-
公开(公告)号：CN111130909A
公开(公告)日：2020-05-08
申请号：CN201911414979.6
申请日：2019-12-31
Applicant: 南京邮电大学
Abstract: 本发明提出基于自适应储备池回声状态网络（Echo State Network,ESN）的网络流量预测方法，首先对网络流量数据进行连续采集；同时将ESN与生成对抗网络（Generative Adversarial Net,GAN）结合，构造基于自适应储备池ESN的网络流量预测模型；然后提出对抗训练算法，在训练中根据网络流量特征自动调整ESN储备池。最终使用训练好的基于自适应储备池ESN的网络流量预测模型进行网络流量预测。该方法可以自动产生适应网络流量特征的储备池，可以提高网络流量预测结果的准确率和稳定性，可以在非线性时间序列预测中取得更好的预测效果。
-
公开(公告)号：CN110428082A
公开(公告)日：2019-11-08
申请号：CN201910466102.5
申请日：2019-05-31
Applicant: 南京邮电大学
Abstract: 基于注意力神经网络的水质预测方法，包括如下步骤：步骤1：采集某一水质指标的数据；步骤2：将该水质指标的数据进行z-score标准化处理；步骤3：使用处理好的该水质指标的数据构造训练集Training；步骤4：构造基于注意力神经网络的水质预测模型；步骤5：使用构造的训练集Training训练构造的基于注意力神经网络的水质预测模型；步骤6：使用训练好的基于注意力神经网络的水质预测模型预测未来时刻的该水质指标的数据。本发明提出的水质预测方法，在双向LSTM神经网络中引入注意力机制，考虑每个时刻水质指标的数据对预测结果的重要程度不同，赋予每个时刻水质指标不同的权重，从而降低了水质预测时产生的相对误差，提高了预测精确度。
-
公开(公告)号：CN117608812A
公开(公告)日：2024-02-27
申请号：CN202311186292.8
申请日：2023-09-14
Applicant: 南京邮电大学
IPC: G06F9/50 , G06F30/27 , G06N3/045 , G06N3/08 , G06F111/04
Abstract: 卫星边缘计算中考虑时空负载的自适应任务卸载方法，在卫星边缘计算中对任务卸载问题进行建模时，考虑了卫星的时空特性，实现低时延和低能耗的任务卸载；利用近端策略优化(Proximal Policy Optimization,PPO)对任务卸载问题进行求解，可以有效的解决卫星边缘计算中的高维求解空间问题，并且达到在动态环境中快速求解的目的；用户选择将任务卸载到不同的低轨道(Low Earth Orbit,LEO)卫星进行边缘计算时，减少用户的计算时延和能耗，避免出现一些LEO卫星过载而另一些LEO卫星未充分利用的情况，有效的利用卫星的计算资源。
-
公开(公告)号：CN115344510B
公开(公告)日：2023-02-03
申请号：CN202211270042.8
申请日：2022-10-18
Applicant: 南京邮电大学
IPC: G06F12/0877 , G06F3/06 , G06F16/2455 , G06F16/71 , G06N3/04 , G06N3/092
Abstract: 基于深度强化学习的高维度视频缓存选择方法，将深度强化学习运用到边缘服务器的视频缓存选择中，考虑了视频缓存选择具有的动态性和高维性，实现边缘服务器的高效视频缓存；利用decoder对DDPG进行改进，可以使边缘服务器选择合适的视频进行缓存，以减少视频传输的时间延迟和用户花费的流量成本；边缘服务器从海量视频中选择视频缓存时，极大地减少计算开销，避免给资源有限的边缘服务器带来过大的压力，节约了运算成本。
-
公开(公告)号：CN111130909B
公开(公告)日：2022-09-23
申请号：CN201911414979.6
申请日：2019-12-31
Applicant: 南京邮电大学
IPC: H04L41/147 , H04L43/0876 , G06N3/04 , G06N3/08
Abstract: 本发明提出基于自适应储备池回声状态网络（Echo State Network,ESN）的网络流量预测方法，首先对网络流量数据进行连续采集；同时将ESN与生成对抗网络（Generative Adversarial Net,GAN）结合，构造基于自适应储备池ESN的网络流量预测模型；然后提出对抗训练算法，在训练中根据网络流量特征自动调整ESN储备池。最终使用训练好的基于自适应储备池ESN的网络流量预测模型进行网络流量预测。该方法可以自动产生适应网络流量特征的储备池，可以提高网络流量预测结果的准确率和稳定性，可以在非线性时间序列预测中取得更好的预测效果。
