-
公开(公告)号:CN112822234B
公开(公告)日:2022-03-22
申请号:CN202011599843.X
申请日:2020-12-29
Abstract: 本发明公开了一种车联网中基于移动边缘计算的任务卸载与资源分配方法,即一种车联网中基于深度强化学习的任务卸载方法,通过深度强化学习的任务卸载方法,应用于车联网处理高维状态信息的任务卸载,具体步骤包括:(1)构建系统模型框架建立车联网通信场景;(2)模型细化,对用户侧和服务器侧任务处理进行建模;(3)提出高可靠低时延约束与优化问题;(4)进行优化问题的转化并引入马尔科夫决策过程;(5)建立最优化问题模型,提出基于Deep Q‑learning Network的具有URLLC感知的任务卸载算法五个步骤构成。本发明同时考虑平均度量性能以及高阶统计量的性能,考虑了极端事件对通信可靠性的影响,使得用户车辆可以在保障URLLC通信需求的同时通过深度学习作出最优的任务卸载决策,满足其众多应用的高可靠低时延通信需求。
-
公开(公告)号:CN112822234A
公开(公告)日:2021-05-18
申请号:CN202011599843.X
申请日:2020-12-29
Abstract: 本发明公开了一种车联网中基于移动边缘计算的任务卸载与资源分配方法,即一种车联网中基于深度强化学习的任务卸载方法,通过深度强化学习的任务卸载方法,应用于车联网处理高维状态信息的任务卸载,具体步骤包括:(1)构建系统模型框架建立车联网通信场景;(2)模型细化,对用户侧和服务器侧任务处理进行建模;(3)提出高可靠低时延约束与优化问题;(4)进行优化问题的转化并引入马尔科夫决策过程;(5)建立最优化问题模型,提出基于Deep Q‑learning Network的具有URLLC感知的任务卸载算法五个步骤构成。本发明同时考虑平均度量性能以及高阶统计量的性能,考虑了极端事件对通信可靠性的影响,使得用户车辆可以在保障URLLC通信需求的同时通过深度学习作出最优的任务卸载决策,满足其众多应用的高可靠低时延通信需求。
-
公开(公告)号:CN111800495A
公开(公告)日:2020-10-20
申请号:CN202010619505.1
申请日:2020-06-30
Applicant: 华北电力大学 , 陕西省能源大数据智能处理省市共建重点实验室
Abstract: 本发明公开了一种车辆雾计算中的任务卸载系统和方法,包括:基站、用户车辆、车辆雾服务器、威胁模型和时延模型;每个基站和车辆都拥有一个装有数字货币的钱包,并生成用于加密和解密的密钥对,其中基站的密钥对由三个组件共享。所有车辆都需要向注册授权组件注册以获得证书。其次,用户将请求发送给基站,基站将执行任务卸载的智能合约。然后用户将加密后的数据卸载到相应雾服务器,雾服务器执行计算任务并将计算结果反馈给用户和基站。基站会检查整个过程并进行相应奖惩。最后,基站会创建一个区块上传至区块链,其他基站验证其工作量证明及交易的合法性。一旦该区块被大多数的基站接受,它将被添加至区块链的末尾。
-
公开(公告)号:CN111800495B
公开(公告)日:2021-05-11
申请号:CN202010619505.1
申请日:2020-06-30
Applicant: 华北电力大学 , 陕西省能源大数据智能处理省市共建重点实验室
Abstract: 本发明公开了一种车辆雾计算中的任务卸载系统和方法,包括:基站、用户车辆、车辆雾服务器、威胁模型和时延模型;每个基站和车辆都拥有一个装有数字货币的钱包,并生成用于加密和解密的密钥对,其中基站的密钥对由三个组件共享。所有车辆都需要向注册授权组件注册以获得证书。其次,用户将请求发送给基站,基站将执行任务卸载的智能合约。然后用户将加密后的数据卸载到相应雾服务器,雾服务器执行计算任务并将计算结果反馈给用户和基站。基站会检查整个过程并进行相应奖惩。最后,基站会创建一个区块上传至区块链,其他基站验证其工作量证明及交易的合法性。一旦该区块被大多数的基站接受,它将被添加至区块链的末尾。
-
公开(公告)号:CN110672174B
公开(公告)日:2021-03-23
申请号:CN201910967358.4
申请日:2019-10-12
Applicant: 延安大学
IPC: G01F13/00
Abstract: 本发明公开了一种原油流量远程在线测量系统,包括过滤装置、计量装置、校准装置和远程存储装置,过滤装置用于对原油进行过滤,滤除固体杂质,所述计量装置用于对过滤后的原油进行油气分离和流量测量,校准装置用于对测量得到的流量数据进行校准,远程存储装置则用于对校准后的流量数据进行存储。本发明使用过滤装置和计量装置分别对原油进行过滤和油气分离,以使计量装置中的流量计测量得到相对准确的数据,测量得到的数据经过校准后能够进一步提高流量数据的准确性。
