-
公开(公告)号：CN117320037A
公开(公告)日：2023-12-29
申请号：CN202311240806.3
申请日：2023-09-25
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了6G车联网中改进的DBSCAN算法与多对多匹算法的任务卸载机制，属于车联网技术领域，设计了一个改进的基于密度的空间应用噪声聚类算法，以涉及更多分散的车辆进行聚类，采用了一个多对多的匹配算法来配对车辆和辅助MEC服务器，还设计了基于多智能体的任务卸载机制来减少延迟并提高资源利用效率。本发明提出的改进的DBSCAN算法克服了参数选择的敏感性，不需要特别精准的参数设置，可以在密度不均匀的数据集上表现良好，克服了车辆密度对聚类结果的影响，并且本发明提出的多对多匹配机制提高了车辆剩余计算资源的利用率并且极大的缓解了边缘服务器的压力，同时保证高优先级任务优先进行计算。
-
公开(公告)号：CN110414747B
公开(公告)日：2022-02-01
申请号：CN201910729037.0
申请日：2019-08-08
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了一种基于深度学习的时空长短期城市人流量预测方法，用于人流量预测。本发明在提取空间相关性时，将邻近区域相关性做局部卷积，将遥远区域相关性用图卷积提取，减少了参数和计算量的同时又兼顾了空间相关性的完整；本发明同时捕捉了短期时间依赖长期的时间依赖，使预测结果在时间维度更精确；本发明将区域语义信息分布考虑进来，将每个区域中的每种类型的感兴趣区域(POI)赋予相应的占比权重，更精确地利用了区域语义对城市人流量的影响。
-
公开(公告)号：CN111132235A
公开(公告)日：2020-05-08
申请号：CN201911373174.1
申请日：2019-12-27
Applicant: 东北大学秦皇岛分校
IPC: H04W28/08
Abstract: 本发明的基于改进HRRN(Highest Response Ratio Next)算法和多属性决策的移动卸载迁移算法，包括：步骤1：单个无线体域网在某一时刻生成多个优先级不同的任务，如果可以本地处理则直接本地处理，否则上传至边缘服务器；步骤2：建立边缘服务器的效益函数，将效益值高的边缘服务器作为当前任务的初始边缘服务器；步骤3：判断当前边缘服务器是否合适；步骤4：判断边缘服务器是否满足两个准则，满足其中一项可作为候选边缘服务器；步骤5：再次根据步骤2建立边缘服务器的效益函数，计算所有候选边缘服务器的效益值，选择效益值最高的边缘服务器进行迁移。
-
公开(公告)号：CN119322681A
公开(公告)日：2025-01-17
申请号：CN202411561974.7
申请日：2024-11-05
Applicant: 东北大学秦皇岛分校
IPC: G06F9/50 , G06F9/445 , G06N3/092 , H04W28/084 , H04W28/08
Abstract: 本发明提供一种基于多智能体深度强化学习的计算卸载优化策略，涉及智能算法技术领域。该基于多智能体深度强化学习的计算卸载优化策略，核心内容是针对MEC多用户计算卸载场景设计的多智能体深度强化学习算法。本发明，利用值分解技术，构建了针对每个任务的任务Q网络结构，并在考虑智能体所有任务关系的基础上生成相应的任务Q值。这些任务Q值可以进一步聚合以得到智能体的Q值，有效缓解了多任务智能体在复杂参数化动作空间中所面临的高时间和空间复杂度问题。此外，在混合网络中利用自注意力机制，针对不同用户的特征动态地分配相应的权重。从而实现更精准的智能体间交互表示，提升了整体决策的灵活性和有效性。
-
公开(公告)号：CN114925857B
公开(公告)日：2024-08-13
申请号：CN202210699512.6
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
IPC: G06N3/098 , G06N3/0442 , G06N3/092 , G08G1/01 , G06F21/62
Abstract: 本发明提供一种用于交通状态估计的联邦学习算法，涉及交通状态监管领域。该用于交通状态估计的联邦学习算法，包括以下步骤：S1、构建LSTM；S2、发送给各个RSU；S3、模型训练；S4、利用A3C算法强化学习算法进行参数上传以及下载策略的分配；S5、各个RSU模型根据参数上传以及下载策略，选择是否将模型参数发送给服务器或者从服务器下载最新的模型参数以继续训练；S6、参数聚合并计算成本；S7、重复步骤S2‑S6；S8、得到预测结果以及成本。通过长短时记忆(LSTM)模型提取交通状态的时间相关性，并估计交通流量及道路车速两种交通状态指标，解决了基于联邦学习的交通状态估计研究网络资源分配不合理、客户端参与联邦学习不均衡的问题。
-
Patent Agency Ranking
公开(公告)号：CN114928893B
公开(公告)日：2024-04-16
申请号：CN202210699515.X
