-
公开(公告)号：CN109617742A
公开(公告)日：2019-04-12
申请号：CN201910020960.7
申请日：2019-01-09
Applicant: 三峡大学
Abstract: 一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，针对具有N个移动节点的移动社交网络，其中i∈{1,2,...,N}；在移动社交网络中，节点间的接触描述为网络连通图G(V,E)，其中节点对i,j∈V之间的随机接触过程建模成连通图中的边eij∈E。假设观测的网络开始时间为Ts＝0,结束时间为Te＝T。将过去的观测时间T按照窗口大小w划分为n＝T/w个时间窗口，基于过去的n个时间窗口的数据来预测未来的第n+1个时间窗口的节点中心性值。本发明预测方法考虑从暂态的角度利用马尔科夫链模型来对节点的未来中心性进行预测，其预测方法不仅可以提高预测的准确率，而且具有更强的普适性。
-
公开(公告)号：CN110972227B
公开(公告)日：2021-07-27
申请号：CN201911136083.6
申请日：2019-11-19
Applicant: 三峡大学
Abstract: 通过机会移动网络卸载蜂窝流量的种子节点选择方法，通过蜂窝网络传递到移动网络中某些选定的初始种子，然后通过使用机会通信方式免费的传播，移动网络中所有的节点都能够访问蜂窝网络；在考虑直接通过蜂窝网络传输的成本和所传播内容的新鲜度的基础上，找到最佳数量的初始种子，以最大程度地提高总体内容效用值；定义内容效用值增益，计算通过蜂窝网络传递内容的最优副本数量k；基于种子选择方法，来找到初始种子的最佳数量，使网络中节点的总体内容效用值最大化。本发明方法考虑内容的新鲜度和从蜂窝网络到初始种子的传输成本，为了解决效用优化问题，提出了两种种子选择方法来找到初始种子的最佳数量，使网络中节点的总体内容效用值最大化。
-
公开(公告)号：CN111428774A
公开(公告)日：2020-07-17
申请号：CN202010197726.4
申请日：2020-03-19
Applicant: 三峡大学
Abstract: 本发明实施例提供一种移动社交网络中发现社团的方法及装置，其中方法包括获取移动社交网络中单位时间内的两两节点之间的分离时间，根据所述两两节点之间的分离时间确定移动社交网络中的社团。本发明利用分离时间，而不是接触间隔时间、接触持续时间，能够更加准确地描述节点间的亲密关系，进而确定出移动社交网络中的社团，通过大量的真实数据集的仿真实验，本发明的在移动社交网络中发现社团的方法能够准确反映出社团的演化规律，与人类日常的行为规律一致。
-
公开(公告)号：CN111405569A
公开(公告)日：2020-07-10
申请号：CN202010197729.8
申请日：2020-03-19
Applicant: 三峡大学
Abstract: 本发明提供一种基于深度强化学习的计算卸载和资源分配方法及装置，所述方法包括：基于UE的计算任务参数、UE的性能参数、UE与AP之间的信道参数和移动边缘计算MEC服务器的总计算资源，构建优化问题模型；基于深度强化学习确定优化问题模型的最优解，确定UE的卸载决策，分别给UE所分配的计算资源的百分比数和频谱资源的百分比数。本发明提供的基于深度强化学习的计算卸载和资源分配方法及装置，同时考虑到时变的MEC系统中实际的计算卸载和资源分配特性，任务的时延阈值与系统有限的资源容量约束，基于深度强化学习，利用DNN来有效地逼近强化学习中的值函数，以确定计算卸载和资源分配的联合最优方案，进一步降低了UE的能耗。
-
Patent Agency Ranking
公开(公告)号：CN109617742B
公开(公告)日：2020-04-24
申请号：CN201910020960.7
申请日：2019-01-09
Applicant: 三峡大学
