一种基于缓存的超密集网络下联合动态接入和子载波分配的方法

    公开(公告)号:CN105611574A

    公开(公告)日:2016-05-25

    申请号:CN201510994459.2

    申请日:2015-12-25

    CPC classification number: H04W28/08 H04W48/10 H04W48/20 H04W72/0453

    Abstract: 本发明公开了一种基于缓存的超密集网络下联合动态接入和子载波分配的方法,具体步骤如下:首先多个用户同时发送请求信息给所有接入点,寻找缓存内容;然后各个接入点判断是否存在当前用户K请求的缓存内容,满足用户K的所有接入点将各自的属性参量传送给本地控制,本地控制将最佳接入点分配给用户K;否则,用户K直接向远端服务器发送请求,获取内容;远端服务器根据用户请求信息,利用流行度分析,完成缓存更新;最后每个用户与各自的接入点匹配后,进行子载波分配,使用户与接入点之间进行通信。优点在于:综合多个因素完成接入选择,实现资源管理效率的提升和子载波的动态分配,使得频谱利用率显著提升。

    一种超密集网络下基于能量效率和频谱效率的动态接入方法

    公开(公告)号:CN105357762A

    公开(公告)日:2016-02-24

    申请号:CN201510724874.6

    申请日:2015-10-29

    CPC classification number: Y02D70/00 H04W74/002 H04W72/0493

    Abstract: 本发明公开了一种超密集网络下基于能量效率和频谱效率的动态接入方法,步骤如下:一、对超密集网络下的无线AP进行ACS划分;二、将划分好的每个ACS分别对应一个本地控制单元;三、当用户设备进入到某个ACS时,本地控制单元激活所有从属于该ACS的AP;四、根据用户设备的数据速率需求,对当前ACS中的AP进行分组;五、分别比较激活组的速率C与用户的速率需求R,并判断当前分组能否满足用户需求;如果满足对当前ACS的分组不进行更改,算法结束;否则对当前ACS中的AP重新分组;优点在于:可以实现动态的资源调度功能,随着业务速率需求的增加降低了能量损耗,实现能量效率的提升;对带宽的动态分配使得频谱效率显著提升。

    不同类型的网络之间通信的方法、装置和系统

    公开(公告)号:CN101951597A

    公开(公告)日:2011-01-19

    申请号:CN201010253885.8

    申请日:2010-08-13

    Abstract: 本发明公开了一种不同类型的网络之间通信的方法、装置和系统,属于通信领域。方法包括:注册过程为所有设备分配全网内唯一的标识,建立标识和注册信息之间的对应关系表,接收携带源设备和目的设备的标识的数据帧,根据目的设备标识查找对应关系表,获取对应的注册信息,至少包括:目的设备所属子网的类型和地址、目的设备的网络地址以及设备号,将数据帧的帧格式转换为目的设备所属子网的类型对应的帧格式,在转换后的数据帧中,封装目的设备所属子网的地址和网络地址,转发给目的设备。装置包括:注册、接收、获取、转换、发送模块。系统包括:智能网关和服务器。本发明实现了不同类型网络之间的通信,特别是网络地址格式不同的网络之间的通信。

    一种低轨卫星链路仿真方法及系统

    公开(公告)号:CN116455447A

    公开(公告)日:2023-07-18

    申请号:CN202310286749.6

    申请日:2023-03-22

    Abstract: 本发明提供一种低轨卫星链路仿真方法及系统,所述方法包括:构建面向低轨卫星信道场景的球面圆台仿真约束空间,建立球面圆台仿真约束空间中低轨卫星的空时状态信息和接收端的空时状态信息,并构建多星多用户仿真时序网格,建立基于可变时间颗粒度的链路仿真离散时间分片,在离散时间分片下单链路按照仿真时序号依次进行仿真,多链路按照仿真时间值进行仿真,并将仿真结果转化为低轨卫星仿真视频。本发明能够对多卫星多接收端的通信场景进行仿真,保证了低轨卫星仿真的完整性且实现了仿真数据可视化。

    卫星通信系统强化学习自适应编码调制方法、系统及装置

    公开(公告)号:CN114205053B

    公开(公告)日:2023-04-07

    申请号:CN202111349324.2

    申请日:2021-11-15

    Abstract: 本发明提供一种卫星通信系统强化学习自适应编码调制方法、系统及装置,所述方法基于强化学习的方式在每个状态下选择价值最高的调制编码方式,能够实现对动作的最优。同时,在强化学习过程中,设置了直接学习和虚拟学习两部分,直接学习是直接通过真实数据进行学习并选择调制编码方式进行通信,虚拟学习则基于虚拟环境模型对状态和奖励值的更新进行仿真,并通过虚拟学习更新Q值表至各信道收敛,引入虚拟学习过程可以减少与真实环境的交互,提高收敛速度和通信质量。进一步地,通过对状态动作对设置优先级数值,并在虚拟学习过程中专注于采用优先级数值较高的对状态动作,减少智能体无意义的查找,提高效率。

Patent Agency Ranking