-
公开(公告)号：CN107332596A
公开(公告)日：2017-11-07
申请号：CN201710383091.5
申请日：2017-05-26
Applicant: 南京邮电大学
IPC: H04B7/0456
Abstract: 本发明公开了一种基于迫零的毫米波通信系统混合预编码方法，包括：根据信道矩阵构建迫零预编码矩阵；利用QR分解将迫零预编码矩阵分解成一个酉矩阵和一个上三角矩阵的乘积；利用阵列流形矢量对第二步中的酉矩阵进行匹配，构造模拟端预编码矩阵，矩阵中的元素具有恒模特性；利用模拟端预编码矩阵和迫零预编码矩阵得到数字端的预编码矩阵，最后的混合预编码矩阵表现为模拟端和数字端预编码矩阵的乘积。在发射天线数大于接收天线数的毫米波下行系统中，本发明所需射频链路数与接收天线数相同，与射频链路数与发射天线数相同的传统ZF预编码相比射频链路数目更少，从而减少了系统的硬件成本和额外的硬件设备功率开销。
-
公开(公告)号：CN106792820A
公开(公告)日：2017-05-31
申请号：CN201611224617.7
申请日：2016-12-27
Applicant: 南京邮电大学
Abstract: 本发明公开了一种使用SDN控制器的小基站控制协议及方法，属于无线通信领域。主要包括了两部分：具体提供了用于SDN控制器和小基站间通信的控制协议OpenSC，保证了SDN控制器对小基站的完全控制，在超密集网络下将控制面控制转移至SDN控制器中；具体提供一种SDN控制器利用OpenSC协议对小基站控制的方法，将无线通信网络的用户面和控制面相互分离，从而可提升整个无线网络的灵活性和超密集网络的场景下吞吐量。在超密集网络中引入小基站也即超微基站，提升网络覆盖与吞吐量；在小基站与SDN控制器间通过安全传输数据的协议OpenSC协议进行同行，可对密集分布的小基站进行集中管控，大大提高了网络所承载的数据量以及降低信令开销。
-
公开(公告)号：CN105162556A
公开(公告)日：2015-12-16
申请号：CN201510512819.0
申请日：2015-08-19
Applicant: 南京邮电大学
CPC classification number: H04L1/0618 , H04B7/0417 , H04B7/0621 , H04L25/0204
Abstract: 本发明公开了一种基于空时相关性的大规模MIMO系统信道反馈方法，包括：一、接收端获得当前时隙下行信道状态信息，然后计算相邻时隙信道间的差值；二、接收端利用压缩感知技术将所述的相邻时隙信道间的差值信号进行压缩，并通过上行反馈信道反馈到发射端；三、所述发射端利用正交匹配追踪技术对当前所接收的反馈到本发射端的反馈信号进行恢复；四、所述发射端将上一时隙信道信息和所述的当前接收的反馈信号的恢复值进行合并，获得当前时隙下行信道状态信息。本发明利用压缩感知技术结合信道存在时间相关性和空间相关性的特点，采用简便易行的稀疏基变换方式，无需发射端掌握下行信道的相关矩阵，能够在保证信道反馈的精度的前提下有效降低反馈负载。
-
公开(公告)号：CN104539340A
公开(公告)日：2015-04-22
申请号：CN201410827592.4
申请日：2014-12-26
Applicant: 南京邮电大学
IPC: H04B7/08 , H04B17/391
Abstract: 本发明提出了一种基于稀疏表示和协方差拟合的稳健波达角估计方法。主要包括根据天线阵列接收信号建立稀疏空间谱表示模型，并将模型误差进行参数化表示，根据协方差拟合准则建立最优化问题。因为所得问题为非凸优化，因此通过等价转换、增加参数、分步求解对问题进行转化和求解。首先不考虑模型误差，原问题可简化为凸优化问题。利用现有方法快速求解该凸优化问题，得到初始解。再迭代求解原问题，估计模型误差参数并更新初始估计。本发明能够以低复杂度获得精确的DOA估计。
-
公开(公告)号：CN118660317B
公开(公告)日：2025-02-14
申请号：CN202411124339.2
申请日：2024-08-16
Applicant: 南京邮电大学
IPC: H04W28/084 , H04W28/08 , H04W72/53
Abstract: 本发明的一种基于通感算的云边端协同卸载调度和资源调度方法及设备，通过将一个云端的覆盖范围按照不同的基站覆盖范围划分成多个子区域，并给每个终端选择三种卸载方式之一进行感知数据的卸载；通过公式化三种基于TDMA的卸载方式的终端消耗的能耗与任务完成的时延之和，定义为任务完成的成本和，并据此根据不同的卸载方式以及感知和卸载的时隙分配建模成任务成本最优化问题；通过利用线性规划和粒子群方法求解最优化问题，确定每个终端的卸载方式及TDMA卸载时隙；最终实现通过云边端协同卸载及感知卸载时隙的调度优化来最小化多终端完成巡检任务的成本的目的。可实现在不同的卸载情况下，有效节省多终端协同执行任务过程中的成本。
-
Patent Agency Ranking
公开(公告)号：CN118660317A
公开(公告)日：2024-09-17
申请号：CN202411124339.2
申请日：2024-08-16