Abstract: 一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，针对具有N个移动节点的移动社交网络，其中i∈{1,2,...,N}；在移动社交网络中，节点间的接触描述为网络连通图G(V,E)，其中节点对i,j∈V之间的随机接触过程建模成连通图中的边eij∈E。假设观测的网络开始时间为Ts＝0,结束时间为Te＝T。将过去的观测时间T按照窗口大小w划分为n＝T/w个时间窗口，基于过去的n个时间窗口的数据来预测未来的第n+1个时间窗口的节点中心性值。本发明预测方法考虑从暂态的角度利用马尔科夫链模型来对节点的未来中心性进行预测，其预测方法不仅可以提高预测的准确率，而且具有更强的普适性。
-
公开(公告)号：CN111405568B
公开(公告)日：2023-01-17
申请号：CN202010196829.9
申请日：2020-03-19
Applicant: 三峡大学
Abstract: 本发明实施例提供一种基于Q学习的动态计算卸载和资源分配方法及装置，所述方法包括：基于UE的计算任务参数、UE的性能参数、UE与AP之间的信道参数和移动边缘计算MEC服务器的总计算资源，构建优化问题模型；基于Q学习确定优化问题模型的最优解，最优解包括UE的卸载决策，MEC服务器给UE所分配的计算资源的百分比数，AP给UE所分配的频谱资源的百分比数。本发明实施例提供的基于Q学习的计算卸载和资源分配方法及装置，同时考虑到时变的MEC系统中实际的计算卸载和资源分配特性，任务的时延阈值与系统有限的资源容量约束，基于Q学习确定计算卸载和资源分配的联合最优方案，进一步降低了UE的能耗。
-
公开(公告)号：CN111428774B
公开(公告)日：2022-02-11
申请号：CN202010197726.4
申请日：2020-03-19
Applicant: 三峡大学
Abstract: 本发明实施例提供一种移动社交网络中发现社团的方法及装置，其中方法包括获取移动社交网络中单位时间内的两两节点之间的分离时间，根据所述两两节点之间的分离时间确定移动社交网络中的社团。本发明利用分离时间，而不是接触间隔时间、接触持续时间，能够更加准确地描述节点间的亲密关系，进而确定出移动社交网络中的社团，通过大量的真实数据集的仿真实验，本发明的在移动社交网络中发现社团的方法能够准确反映出社团的演化规律，与人类日常的行为规律一致。
-
公开(公告)号：CN111405568A
公开(公告)日：2020-07-10
申请号：CN202010196829.9
申请日：2020-03-19
Applicant: 三峡大学
Abstract: 本发明实施例提供一种基于Q学习的动态计算卸载和资源分配方法及装置，所述方法包括：基于UE的计算任务参数、UE的性能参数、UE与AP之间的信道参数和移动边缘计算MEC服务器的总计算资源，构建优化问题模型；基于Q学习确定优化问题模型的最优解，最优解包括UE的卸载决策，MEC服务器给UE所分配的计算资源的百分比数，AP给UE所分配的频谱资源的百分比数。本发明实施例提供的基于Q学习的计算卸载和资源分配方法及装置，同时考虑到时变的MEC系统中实际的计算卸载和资源分配特性，任务的时延阈值与系统有限的资源容量约束，基于Q学习确定计算卸载和资源分配的联合最优方案，进一步降低了UE的能耗。
-
公开(公告)号：CN110972227A
公开(公告)日：2020-04-07
申请号：CN201911136083.6
申请日：2019-11-19
Applicant: 三峡大学
Abstract: 通过机会移动网络卸载蜂窝流量的种子节点选择方法，通过蜂窝网络传递到移动网络中某些选定的初始种子，然后通过使用机会通信方式免费的传播，移动网络中所有的节点都能够访问蜂窝网络；在考虑直接通过蜂窝网络传输的成本和所传播内容的新鲜度的基础上，找到最佳数量的初始种子，以最大程度地提高总体内容效用值；定义内容效用值增益，计算通过蜂窝网络传递内容的最优副本数量k；基于种子选择方法，来找到初始种子的最佳数量，使网络中节点的总体内容效用值最大化。本发明方法考虑内容的新鲜度和从蜂窝网络到初始种子的传输成本，为了解决效用优化问题，提出了两种种子选择方法来找到初始种子的最佳数量，使网络中节点的总体内容效用值最大化。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.014 seconds)