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于智能反射面的架构及任务卸载方法，涉及自动驾驶领域。该基于智能反射面的架构及任务卸载方法，包括以下步骤：S1、建立用于任务卸载的车辆‑智能反射面‑边缘计算服务器的无线通信信道；S2、降低系统的时延；S3、映射平面层将边缘设备进行数字孪生体映射；S4、深度强化学习DRL算法从历史数据中随机选择数据；S5、数字孪生网络DTN通过控制平面层对边缘网络EN进行卸载决策以及智能反射面的反射表明元素的反馈；S6、重复步骤S1‑S6直至达到终止条件。通过引入数字孪生技术，动态地监控车联网中的车辆状态以及智能反射面状态，协同调度车联网计算资源，合理分配卸载决策以及通过智能反射面增强任务卸载信道质量。
-
公开(公告)号：CN117852087A
公开(公告)日：2024-04-09
申请号：CN202410034488.3
申请日：2024-01-10
Applicant: 东北大学秦皇岛分校
IPC: G06F21/62 , G08G1/01 , G08G1/065 , G06Q10/04 , G06Q50/26 , G06F18/213 , G06F18/22 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/084 , G06N3/096 , G06N3/098
Abstract: 本发明公开了跨城市交通流预测中一种基于隐私保护的联邦迁移学习算法，提出了一个多模态的图卷积网络和时域卷积网络模型2MGTCN。在保护数据隐私的同时，保证TFP准确性。该模型包含三个主要组成部分：源域、迁移学习和目标域，在该模型中我们采用灰色关系分析方法和动态时间规整方法分别捕获道路关系和流量关系。此外，采用图卷积网络和时域卷积网络架构来捕获道路网络的空间和时间信息。为了保护目标城市数据的隐私，我们使用联邦学习来训练目标模型，并提出一种基于空间相似性的参数聚合算法。
-
公开(公告)号：CN117294728A
公开(公告)日：2023-12-26
申请号：CN202311224231.6
申请日：2023-09-21
Applicant: 东北大学秦皇岛分校
IPC: H04L67/1097 , H04L67/60 , H04L67/568
Abstract: 本发明公开了边缘计算场景下基于多臂选择算法的任务缓存方法，属于边缘计算技术技术领域，本发明将场景中待缓存的F个任务视为摇臂，以最大化所缓存任务的需求量大小为目标，解决了在满足MEC服务器存储容量有限以及单位回合中新加入任务的切换成本不能超过阈值上限两个约束条件下任务的最优缓存决策问题，创新性得将Gomory割平面算法引入到了组合多臂选择算法中，实现了多约束条件下的任务缓存决策的求解。
-
公开(公告)号：CN110265146B
公开(公告)日：2022-05-27
申请号：CN201910519177.5
申请日：2019-06-17
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了一种基于Bagging‑Fuzzy‑GBDT算法的心脏病预测方法，首先根据病人心脏病数据的特点，将数据中取值范围变化大的属性取出，利用模糊逻辑将这些数据进行模糊化；将模糊化的数据与GBDT算法相结合，组成Fuzzy‑GBDT心脏病预测算法；最后利用Bagging算法通过m次有放回的采样，增加数据的多样性，将Bagging算法与Fuzzy‑GBDT算法相结合，提出本文的Bagging‑Fuzzy‑GBDT心脏病预测算法。本发明降低了Fuzzy‑GBDT预测算法的方差，以此来增加数据的多样性，避免单个点造成过拟合，在兼顾预测算法高泛化性的同时提高预测算法的准确性。(4)本发明通过实验进行了性能评价，结果表明，本发明的Bagging‑Fuzzy‑GBDT心脏病预测算法同时具有较好的准确性和泛化性。
-
公开(公告)号：CN119323530A
公开(公告)日：2025-01-17
申请号：CN202411561972.8
申请日：2024-11-05
Applicant: 东北大学秦皇岛分校
IPC: G06T5/70 , G06N3/0475 , G06N3/048 , G06N3/0464 , G06N3/045 , G06V10/77 , G06V10/40
Abstract: 本发明提供基于噪声调度和加速采样的高效且稳定的生成模型，涉及人工智能生成模型技术领域。该基于噪声调度和加速采样的高效且稳定的生成模型，控制图像与扩散因子之间的分配比例，在扩散步骤的不同阶段，对噪声的增长速率进行动态调整，使得扩散因子在早期增长较快，中后期逐渐趋于平稳，避免了噪声积累过快对生成效果的影响，此外，通过融合扩散因子的统计特征，优化了生成图像的质量，通过对扩散因子的统计特征进行建模。本发明，Gnoise‑sigmoid函数用于控制扩散过程中噪声的增长速率，解决了传统线性或余弦噪声分布在生成过程中的不稳定性问题。通过平滑噪声分布，在早期快速扩散，中后期平稳过渡，减少了噪声过度积累，提升了生成图像的质量。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.028 seconds)
