-
公开(公告)号：CN113055826B
公开(公告)日：2022-04-22
申请号：CN202110268939.6
申请日：2021-03-12
Applicant: 南京大学
IPC: H04W4/029 , H04W16/22 , H04W84/18 , H04B7/185 , H04B17/382 , H04B17/391
Abstract: 本发明属于无线传感器网络技术领域，具体涉及一种联合分簇和三维轨迹规划的大规模无人机群数据收集方法，根据地理位置，每个区域对应一个无人机群，我们在每个区域选择一个Super‑CH来收集该区域的所有数据，轮渡无人机只需要从几架Super‑CH无人机上收集数据。首先通过优化传输时延确定CH的数量，然后应用改进的k‑means算法在每个区域的节点中选择相应的簇头CH和唯一的Super‑CH。随后，我们提出了一种基于BCD的迭代方法来设计轮渡无人机的最优三维轨迹，从而使其完成Super‑CH数据收集的时间最小化。
-
公开(公告)号：CN114051254A
公开(公告)日：2022-02-15
申请号：CN202111312119.9
申请日：2021-11-08
Applicant: 南京大学
Abstract: 一种基于星地融合网络的绿色云边协同计算卸载方法，基于星地融合网络，所述星地融合网络由低轨卫星组网与传统地面网络构成；地面网络包含TSC和LSC两种基站；每一个LSC旁部署有MEC服务器；步骤如下：1)以最小化星地融合网络的能耗为优化目标，结合服务质量要求，建立目标优化问题；对原问题进行数学分析，分解为优化变量分别为二元变量和连续变量的两个子问题；2)将大尺度衰落、用户任务到达速率、天线增益等环境参数输入深度神经网络，求解出用户接入选择x和基站卸载选择β；生成多对(x,β)；将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛。
-
公开(公告)号：CN114050858A
公开(公告)日：2022-02-15
申请号：CN202111245209.0
申请日：2021-10-26
Applicant: 南京大学
IPC: H04B7/185
Abstract: 一种双层递阶的巨型星座故障管理与响应方法，S1、基于双层递阶巨型星座网络管理方法，超大规模低轨卫星向上进行故障状态共享。所述双层递阶网络管理方法包括：双层递阶网络管理包括分组管理和分簇管理，MEO作为组管理者管理组内LEO，分组内根据相应的分簇原则进行分簇，选择一颗簇首卫星节点作为此分簇的管理者，管理簇内LEO，各个簇首与相应的组管理者MEO构建通信链路；S2、分别实现两种故障响应机制，通过实现周期性信息采集的故障响应机制应对节点通信故障；通过实现触发式信息更新的故障响应机制应对节点状态故障；所述通信故障是链路故障、通信设备故障；S3、建立巨型星座系统故障信息数据库，以进行故障数据库匹配。
-
公开(公告)号：CN112953625A
公开(公告)日：2021-06-11
申请号：CN202110456288.3
申请日：2021-04-26
Applicant: 南京大学
IPC: H04B7/185
Abstract: 本发明公开了一种超大规模低轨卫星网络运维及资源管控方法，首先MEO卫星收集LEO卫星上报的地理位置信息；接着MEO卫星根据LEO卫星的地理位置，对超大规模LEO卫星网络进行分层管理；所述分层管理模式包括分组管理和分簇管理；每个LEO分组的所有簇头作为LEO‑MEO通信头节点，每个分组的LEO‑MEO通信头节点与对应的MEO通过层间链路IOL建立连接；LEO簇成员周期性地将自己的状态信息上报给对应的簇头LEO卫星，MEO卫星进行汇总；相比现有的卫星网络运维方法，本发明可以实现超大规模星座系统的轻量级快速控制，可以达到分钟级的运维响应速度，可以提升周期性状态信息收集效率，确保网络服务的连续性和一致性。
-
公开(公告)号：CN108877268B
公开(公告)日：2021-05-25
申请号：CN201810893061.3
申请日：2018-08-07
Applicant: 南京大学
IPC: G08G1/0967 , G08G1/16
Abstract: 一种面向无人驾驶的无红绿灯十字路口智能调度方法，包括以下步骤：步骤1：设立基于十字路口交通管理器以及调度区和划分碰撞避免区，建立以交通管理器作为协同车辆通信、规划车辆调度的中心控制管理机制；步骤2：交通管理器接收进入调度区具体车辆的行驶数据，并返给具体车辆通过十字路口的调度信息；步骤3：根据调度信息的引导，无人驾驶车辆进行相应调整通过十字路口；所述碰撞避免区是十字路口两条车道的交叉区，碰撞避免区被划分成16个相同面积的正方形冲突区域，同一个正方形冲突区域最多只能由一辆车占用；进入所述碰撞避免区的无人驾驶车需以同一恒定的速度并按既定方向行驶。
-
Patent Agency Ranking
公开(公告)号：CN109819422A
公开(公告)日：2019-05-28
申请号：CN201910288268.2
申请日：2019-04-11
Applicant: 南京大学
