-
公开(公告)号：CN113543342B
公开(公告)日：2024-03-29
申请号：CN202110756466.4
申请日：2021-07-05
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
IPC: H04W72/53 , H04W72/0453 , H04W24/02 , H04W16/22
Abstract: 本发明公开了基于NOMA‑MEC强化学习资源分配与任务卸载方法，属于移动通信网络技术领域，把网络系统中的每个移动设备都看做独立的智能体，采用基于Actor‑Critic网络结构的MADDPG方法，让每个移动设备都能学习到合适的策略，以达到最小化时延与能耗，移动设备采用NOMA技术和强化学习框架，通过对随机到达的任务和有限的子载波信道资源进行合理智能的分配，以得到最优策略。该发明有效地解决了移动设备中存在的任务量巨大的问题，同时降低整个通信过程中的时延，并在不同环境下得到最佳的资源分配方式，提高了信道资源利用效率。
-
公开(公告)号：CN112153617B
公开(公告)日：2022-07-12
申请号：CN202010964851.3
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H04W4/70 , H04B17/382 , G06N3/04 , G06K9/62
Abstract: 本发明公开一种基于集成神经网络的终端设备传输功率的控制方法，收集D2D链路的信道功率增益样本；并输入到SPCA算法，得到相应样本下的最优功率分配策略；搭建深度神经网络和卷积神经网络，并初始化神经网络权重；将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；构建选择器，选择并输出具有更高性能的分配策略。本发明克服了深度神经网络对大规模网络学习能力弱和卷积神经网络对小规模网络的局部特征提取的有限性，用集成学习的思想，将两个网络集成起来，使其能适应不同规模网络实时的功率分配需求。
-
公开(公告)号：CN112468568A
公开(公告)日：2021-03-09
申请号：CN202011318708.3
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院
Abstract: 本发明公开了一种移动边缘计算网络的任务中继卸载方法，包括集成了毫米波和频率低于6GHz电磁波(Sub‑6GHz)的移动边缘计算网络，Sub‑6GHz实现用户设备的全覆盖，设置基站和用户设备预先执行了波束训练和对齐机制，因此能够在建立数据连接时配置适当的波束。由于每个用户设备都是独立的个体，因此，采用平均场博弈MFG的框架最大程度的减少功耗，针对MFG优化方法的限制，将公式化的MFG简化为马尔可夫决策过程MDP，利用MDP优化问题求得MFG的均衡解，即通过采用强化学习框架，最大化CUs的价值函数，在强化学习的指导下得到均衡解，实现任务的成功卸载，并减少系统能耗。
-
公开(公告)号：CN112153616A
公开(公告)日：2020-12-29
申请号：CN202010964461.6
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院
IPC: H04W4/70 , H04B17/345 , H04B17/373 , H04B17/382 , H04W4/02 , H04W4/021 , G06N3/04 , G06K9/62
Abstract: 本发明公开一种基于深度学习的毫米波通信系统中的功率控制方法，首先，收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；然后，收集训练数据集，构建卷积神经网络框架，并初始化神经网络权重；最后，将训练数据集输入至神经网络中，构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重；完成训练并保存神经网络。本发明克服了毫米波网络环境中蜂窝设备和D2D设备的干扰问题，用卷积神经网络对收发机的相对位置进行特征提取，以监督学习的方式逼近传统算法来学习设备位置到最优功率分配的映射关系。
-
公开(公告)号：CN112153615A
公开(公告)日：2020-12-29
申请号：CN202010964458.4
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院
Abstract: 本发明公开一种多小区蜂窝D2D设备中基于深度学习的用户关联方法，首先，收集环境内终端设备的信道增益信息；其次，运用穷举法得到相应信道增益样本下的最优蜂窝用户关联策略，收集训练数据集；然后，构建卷积神经网络框架，初始化神经网络参数；最后，训练该神经网络：将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络。本发明克服了环境中D2D设备对蜂窝设备造成的干扰问题，用卷积神经网络以监督学习的方式逼近传统算法来学习信道增益到最优用户关联策略之间的映射关系。