-
Patent Agency Ranking
公开(公告)号：CN114742306B
公开(公告)日：2024-11-08
申请号：CN202210414935.9
申请日：2022-04-20
Applicant: 南京邮电大学
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/20 , G06N3/042 , G06N3/0442 , G06N3/082
Abstract: 基于改进知识蒸馏ESN的边缘端时间序列预测方法，首先将回声状态网络ESN与知识蒸馏KD结合，构造基于改进知识蒸馏ESN的时间序列预测模型；然后提出训练算法，在服务器端训练该模型，优化储备池结构，提高其长期记忆能力并降低其计算开销；最终在边缘端使用训练好的基于改进知识蒸馏ESN的时间序列预测模型进行时间序列预测。该方法可以提高储备池的长期记忆能力并且降低其计算开销，使ESN更适合部署在边缘端完成时间序列预测任务。
-
公开(公告)号：CN117200873B
公开(公告)日：2024-05-31
申请号：CN202311471452.3
申请日：2023-11-07
Applicant: 南京邮电大学
IPC: H04B7/185 , H04W28/084 , H04W84/06
Abstract: 卫星边缘计算网络中考虑卫星移动性的计算卸载方法，可以将用户任务卸载到卫星上计算，从而快速响应用户服务请求，减少资源和能量消耗；分析卫星移动的四种场景，建立了考虑卫星移动的时延模型，并根据时延和能耗模型建立计算卸载的优化问题，有效解决卫星移动速度快的问题；运用ADMM算法对问题进行求解，将原问题分解为多个子问题，每个子问题分别在卫星求解，在多用户场景下，有效加快算法收敛速度。本发明针对资源有限、卫星移动、用户海量的卫星边缘计算网络，对用户卸载决策进行优化，以最小化网络时延和能耗。
-
公开(公告)号：CN117200873A
公开(公告)日：2023-12-08
申请号：CN202311471452.3
申请日：2023-11-07
Applicant: 南京邮电大学
IPC: H04B7/185 , H04W28/084 , H04W84/06
Abstract: 卫星边缘计算网络中考虑卫星移动性的计算卸载方法，可以将用户任务卸载到卫星上计算，从而快速响应用户服务请求，减少资源和能量消耗；分析卫星移动的四种场景，建立了考虑卫星移动的时延模型，并根据时延和能耗模型建立计算卸载的优化问题，有效解决卫星移动速度快的问题；运用ADMM算法对问题进行求解，将原问题分解为多个子问题，每个子问题分别在卫星求解，在多用户场景下，有效加快算法收敛速度。本发明针对资源有限、卫星移动、用户海量的卫星边缘计算网络，对用户卸载决策进行优化，以最小化网络时延和能耗。
-
公开(公告)号：CN115568014A
公开(公告)日：2023-01-03
申请号：CN202211149824.6
申请日：2022-09-21
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于自适应的区域划分的分布式多跳定位方法，首先，以锚节点间的真实距离与对应的跳数，计算出平均每跳距离；随后，以平均每跳距离为基础计算出锚节点间的残差；紧接着，逐跳的对残差进行分析，自适应的获得网络最大跳数阈值，并依据跳数阈值，以未知节点为中心，将整个网络划分为多个子网络；最后，在子网络中若有一个及以上锚节点，则用自然选择和粒子群结合的混合算法搜寻出未知节点的最优估计位置，否则等待已定位的未知节点辅助获得最优估计位置。本发明所述方法可以实现复杂拓扑环境下的稳定、高效且高精度定位。
-
公开(公告)号：CN115344510A
公开(公告)日：2022-11-15
申请号：CN202211270042.8
申请日：2022-10-18
Applicant: 南京邮电大学
IPC: G06F12/0877 , G06F3/06 , G06F16/2455 , G06F16/71 , G06N3/04 , G06N3/08
Abstract: 基于深度强化学习的高维度视频缓存选择方法，将深度强化学习运用到边缘服务器的视频缓存选择中，考虑了视频缓存选择具有的动态性和高维性，实现边缘服务器的高效视频缓存；利用decoder对DDPG进行改进，可以使边缘服务器选择合适的视频进行缓存，以减少视频传输的时间延迟和用户花费的流量成本；边缘服务器从海量视频中选择视频缓存时，极大地减少计算开销，避免给资源有限的边缘服务器带来过大的压力，节约了运算成本。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.019 seconds)
