σ狀態(tài)下所有處理器Px上分配的最后一個模塊完成執(zhí)行的時間；Δ (fj, px) =ρχ)，式中Elfj)代表模塊f」在不同的處理器上的處理時間的平均值，E(fj，px)表示模塊fj在處理器px上的執(zhí)行時間；(9b)當f」與它的前驅(qū)在一個子集里，計算f」在前驅(qū)分配的處理器上的優(yōu)先級，然后將模塊分配給優(yōu)先級最大的處理器，計算公式為DL(fj, ρζ, Σ ) = SL*(fj)-max[DA(fj, ρζ，Σ )，TF(ρζ，Σ )] + Δ (f』，ρζ)，
其中鞏表示從？!￡中選取模塊。的前驅(qū)所分配的處理器；01^的，？2，乙)表示在Σ 下將模塊t分配處理器Pz的優(yōu)先級，該值越大，表明優(yōu)先級越高；DA(fp ρζ，Σ )表示在Σ 狀態(tài)下處理器Pz上模塊fj所需要的數(shù)據(jù)全部到達的最早時間；TF (ρζ, Σ )表示在Σ狀態(tài)下在前驅(qū)所分配的處理器？2上的最后一個模塊完成執(zhí)行的時間；Δ (fj, pz) =Ρζ)，式中Elfj)代表模塊f」在不同的處理器上的處理時間的平均值，E(fj;pz)表示模塊fj在前驅(qū)所分配的處理器Pz上的執(zhí)行時間；(9c)當f^與它的后繼在一個子集里，計算除fj的前驅(qū)所分配的處理器以外的其它處理器的優(yōu)先級，然后將模塊分配給優(yōu)先級最大的處理器，計算公式為DLpw, Σ )= SL* (fj) -max [DA (fj; pw，Σ )，TF (pw，Σ ) ] + Δ (f』，pw)，其中pw表示從Px中除Pz外，選模塊f^的前驅(qū)所分配的處理器以外的其他處理器；DL(fj; pw, Σ )表示在Σ下將模塊fj分配給處理器Pw的優(yōu)先級，該值越大，表明優(yōu)先級越高；DA(fj;pw，Σ )表示在Σ狀態(tài)下在除模塊fj的前驅(qū)分配的處理器以外的其他處理器Pw 上，該模塊所需要的數(shù)據(jù)全部到達的最早時間；TF(pw, Σ )表示在Σ狀態(tài)下在除模塊fj的前驅(qū)所分配的處理器以外的其他處理器 Pw上的最后一個模塊完成執(zhí)行的時間；Δ (fj, pw) =pw)，式中Elfj)代表模塊f」在不同的處理器上的處理時間的平均值，E (fj; pw)表示模塊f」在除該模塊前驅(qū)所分配的處理器以外的其他處理器Pw 上的執(zhí)行時間；本發(fā)明的效果可以通過以下仿真結(jié)果進一步說明1.仿真條件用DAG模型來模擬認知無線終端重構(gòu)系統(tǒng)，采用隨機任務(wù)產(chǎn)生器來產(chǎn)生300個不同參數(shù)的DAG模型，參數(shù)設(shè)置范圍如下表所示
權(quán)利要求
1.一種基于認知無線終端重構(gòu)系統(tǒng)的資源調(diào)度方法，包括如下步驟(1)設(shè)認知無線終端重構(gòu)系統(tǒng)有M個信號處理模塊，根據(jù)信號處理模塊執(zhí)行的先后關(guān)系，將第i個執(zhí)行的信號處理模塊用A表示，將第j個執(zhí)行的信號處理模塊用f」表示，得到模塊集合 F = {f\，. . . fp . . . fj，. . . fM}，1 彡 i < j 彡 M ；(2)將信號處理模塊&向信號處理模塊fj發(fā)送的數(shù)據(jù)量用Clij表示，Clij彡0，根據(jù)有向無環(huán)圖DAG理論，以> 0對應(yīng)的&和。為節(jié)點構(gòu)成一條有向邊A，表示為乂 j^/；.，即fi向。發(fā)送數(shù)據(jù)量為知的數(shù)據(jù)，將所有的有向邊構(gòu)成有向邊集合(3)根據(jù)計算機數(shù)據(jù)結(jié)構(gòu)中的有向無環(huán)圖理論，由模塊集合F和有向邊集合E建立DAG 模型為G(F，E)；(4)根據(jù)DAG理論中的層數(shù)概念，將模塊集合F中&在DAG模型中所處的層數(shù)定義為 fi的階段值，得到階段值向量s = [S1,.. .Si,... sM]，其中Si表示&的階段值1 < i < M ；(5)將系統(tǒng)中N個不同類型的相互連接的處理器用集合P={pj來表示，Kx <N， 其中第χ個處理器用Px表示，由已知的各信號模塊在各處理器上的執(zhí)行時間得到系統(tǒng)的開銷矩陣E(fi，px) = (eix)MXN，其中eix表示信號處理模塊&在處理器Px上的執(zhí)行時間；(6)將系統(tǒng)中所有處理器之間的帶寬數(shù)值歸一化為1，使&向fj發(fā)送數(shù)據(jù)的傳輸時間在數(shù)值上等于du，在已知開銷矩陣E(fi; px)和數(shù)據(jù)的傳輸時間的情況下，采用聚類理論中的時間開銷度量方法，計算模塊之間的聚類增益au，α u表示模塊&和模塊fj之間的聚類增益；(7)根據(jù)已有的聚類理論，選擇聚類增益αu的最大值，將集合F分解為幾個子集合；(8)依據(jù)各模塊與其前驅(qū)和后繼是否處于同一子集，通過動態(tài)級調(diào)度方法計算處理器的優(yōu)先級，依次為各階段的模塊分配處理器(8a)計算階段值為1的模塊&在所有處理器上的優(yōu)先級，將模塊分配給優(yōu)先級最大的處理器；(8b)按以下三種情況計算其他階段值的模塊fi在處理器上的優(yōu)先級，并將模塊分配給優(yōu)先級最大的處理器當&單獨在一個子集里時，則計算&在所有處理器上的優(yōu)先級； 當&與它的前驅(qū)在一個子集里，則只計算&在前驅(qū)分配的處理器的優(yōu)先級； 若fi與它的后繼在一個子集里，則只計算除fi的前驅(qū)所分配的處理器以外的其它處理器的優(yōu)先級。