-
Patent Agency Ranking
公开(公告)号：CN112468568B
公开(公告)日：2024-04-23
申请号：CN202011318708.3
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H04L67/10 , H04W4/70 , H04W28/084 , H04W40/22
Abstract: 本发明公开了一种移动边缘计算网络的任务中继卸载方法，包括集成了毫米波和频率低于6GHz电磁波(Sub‑6GHz)的移动边缘计算网络，Sub‑6GHz实现用户设备的全覆盖，设置基站和用户设备预先执行了波束训练和对齐机制，因此能够在建立数据连接时配置适当的波束。由于每个用户设备都是独立的个体，因此，采用平均场博弈MFG的框架最大程度的减少功耗，针对MFG优化方法的限制，将公式化的MFG简化为马尔可夫决策过程MDP，利用MDP优化问题求得MFG的均衡解，即通过采用强化学习框架，最大化CUs的价值函数，在强化学习的指导下得到均衡解，实现任务的成功卸载，并减少系统能耗。
-
公开(公告)号：CN112153615B
公开(公告)日：2022-07-12
申请号：CN202010964458.4
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
Abstract: 本发明公开一种多小区蜂窝D2D设备中基于深度学习的用户关联方法，首先，收集环境内终端设备的信道增益信息；其次，运用穷举法得到相应信道增益样本下的最优蜂窝用户关联策略，收集训练数据集；然后，构建卷积神经网络框架，初始化神经网络参数；最后，训练该神经网络：将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络。本发明克服了环境中D2D设备对蜂窝设备造成的干扰问题，用卷积神经网络以监督学习的方式逼近传统算法来学习信道增益到最优用户关联策略之间的映射关系。
-
公开(公告)号：CN114531726A
公开(公告)日：2022-05-24
申请号：CN202110738351.2
申请日：2021-06-30
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
Abstract: 本发明公开了基于密集无线网络的功率控制策略，属于通信系统物理层技术领域，包括如下步骤：1)收集训练数据集；2)确定训练集和测试集的分割比例；3)构建DRSN框架，并初始化神经网络权重；4)将训练数据集输入至神经网络构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；6)测试阶段由测试集作为输入数据测试性能。本发明克服了深度神经网络对大规模网络学习能力弱，极大程度上防止了“梯度消失”和“梯度爆炸”现象的出现。
-
公开(公告)号：CN112350737A
公开(公告)日：2021-02-09
申请号：CN202011319358.2
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院
IPC: H03M13/11
Abstract: 本发明公开了一种基于LDPC码的分组信息更新的传输方法，包括如下步骤：对变量节点进行分组；计算变量分组更新前后的矢量距离；得到矢量距离最大的变量分组，将其信息传递给相应的校验节点；更新获得信息的校验节点的信息，并传递给相应的变量节点；将更新后的变量分组矢量距离值归0；继续计算变量分组更新前后的矢量距离直至满足迭代停止的条件；迭代停止，译码输出。本发明提供的一种基于LDPC码的分组信息更新的传输方法克服了目前单个节点SS模式存在的纠高阶调制比特错误的能力较弱、未考虑节点之间的信息关联不足的缺陷，同时实现加快收敛速度，提高译码性能。
-
公开(公告)号：CN112188600A
公开(公告)日：2021-01-05
申请号：CN202011002522.7
申请日：2020-09-22
Applicant: 南京信息工程大学滨江学院
Abstract: 本发明公开了一种利用强化学习优化异构网络资源的方法，属于通信技术领域，本发明集成强化学习和凸优化理论，提出根据动作的相关性，即ABS，CRE和小基站休眠策略，对动作空间进行分割，针对强化学习建模过程中系统能效作为奖励函数值数量级过大问题，重新设计奖励函数值先取负数再取倒数，作为新的奖励函数值。本发明减小强化学习的动作空间，凸优化理论可以保证系统收敛性，同时加快强化学习的收敛速度；通过仿真实验可以证明该方法具有收敛性，更低的复杂度，在几乎达到系统能效理论值的前提下，与传统表格类型的Q‑Learning相比，收敛速度提升60％。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.043 seconds)