Applicant: 南京邮电大学
IPC: H04W28/084 , H04W28/08 , H04W72/53
Abstract: 本发明的一种基于通感算的云边端协同卸载调度和资源调度方法及设备，通过将一个云端的覆盖范围按照不同的基站覆盖范围划分成多个子区域，并给每个终端选择三种卸载方式之一进行感知数据的卸载；通过公式化三种基于TDMA的卸载方式的终端消耗的能耗与任务完成的时延之和，定义为任务完成的成本和，并据此根据不同的卸载方式以及感知和卸载的时隙分配建模成任务成本最优化问题；通过利用线性规划和粒子群方法求解最优化问题，确定每个终端的卸载方式及TDMA卸载时隙；最终实现通过云边端协同卸载及感知卸载时隙的调度优化来最小化多终端完成巡检任务的成本的目的。可实现在不同的卸载情况下，有效节省多终端协同执行任务过程中的成本。
-
公开(公告)号：CN117172333A
公开(公告)日：2023-12-05
申请号：CN202311133647.7
申请日：2023-09-05
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于模型损失容忍度的联邦学习设备调度方法。所述方法包括：首先服务器获取终端设备上传的终端设备信息；其次，在服务器的判决器中设置模型所能容忍模型损失的阈值；然后判决器根据终端设备信息计算对应终端设备当前信道的误码率，依据阈值和误码率进行设备选择；最后，由选择出的设备进行联邦学习训练，并将训练后的本地模型参数上传至服务器端进而执行聚合操作更新全局模型，并将更新后的全局模型传输给参与训练的终端设备进行新一轮训练更新本地模型，不断迭代上述过程直至模型收敛。最后通过仿真实验验证了采用本发明方法模型能够获得更高准确率。
-
公开(公告)号：CN116361009A
公开(公告)日：2023-06-30
申请号：CN202310565554.5
申请日：2023-05-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种MEC计算卸载、资源分配及缓存联合优化方法，包括：根据用户实际请求计算资源任务，构建MEC计算卸载、资源分配及缓存模型；以最小化系统长期平均开销为目标，对MEC计算卸载、资源分配及缓存模型进行模型转换，并通过深度强化学习结合保序量化法获取卸载决策；基于卸载决策获取本地计算资源及边缘计算资源分配策略，通过任务请求概率分布制定缓存决策，动态更新MEC服务器缓存空间；根据MEC计算卸载、资源分配及缓存模型转换后的系统状态、动作及奖励训练深度强化学习网络，循环迭代优化卸载决策。本发明方法能够降低系统长期平均开销，提高用户请求任务的缓存命中率。
-
公开(公告)号：CN116321293A
公开(公告)日：2023-06-23
申请号：CN202211707655.3
申请日：2022-12-29
Applicant: 南京邮电大学
IPC: H04W28/08 , H04W28/086 , H04L41/16 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了基于多智能体强化学习的边缘计算卸载和资源分配方法包括：根据多移动用户、多边缘服务器的复杂场景构建移动边缘计算卸载和资源分配模型，并基于系统开销设定优化问题的目标函数和约束条件；将优化问题建模成马尔科夫决策过程，并设置深度强化学习中的状态空间、动作空间和奖励函数；采用基于多智能体深度强化学习的方法为各移动用户寻找最优卸载策略和资源分配策略，并对目标函数进行优化，同时采用NoisyNet方法将高斯噪声添加到Actor网络的输出层，提高网络模型探索效率，提升优化效果；本发明公开的方法融合了多智能体DDPG和NoisyNet，可以有效降低系统总开销，提升优化效果，提高了系统内用户的整体体验。
-
公开(公告)号：CN112600596B
公开(公告)日：2022-02-11
申请号：CN202011399004.3
申请日：2020-12-04
Applicant: 南京邮电大学
IPC: H04B7/0417 , H04B7/0413 , H04L25/02 , H04L27/26 , H04L1/00 , H04L69/04
Abstract: 本发明公开了一种基于张量并行压缩的毫米波系统信道反馈方法，包括：一、接收端获得当前下行信道状态信息，然后将信道状态信息建模成高阶张量的形式；二、接收端利用张量并行压缩技术将所述的信道状态信息张量压缩成若干个大小相同的张量；三、接收端利用CANDECOMP/PARAFAC(CP)分解分别对上述压缩后的张量进行分解，得到的因子矩阵通过上行反馈链路反馈到发射端；四、所述的发射端根据当前反馈到本发射端的因子矩阵恢复出原信道状态信息张量的因子矩阵，并通过恢复得出的因子矩阵重构出原信道状态信息，本发明利用毫米波MIMO‑OFDM信道的高维度特性，使用高阶张量模型结合张量并行压缩技术，无需下行信道的稀疏特性，能够在保证反馈精度的情况下有效降低反馈开销。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.039 seconds)
