-
公开(公告)号：CN114531726B
公开(公告)日：2024-03-29
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
IPC: H04W52/26 , H04W52/24 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于密集无线网络的功率控制方法，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：CN113453358B
公开(公告)日：2022-09-23
申请号：CN202110654301.6
申请日：2021-06-11
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: H04W72/04 , H04W72/08 , H04B17/382
Abstract: 本发明公开了一种无线携能D2D网络的联合资源分配方法，属于通信系统技术领域，本发明采用强化学习框架，智能地分配资源块以及功率分流比例，在基站和D2D最大发射功率以及蜂窝用户最低速率要求的约束下，最大化D2D能效，解决了传统算法无法处理复杂通信环境的困境，通信系统中D2D用户通过采用多智能体强化学习框架，对资源块和功率分流比例进行分配，解决以能效为目标函数的非凸问题。该发明可以提高D2D通信的总能效，实现更快的收敛速度。
-
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：CN113642388A
公开(公告)日：2021-11-12
申请号：CN202110757098.5
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
Abstract: 本发明公开了一种基于YOLOv3改进的口罩佩戴智能检测方法，属于通信信道编码的译码技术领域，包括口罩数据集图像信息的获取；将口罩数据集划分为独立不重复的验证集和测试集；口罩数据集图像的特征提取；口罩数据集基于Darknet53(加PyConv)的模型构建。本发明采用Darknet53进行口罩检测模型的构建，提供了一种智能口罩佩戴检测方法；由于场景较为复杂，原始YOLOv3算法表现并不理想，尤其在被遮挡目标和小目标检测上，检测效果较差。在此基础上再加入金字塔卷积(Pyramidal Convolution)，可以更好地捕捉不同层级的细节信息，从而实现准确的定位和分类是否佩戴口罩。本发明可以有效地检测出人员是否佩戴口罩；同时在一定程度上可以缓解人员交叉感染的风险，保障人员生命安全。
-
公开(公告)号：CN113543342A
公开(公告)日：2021-10-22
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
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。
-
Patent Agency Ranking
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：CN113453358A
公开(公告)日：2021-09-28
申请号：CN202110654301.6
申请日：2021-06-11
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: H04W72/04 , H04W72/08 , H04B17/382
Abstract: 本发明公开了一种无线携能D2D网络的联合资源分配方法，属于通信系统技术领域，本发明采用强化学习框架，智能地分配资源块以及功率分流比例，在基站和D2D最大发射功率以及蜂窝用户最低速率要求的约束下，最大化D2D能效，解决了传统算法无法处理复杂通信环境的困境，通信系统中D2D用户通过采用多智能体强化学习框架，对资源块和功率分流比例进行分配，解决以能效为目标函数的非凸问题。该发明可以提高D2D通信的总能效，实现更快的收敛速度。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.04 seconds)
