-
公开(公告)号：CN119440048A
公开(公告)日：2025-02-14
申请号：CN202411558130.7
申请日：2024-11-04
Applicant: 重庆大学
IPC: G05D1/46 , G05D1/633 , G05D1/644 , G05D109/20
Abstract: 本发明涉及一种多功能无人机辅助的异步集群个性化联邦学习方法，属于无线通讯技术领域。该方法包括以下步骤：S1：建立无人机辅助的FL网络系统模型；S2：建立无人机物流运输和辅助FL训练模型；S3：建立无人机与子服务器间的通信时延、模型训练时间和上行时延模型；S4：建立个性化联邦学习机制，内层求解个性化模型，外层求解全局模型，通过异步双层并行优化和组内同步联邦平均机制训练个性化模型；S5：以群组模型陈旧性为优化变量，对无人机飞行路径进行优化；S6：根据模型陈旧性和用户设备训练次数的关系，调整优化变量，提出基于深度强化学习的无人机路径动态优化算法。本发明提供的多功能无人机路径优化算法显著提升整体通信效率。
-
公开(公告)号：CN119277423A
公开(公告)日：2025-01-07
申请号：CN202411558115.2
申请日：2024-11-04
Applicant: 重庆大学
Abstract: 本发明涉及一种基于莫罗包络的群体个性化联邦学习方法，属于无线通信领域。该方法主要包括：构建一个由若干用户节点、其对应的子服务器以及一个边缘服务器组成的无线边缘网络系统，其中与同一子服务器相连接的用户节点称为一个群组；建立一个相互解耦的双层并行联邦学习优化问题，其中第一层是基于莫罗包络改进的边缘群组个性化优化问题，第二层是关于群组内的联邦优化问题；促进群组与关联的子服务器协作训练个性化模型，根据迭代得到的个性化模型更新对应的群组模型。本发明提出的基于莫洛包络的群体个性化联邦学习方法可以有效提升群体层面Non‑IID数据设置下的联邦无线边缘网络模型性能。
-
公开(公告)号：CN118590106A
公开(公告)日：2024-09-03
申请号：CN202410561418.3
申请日：2024-05-08
Applicant: 重庆大学
IPC: H04B7/0456 , H04B7/06 , H04B7/08 , H04B7/185 , H04B17/391 , H04B10/90
Abstract: 本发明涉及一种基于分层码本的动态波束管理方法，属于移动通信领域。该方法包括：1)一种高低频共存的无人机网络通信系统模型，为太赫兹通信搭建了一个以无人机为节点的通信平台。利用基于分层码本的波束训练策略为太赫兹提供波束成形方案，高低频协同的波束管理策略加快移动通信场景中的波束切换流程。2)一种基于分层码本的动态波束管理方法：无人机节点在有通信需求时，利用低频信息完成无人机基本信息的交换和节点的关联。在关联成功后，无人机利用预定义的分层码本进行太赫兹波束训练，确定信噪比阈值。本发明能利用低频弥补太赫兹通信距离短、衰落大、依赖定向通信的缺陷，降低波束管理复杂度，提升通信链路质量。
-
公开(公告)号：CN116546100A
公开(公告)日：2023-08-04
申请号：CN202310547388.6
申请日：2023-05-15
Applicant: 重庆大学
Abstract: 本发明涉及一种面向高性能联邦边缘学习的资源分配和数据选择方法，属于机器学习和无线通信技术领域。该方法包括：S1：构建存在数据样本标签错误和部分设备不可用的FEEL网络；S2：构建适用于FEEL网络的FEEL算法，在满足可用设备成功上传本地梯度约束条件下，建立联合通信资源分配和数据样本选择的优化问题；S3：将原始优化问题等效转换为能在服务器端求解的优化问题；S4：将转换后的问题等效分解为资源分配子问题和数据选择子问题进行求解；S5：采用低复杂度算法，获得存在数据标签错误和部分设备不可用的FEEL场景下的联合资源分配和数据选择方法，同时最小化系统训练成本。
-
公开(公告)号：CN113506040A
公开(公告)日：2021-10-15
申请号：CN202110896186.3
申请日：2021-08-05
Applicant: 重庆大学
Abstract: 本发明涉及一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法，属于无线通信技术领域。该方法包括以下步骤：S1：建立支持SWIPT的UAV蜂群网络模型；S2：建立一个基于SWIPT技术的联邦学习系统模型，在满足能耗和时延的约束条件下，建立一个UAV调度数量最大化问题的数学模型；S3：引入简化变量，改变约束条件的数学表达式，以获得简化后的UAV调度数量最大化问题数学模型；S4：通过使用GBD，获得使UAV调度数量最大的最优设备调度和资源分配方法；S5：利用低复杂度算法，获得使UAV调度数量最大的次优设备调度和资源分配方法。本发明在各种网络设置下均能达到与最优算法几乎一样的性能。
