-
公开(公告)号：CN112468568B
公开(公告)日：2024-04-23
申请号：CN202011318708.3
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H04L67/10 , H04W4/70 , H04W28/084 , H04W40/22
Abstract: 本发明公开了一种移动边缘计算网络的任务中继卸载方法，包括集成了毫米波和频率低于6GHz电磁波(Sub‑6GHz)的移动边缘计算网络，Sub‑6GHz实现用户设备的全覆盖，设置基站和用户设备预先执行了波束训练和对齐机制，因此能够在建立数据连接时配置适当的波束。由于每个用户设备都是独立的个体，因此，采用平均场博弈MFG的框架最大程度的减少功耗，针对MFG优化方法的限制，将公式化的MFG简化为马尔可夫决策过程MDP，利用MDP优化问题求得MFG的均衡解，即通过采用强化学习框架，最大化CUs的价值函数，在强化学习的指导下得到均衡解，实现任务的成功卸载，并减少系统能耗。
-
公开(公告)号：CN112153615B
公开(公告)日：2022-07-12
申请号：CN202010964458.4
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
Abstract: 本发明公开一种多小区蜂窝D2D设备中基于深度学习的用户关联方法，首先，收集环境内终端设备的信道增益信息；其次，运用穷举法得到相应信道增益样本下的最优蜂窝用户关联策略，收集训练数据集；然后，构建卷积神经网络框架，初始化神经网络参数；最后，训练该神经网络：将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络。本发明克服了环境中D2D设备对蜂窝设备造成的干扰问题，用卷积神经网络以监督学习的方式逼近传统算法来学习信道增益到最优用户关联策略之间的映射关系。
-
公开(公告)号：CN112153617B
公开(公告)日：2022-07-12
申请号：CN202010964851.3
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H04W4/70 , H04B17/382 , G06N3/04 , G06K9/62
Abstract: 本发明公开一种基于集成神经网络的终端设备传输功率的控制方法，收集D2D链路的信道功率增益样本；并输入到SPCA算法，得到相应样本下的最优功率分配策略；搭建深度神经网络和卷积神经网络，并初始化神经网络权重；将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；构建选择器，选择并输出具有更高性能的分配策略。本发明克服了深度神经网络对大规模网络学习能力弱和卷积神经网络对小规模网络的局部特征提取的有限性，用集成学习的思想，将两个网络集成起来，使其能适应不同规模网络实时的功率分配需求。
-
公开(公告)号：CN112350737B
公开(公告)日：2023-12-12
申请号：CN202011319358.2
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H03M13/11
Abstract: 本发明公开了一种基于LDPC码的分组信息更新的传输方法，包括如下步骤：对变量节点进行分组；计算变量分组更新前后的矢量距离；得到矢量距离最大的变量分组，将其信息传递给相应的校验节点；更新获得信息的校验节点的信息，并传递给相应的变量节点；将更新后的变量分组矢量距离值归0；继续计算变量分组更新前后的矢量距离直至满足迭代停止的条件；迭代停止，译码输出。本发明提供的一种基于LDPC码的分组信息更新的传输方法克服了目前单个节点SS模式存在的纠高阶调制比特错误的能力较弱、未考虑节点之间的信息关联不足的缺陷，同时实现加快收敛速度，提高译码性能。
-
公开(公告)号：CN112188600B
公开(公告)日：2023-05-30
申请号：CN202011002522.7
申请日：2020-09-22
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
-
Patent Agency Ranking
公开(公告)号：CN112153616B
公开(公告)日：2022-07-08
申请号：CN202010964461.6
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H04W4/70 , H04B17/345 , H04B17/373 , H04B17/382 , H04W4/02 , H04W4/021 , G06N3/04 , G06K9/62