2.根據(jù)權(quán)利要求書1所述的基于認知無線終端重構(gòu)系統(tǒng)的資源調(diào)度方法，其中步驟 (6)所述的采用聚類理論中的時間開銷度量方法，計算模塊之間的聚類增益α…按如下步驟進行(6a)將第i個執(zhí)行的模塊&和第j個執(zhí)行的模塊fj分配給不同的處理器，計算它們在處理器上占用的最短時間、·λ =+其中、為&向f^發(fā)送數(shù)據(jù)的傳輸時間，Px表示第χ個處理器，P表示處理器集合， E (fi; px)和E (fj; px)分別表示所述模塊A和f」在處理器Px上的執(zhí)行時間；(6b)將&和fj分配給相同的處理器，計算它們在處理器上占用的最短時間t2
3.根據(jù)權(quán)利要求書1所述的基于認知無線終端重構(gòu)系統(tǒng)的資源調(diào)度方法，其中步驟(7)所述的選擇聚類增益αu的最大值，將集合F分解為幾個子集合，按如下步驟進行 (7a)將F中每個模塊單獨構(gòu)成一個子集；(7b)從集合F中選下標最小的模塊并從所有模塊中選擇與&之間聚類增益Ciij最大且大于O所對應(yīng)的模塊。，將。所在的子集與&所在的子集合并，更新F為從集合F中刪除&和。后得到的集合；(7c)重復(fù)步驟(7b)，直到集合F為空集；(7d)根據(jù)DAG理論，若> 0，則&為。的前驅(qū)，f,為。的后繼，將子集再次進行如下分解當同一子集中，fk和都是&的后繼，則比較aik與α η的大小，將其中較小的對應(yīng)模塊從該子集中刪除并單獨構(gòu)成一個子集；當同一子集中，fk和都是&的前驅(qū)，則比較0^與a u的大小，將其中較小的對應(yīng)的模塊從該子集中刪除并單獨構(gòu)成一個子集，其中fk為第k個模塊，fx為第1個模塊，a ik禾Π a ki表示fi與fk的聚類增益，a a和 aXi表示的聚類增益。
4.根據(jù)權(quán)利要求書1所述的基于認知無線終端重構(gòu)系統(tǒng)的資源調(diào)度方法，其中步驟(8)所涉及的述的通過動態(tài)級調(diào)度方法計算處理器的優(yōu)先級，按如下公式進行 DL(fi;px,E ) = SL*(fi)-max[DA(fi,px,E ), TF(px, Σ )] + Δ (Lpx)其中DL(fi，ρχ，Σ )表示在Σ下將模塊&分配給處理器ρχ的優(yōu)先級，該值越大，表明優(yōu)先級越高；Σ表示模塊在處理器上的分配情況；SLlfi)是模塊&的靜態(tài)級，即DAG圖中路徑上所有模塊執(zhí)行時間平均值的總和； DA(fi;Px,E )表示在Σ狀態(tài)下在處理器px上模塊&所需要的數(shù)據(jù)全部到達的最早時間；TF(px,E )表示在Σ狀態(tài)下處理器px上分配的最后一個模塊完成執(zhí)行的時間； Δ憂，px) =E*(fi)-E(fi，px)，式中Elfi)代表模塊&在不同的處理器上的處理時間的平均值，E (fi; px)表示模塊&在處理器px上的執(zhí)行時間。
全文摘要
本發(fā)明公開了一種基于認知無線終端重構(gòu)系統(tǒng)的資源調(diào)度方法，主要解決現(xiàn)有技術(shù)計算復(fù)雜度過高，資源調(diào)度效率低的缺陷。其實現(xiàn)過程為(1)構(gòu)造系統(tǒng)的信號處理模塊集合和描述模塊之間數(shù)據(jù)傳輸情況的有向邊集合；(2)由模塊集合和有向邊集合構(gòu)造系統(tǒng)的DAG模型；(3)根據(jù)DAG模型，為模塊定義階段值；(4)由系統(tǒng)參數(shù)得到開銷矩陣，并根據(jù)開銷矩陣及模塊之間的數(shù)據(jù)發(fā)送量計算各模塊之間的聚類增益；(5)根據(jù)聚類增益將模塊集合分為幾個子集合；(6)依據(jù)各模塊與其前驅(qū)和后繼所處子集的情況，通過計算處理器的優(yōu)先級，依次為各階段的模塊分配處理器。本發(fā)明能夠提高資源調(diào)度的效率，減少認知無線終端的重構(gòu)時間。
文檔編號H04W72/12GK102438325SQ20121000781
公開日2012年5月2日 申請日期2012年1月11日 優(yōu)先權(quán)日2012年1月11日
發(fā)明者侯麗俊, 馮成曉, 劉玉琦, 張文柱, 王紅香, 鄭晶晶, 郭翠, 銀幸元 申請人:西安電子科技大學(xué)