-
Patent Agency Ranking
公开(公告)号：CN119967593A
公开(公告)日：2025-05-09
申请号：CN202510061506.1
申请日：2025-01-15
Applicant: 重庆大学
IPC: H04W72/044 , H04L1/00 , H04W72/1263 , H04W72/53 , H04W72/50
Abstract: 本发明涉及一种语义驱动的全息内容自适应传输方法，属于通信技术领域。该方法包括以下步骤：S1：建立一个物联网设备传输全息内容的语义驱动通信模型，其中包括语义模型和传输模型；S2：构建一个联合基站关联、语义压缩比选择和功率分配的优化问题，以最大化任务效用；S3：建立功率优化的子问题，分析发射功率的可行性条件，并设计一种基于梯度投影法的功率分配算法；S4：利用深度强化学习算法联合求解基站关联、语义压缩比选择和功率分配。本发明针对问题的非凸性和NP‑难特性，将数值优化和DRL相结合制定资源分配策略，提出通过梯度投影法辅助的强化学习算法，以加速强化学习模型的收敛，提高任务完成效率。
-
公开(公告)号：CN114399045B
公开(公告)日：2025-04-01
申请号：CN202210037226.3
申请日：2022-01-13
Applicant: 重庆大学
Abstract: 本发明涉及一种基于非线性跨代差分进化的花授粉优化方法及实现系统，属于计算机领域。该方法包括以下步骤：S1：非线性惯性权重设置；S2：跨代差分进化；S3：参数自适应调整；S4：跨代赌轮盘跳出局部最优解。本方法可以设置非线性惯性权重使花授粉算法在全局搜索初期以较快速度加强搜索能力，提升算法的搜索收敛速度。自适应调整实现动态更新缩放因子和交叉概率，从而提高种群丰富度、减少局部解的数量，再结合跨代赌轮盘方式以降低陷入局部最优解的概率。
-
公开(公告)号：CN116668746A
公开(公告)日：2023-08-29
申请号：CN202310543816.8
申请日：2023-05-15
Applicant: 重庆大学
IPC: H04N21/238 , H04L65/752 , H04L65/80 , H04B7/024 , H04B7/06 , H04B10/116
Abstract: 本发明涉及一种基于可见光通信的全息视频协作传输方法，属于光通信和全息视频技术领域。该方法包括：S1：构建基于可见光通信的全息视频协作传输系统；S2：在满足码率选择、波束成形和信道容量的约束条件下，构建联合优化码率选择变量和波束成形变量的优化问题，最大化全息视频协作传输服务的用户体验质量；S3：将整数变量即码率选择变量松弛为连续变量，从而将问题转换为松弛后的优化问题；S4：针对松弛后的优化问题，采用交替优化迭代算法得到低复杂度连续解；S5：基于步骤S4得到的连续解，采用取整操作，得到面向全息视频协作传输系统的联合码率选择和波束成形方法。本发明能提高全息视频协作传输系统的用户体验质量性能。
-
公开(公告)号：CN113504999B
公开(公告)日：2023-07-04
申请号：CN202110896173.6
申请日：2021-08-05
Applicant: 重庆大学
Abstract: 本发明涉及一种面向高性能分层联邦边缘学习的调度与资源分配方法，属于无线通信技术领域。该方法为：设置H‑FEEL系统，包括一个单天线基站，若干个辅助器和它们服务的多个边缘设备；基站将初始模型广播给各个边缘设备，各个边缘设备根据收到的模型计算本地梯度，随后将计算结果上传到对应的辅助器，各个辅助器计算加权梯度，然后依照基站指示的调度和资源分配策略，通过无线信道上传加权梯度，基站根据辅助器上传的加权。本发明综合考虑了梯度散度和无线资源分配对学习模型训练收敛性的影响，通过最小化设备能耗和梯度散度的加权和，选择最合适的边缘设备参与学习模型更新，从而提高H‑FEEL系统模型训练准确度。
-
公开(公告)号：CN114363904A
公开(公告)日：2022-04-15
申请号：CN202210037620.7
申请日：2022-01-13
Applicant: 重庆大学
IPC: H04W12/60 , H04W12/122 , H04W12/00
Abstract: 本发明涉及一种分布式环境下基于挑战‑响应模型的可信评估方法，属于通信技术领域。利用挑战‑响应模型获取节点可靠的初始信任值，并利用此初始信任值完成分布式网络环境下完整的可信评估流程，准确地预测恶意节点与自私节点的信任值，提升整个网络的安全性。本发明针对评估节点与被评估节点间通信次数的多少来灵活选择综合信任值计算方式，既减小了网络的能量开销又保证了综合信任值的准确性。信任值更新遵循快速下降，缓慢上升的准则，避免了恶意节点故意贬低正常节点并抬高同伙信任值的情况。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.017 seconds)