-
公开(公告)号:CN107948459B
公开(公告)日:2020-05-26
申请号:CN201711070995.9
申请日:2017-11-03
Applicant: 延安大学
Abstract: 本发明公开了一种基于短波通信的传输设备,包括有线传真收发器和短波传真收发器,前者包括PSTN用户接口电路和以太网接口,PSTN用户接口电路连接调制解调器、DTMF收号器、模拟信号处理电路,以太网接口和调制解调器和DTMF收号器均连接第一ARM单片机,后者包括短波电台,短波电台连接短波调制解调器和模拟信号接入电路,短波调制解调器连接第二ARM单片机,模拟信号接入电路连接模拟信号处理电路,短波传真收发器还包括与以太网接口连接的以太网集线器,短波电台还连接短波天线。在不改变普通传真机的条件下,借助短波通信方式收发传真,以及与计算机数据通信和语音通话。本发明还公开了采用上述设备进行信号传输的方法。
-
公开(公告)号:CN109688537A
公开(公告)日:2019-04-26
申请号:CN201811570362.9
申请日:2018-12-21
Applicant: 延安大学
Abstract: 本发明公开了一种基于差分进化算法的森林火灾监测物联网节点定位方法,首先依据物联网的森林火灾智能监测系统的环境需求,在某一网络区域范围内随机部署未知节点个数为N和锚节点个数为M的森林火灾监测物联网,初始化差分进化算法中的种群规模NP,对差分进化算法中缩放比例因子F和交叉概率CR进行设置;然后计算N个未知节点分别到M个锚节点之间距离矩阵D及适应度函数值;逐步进行差分操作生成下一代个体向量;最后判断是否到达差分进化算法设置的全局最大迭代次数。本发明解决了现有森林火灾智能监测系统节点定位技术较为复杂、成本较高、在大范围环境或复杂情况下难以全面实施的问题。
-
公开(公告)号:CN119961597A
公开(公告)日:2025-05-09
申请号:CN202510026503.4
申请日:2025-01-08
Applicant: 延安大学
IPC: G06F18/20 , G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及行人轨迹预测领域,具体公开了一种基于双向协同扩散模型的瞬时轨迹预测方法及应用,包括通过设计两个耦合的扩散模型分别生成未观察到的历史轨迹和未来轨迹。该方法利用相互指导机制,在每一步生成过程中,已观察到的轨迹与生成的未观察到的轨迹相互作用,双向引导生成未来和历史轨迹。模型通过编码器结合社会和场景上下文信息提取轨迹特征,并通过门控机制有效控制生成过程中的噪声干扰,确保生成结果的精确性和稳定性。最终,该方法能够在数据稀缺的场景下生成更加精确的未来轨迹和未观察到的历史轨迹,并广泛适用于自动驾驶、无人机导航和智能交通等领域。
-
公开(公告)号:CN118823733A
公开(公告)日:2024-10-22
申请号:CN202410894418.5
申请日:2024-07-04
Applicant: 延安大学
IPC: G06V20/58 , G06V40/10 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/042 , G06N3/047 , G06N3/0499
Abstract: 本发明公开了一种基于分层注意力机制的行人轨迹预测方法,属于自动驾驶技术领域。该方法在预测过程中使用多重注意力图表示隐变量,建立多层交互关系,更好地捕捉社交多行人系统的动态;通过引入注意力机制,表示关系的不同强度;基于多重网络理论,结合多层关系图学习不同层级的交互关系,每一层通过注意力机制相互作用和影响,并使用从简单到复杂的分层训练策略,以分阶段、渐进的方式学习和完善模型。
-
公开(公告)号:CN112005792B
公开(公告)日:2023-05-09
申请号:CN202011012415.2
申请日:2020-09-24
Applicant: 延安大学
IPC: A01G9/24
Abstract: 本发明公开了一种农业温室大棚智能温控系统,包括:棚体外设有多个缓存水箱,每个缓存水箱的进水端均与温控装置连接,不同缓存水箱的出水端按照水温从高到低或从低到高的顺序依次与棚体内流水通道的进水端连通,流水通道的出水端与棚体外的集水箱连通;温控装置,用于确定不同缓存水箱内的缓存水温,并向不同缓存水箱内通入对应缓存温度的水。本发明通过温控装置向不同的缓存水箱中通入不同温度的水,按照水温高低顺序,依次流入棚体内的流水通道以对棚体内的农作物进行逐步降温处理或逐步取暖处理,且通过温控装置可以准确的确定不同缓存水箱内的缓存水温,从而可以准确、平稳地实现农作物的逐步降温或逐步取暖,进而使得农作物可以正常生长。
-
-
-
-
-
-
-
-
-