Abstract: 本发明提出一种基于Stackelberg博弈的异构车联网多模通信方法，为实现高吞吐量和低成本的车辆通信提供了一个高效的解决方案，该方法包括步骤：基于基站(BS)和车辆用户设备(UE)，建立动态的Stackelberg博弈模型；将车辆用户的自适应模式选择构造为一个跟随者进化博弈，并构建一个进化稳定策略(ESS)作为解决方案；BS对三种通信模式的价格进行动态调控，构造为一个领导者的最优控制问题，从而作为一种有效的激励机制，可以使用户分布接近ESS，即近似达到最优分布。相比于传统的车间通信模式，本发明能够最大程度地提高车辆间通信的吞吐量、降低成本，提高频谱利用效率。
-
公开(公告)号：CN120011523A
公开(公告)日：2025-05-16
申请号：CN202510480917.4
申请日：2025-04-17
Applicant: 南京大学
IPC: G06F16/3329 , G06F16/334 , G06F16/338 , G06F16/36 , G06N5/04 , G06N5/043 , G06N5/025
Abstract: 本发明公开了一种基于ME‑RAG的数据中心大模型智能运维方法及系统，本发明将数据中心资料分为多个领域，每个领域创建一个专家代理，通过非结构化文档，构建包括文本、图片和表格的多模态数据库，作为专家代理的外嵌知识库；基于ME‑RAG框架，经理代理结合专家技能列表与用户问题动态选择涉及到的专家领域，并分派给相关专家代理进行回答；收到回答指令的各专家代理，根据问题检索自身知识库，用文字对问题进行回答，若有相关的图片及表格则一并返回，最后由汇报专员将所有专家代理的答案进行总结。本发明通过多专家运维机制，有效提高针对用户问题回答的正确性和全面性，并通过多模态数据库检索机制，为用户提供更加直观的多模态信息。
-
公开(公告)号：CN118802075A
公开(公告)日：2024-10-18
申请号：CN202410994134.3
申请日：2024-07-24
Applicant: 南京大学
IPC: H04L1/00 , H04B17/336 , H04B17/391 , H04B7/06 , H04B7/185
Abstract: 本发明公开了一种基于深度学习的超大规模低轨卫星通信自适应编码调制方法与系统，为超大规模低轨卫星对地通信系统提出了更高可靠性和稳定性的解决方案。本发明首先构建低轨卫星对地通信仿真系统和星地通信信道模型；其次构建单颗低轨卫星的移动模型，根据仿真的运行结果，得到卫星绕地过程中的距离和仰角变化数据；最后利用深度学习算法在卫星移动过程中对信道状态进行预测，将自适应编码调制方法应用到低轨卫星通信场景中。相比于传统的自适应编码调制方法，本发明考虑了动态卫星网络拓扑的快速变化，更加贴合真实场景，在使用了深度学习算法的基础上，能够最大程度地提高低轨卫星对地通信系统的吞吐量，改善通信效率。
-
公开(公告)号：CN118158784A
公开(公告)日：2024-06-07
申请号：CN202410295855.5
申请日：2024-03-15
Applicant: 南京大学
Abstract: 本发明公开了一种面向绿色全解耦网络的灵活基站休眠和资源协作方法及系统，本发明首先构建了用户‑上行基站关联矩阵、上行基站运行状态向量和用户功率向量的联合优化问题，在满足用户QoS约束的情况下，最大化上行全解耦网络能效；然后将优化问题分解为等效的联合优化用户‑上行基站关联矩阵和上行基站运行状态向量的上层问题，以及优化用户功率向量的下层问题；再使用基于Dinkelbach的连续下界最大化算法求解下层问题；使用多对多交换匹配算法求解上层问题；其中多对多交换匹配算法中用户偏好能效更高且上行基站下所有用户均可达到最小QoS速率的上行基站。仿真结果表明本发明实现了全解耦网络的高能效和所提出算法的有效性。
-
公开(公告)号：CN117236180A
公开(公告)日：2023-12-15
申请号：CN202311239195.0
申请日：2023-09-25
Applicant: 南京大学
IPC: G06F30/27 , G06Q10/04 , G06N3/084 , G06N3/0499 , G06N3/048 , G06N3/0455 , G06F119/12 , G06F119/06 , G06F119/08 , G06F119/14
Abstract: 本发明公开了一种多任务学习的数据中心水冷系统能耗预测方法与装置，为基于水冷散热系统的数据中心的冷却系统的能耗建模预测提供了一个准确率高、可泛化性强、可解释性强的解决方案。本发明包括：获得时序性的来自于物联网传感模块采集的数据中心运行真实工况数据，并将真实工况数据转化为模型可用的数据集；使用多任务学习的方法，结合水冷系统的物理模型和用于实时预测时序数据的多任务深度学习网络模型，对水冷数据中心能耗进行时序性精准预测。相比于传统方法，本发明能够通过物联网设备测点的实时数据，使用创新的多任务学习的数据中心水冷系统能耗预测方法，对数据中心水冷系统能耗进行更精准、有更强可解释性的实时预测。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.029 seconds)