Abstract: 本发明公开一种基于深度学习的毫米波通信系统中的功率控制方法，首先，收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；然后，收集训练数据集，构建卷积神经网络框架，并初始化神经网络权重；最后，将训练数据集输入至神经网络中，构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重；完成训练并保存神经网络。本发明克服了毫米波网络环境中蜂窝设备和D2D设备的干扰问题，用卷积神经网络对收发机的相对位置进行特征提取，以监督学习的方式逼近传统算法来学习设备位置到最优功率分配的映射关系。
-
公开(公告)号：CN113438193B
公开(公告)日：2022-08-23
申请号：CN202110645780.5
申请日：2021-06-10
Applicant: 江南大学 , 中科怡海高新技术发展有限公司
IPC: H04L27/26 , H04B10/116
Abstract: 本发明公开了混合自适应偏置的O‑OFDM的可见光通信系统及方法，在发射端，混合PAM和QAM两种可见光通信的调制方法，并将原始数据进行分组，采用不同的子载波对三组数据分别进行传输及调制，提高系统的频谱利用率；在确保信号非负性时，加入自适应偏置，不仅能够满足信号非负性的要求，而且引入自适应偏置产生的噪声对两种调制方式下的信号解调都不会造成干扰；根据本发明的系统及方法，由于接收端没有削幅噪声以及自适应偏置噪声的影响，不用对信号进行去噪处理，从而使得系统的复杂度降低；根据本发明的技术方案，在与传统的可见光通信调制方法的峰均功率比(PAPR)的对比中，也具有显著优势，并且还提升了系统的功率效率。
-
公开(公告)号：CN110212981B
公开(公告)日：2021-12-17
申请号：CN201910460031.8
申请日：2019-05-30
Applicant: 江南大学 , 中科金保安全科技无锡有限公司 , 中科怡海高新技术发展有限公司 , 中科怡海高新技术发展江苏股份公司
IPC: H04B10/116 , H04B10/516
Abstract: 本发明提供一种混合单载波和多载波调制的可见光通信传输方法，其有效的提高了系统的频谱利用率，且具有良好的灵活性、低复杂度。其包括步骤：S1:对输入信号进行QAM调制，生成对称的ACO‑OFDM信号矩阵；S2：对输入信号进行PAM调制，生成对称的PAM‑DMT信号矩阵；S3：将ACO‑OFDM信号矩阵、PAM‑DMT信号矩阵分别依次进行N点的IFFT变换、添加循环前缀、将数据进行并串转换、削减去信号的负数端后，将两组数据相加构成HACO‑OFDM信号；S4：对OOK数据进行对称操作，形成对称的OOK信号；S5：对HACO‑OFDM信号减去时间选择性偏置，然后加上对称的OOK信号，最终形成发送信号；S6：将发送信号传送至信道，在接收机端对接收到的信号进行解调操作，将各路信号恢复出来。
-
公开(公告)号：CN113438193A
公开(公告)日：2021-09-24
申请号：CN202110645780.5
申请日：2021-06-10
Applicant: 江南大学 , 中科怡海高新技术发展有限公司
IPC: H04L27/26 , H04B10/116
Abstract: 本发明公开了混合自适应偏置的O‑OFDM的可见光通信系统及方法，在发射端，混合PAM和QAM两种可见光通信的调制方法，并将原始数据进行分组，采用不同的子载波对三组数据分别进行传输及调制，提高系统的频谱利用率；在确保信号非负性时，加入自适应偏置，不仅能够满足信号非负性的要求，而且引入自适应偏置产生的噪声对两种调制方式下的信号解调都不会造成干扰；根据本发明的系统及方法，由于接收端没有削幅噪声以及自适应偏置噪声的影响，不用对信号进行去噪处理，从而使得系统的复杂度降低；根据本发明的技术方案，在与传统的可见光通信调制方法的峰均功率比(PAPR)的对比中，也具有显著优势，并且还提升了系统的功率效率。
-
公开(公告)号：CN112947635B
公开(公告)日：2022-04-29
申请号：CN202110055588.0
申请日：2021-01-15
Applicant: 江南大学 , 中科怡海高新技术发展江苏股份公司 , 中科怡海高新技术发展有限公司 , 中科金保安全科技无锡有限公司
IPC: G05D27/02
Abstract: 本发明公开了一种基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法，属于智能设备优化领域。通过采用卡尔曼滤波器对生长舱系统中传感器采集数据进行滤波处理，经过卡尔曼滤波得到的值比传感器直接采集的值更加接近真实值，有利于生长舱系统中温度、湿度和CO2浓度的精确控制。然后考虑到麦苗生长为多影响因素，加入NaCl浓度、光照黑暗比、光照周期、种子重量分别输入多元非线性回归、径向基神经网络和多层感知机神经网络模型进行预测。选取较优的模型结构，更加精确的找到麦苗生长的最优环境参数，对于麦苗萌发生长环境提供一定参考。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.062 seconds)
