-
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。
-
公开(公告)号：CN113473580A
公开(公告)日：2021-10-01
申请号：CN202110526421.8
申请日：2021-05-14
Applicant: 南京信息工程大学滨江学院
Abstract: 本发明公开了异构网络中基于深度学习的用户关联联合功率分配策略，属于通信系统技术领域，包括如下步骤：步骤1：通信建模，建立异构网络模型；步骤2：数据集收集；步骤3：构建神经网络；步骤4：训练神经网络，并确定优化算法为Adam；步骤5：满足所有迭代次数时保存网络。本发明的异构网络中基于深度学习的用户关联联合功率分配策略，在异构网络中，用神经网络以监督学习的方式联合优化用户关联和功率分配，实现对传统算法的高度拟合，同时保证低的计算复杂度，提供实时可靠的在线决策。
-
公开(公告)号：CN112953552A
公开(公告)日：2021-06-11
申请号：CN202110168431.9
申请日：2021-02-07
Applicant: 南京信息工程大学滨江学院
IPC: H03M13/00
Abstract: 本发明公开了Q‑learning辅助的连续消除翻转译码器及其译码方法，属于通信信道编码的译码技术领域，包括Q‑learning学习模块和SCF译码模块，在所述的Q‑learning学习模块中有两个部分，所述的Q‑learning模型的学习部分和处理学习后的Q表部分；在SCF译码模块中有Q‑learning辅助的SCF译码部分。本发明给出了QLSCF译码器的强化学习模型设计，其中模型训练的环境为SCF译码过程，让Q‑learning训练算法能用于候选比特的选择过程，由于强化学习模型的训练是离线的，因此QLSCF译码器的译码延迟不会增加；本发明的QLSCF译码器是采用强化学习中的Q‑learning算法进行训练的，达到利用强化学习来降低译码延迟效果的极化码译码器。
-
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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN113518457B
公开(公告)日：2024-06-07
申请号：CN202110437441.8
申请日：2021-04-22
Applicant: 南京信息工程大学滨江学院
IPC: H04W72/044 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了基于一维深度卷积神经网络的功率分配策略，属于通信系统领域，针对现有基于深度神经网络的功率分配算法的不足，提供一种基于一维深度卷积神经网络的功率控制策略，既能实现在线决策，又能对传统算法达到一个很好的性能逼近，其网络预测能力要优于目前的基于全连接结构的深度神经网络。本发明研究了用一维卷积神经网络替代传统算法的资源分配策略，通过监督学习的方式，学习基于传统算法得到的功率分配效果，实现快速可靠的在线决策，与传统的基于深度学习的功率分配算法相比，克服了学习能力有限的缺点，其预测能力更高。
-
公开(公告)号：CN112188600B
公开(公告)日：2023-05-30
申请号：CN202011002522.7
申请日：2020-09-22
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
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.039 seconds)
