-
公开(公告)号：CN118945684B
公开(公告)日：2025-03-25
申请号：CN202410911854.9
申请日：2024-07-08
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于改进Decision Transformer模型的基站能耗优化方法，属于基站能耗管理领域，包括对环境进行建模，并用强化学习生成决策数据集，计算决策数据集中轨迹回报，对计算的轨迹回报通过Bootstrap方法计算每个时间步的均值μt和标准差σt，建模数据样本的分布；对轨迹回报进行标准化处理，计算其在数据样本中的距离分布，并进行归一化处理，作为轨迹序列的提示Pt；重构输入轨迹序列τ，使用DecisionTransformer模型对重构的轨迹序列τ进行训练，直至收敛，获得最优的基站能耗管理策略。本发明采用上述的一种基于改进Decision Transformer模型的基站能耗优化方法，改进了Decision Transformer模型对数据集质量过度依赖的问题，克服了模型无法学习到最优策略的缺陷，为降低基站能耗提供了新的解决思路与方案。
-
公开(公告)号：CN118647071B
公开(公告)日：2025-02-25
申请号：CN202410767720.4
申请日：2024-06-14
Applicant: 南京理工大学
IPC: H04W52/02 , H04W24/06 , H04B7/0413 , G06N3/092
Abstract: 本发明公开了一种基于决策模型的5G基站节能方法，属于5G基站节能领域，对流量数据划分为不同的网络流量场景；部署基站，并建立MIMO网络环境；数据预处理，得到网络流量的分布规律并建立仿真环境，通过记录强化学习智能体与仿真环境交互生成轨迹；对决策模型进行预训练，将轨迹作为决策模型的输入学习出最佳的轨迹动作；将决策模型与MIMO网络环境交互，将时间步作为输入，生成动作概率并通过采样获得输出动作；将输出动作输入到MIMO网络环境得到反馈，通过反馈得到基站节能策略。本发明采用上述的一种基于决策模型的5G基站节能方法，可以解决强化学习模型泛化能力差的问题，可以处理大规模MIMO网络中基站数量变化的问题，达到降低能耗的目的。
-
公开(公告)号：CN116707759B
公开(公告)日：2024-02-20
申请号：CN202310739437.6
申请日：2023-06-20
Applicant: 南京理工大学
IPC: H04L9/00
Abstract: 本发明公开了一种面向数据流通高并发场景的轻量级联盟链共识方法，涉及区块链技术领域，摒弃常用的信誉中心化管理机制，采用分布式信誉存储与管理，根据信誉值来选取较少的共识节点参与共识，在PBFT共识流程中使信誉随数据包共同传输，通过数据包来源以及断线检测来增减信誉值，并通过多数原则来尽量保持各节点本地信誉同步，且在新一轮共识前按照一定的规则来判断是否更新共识节点组，从而减少了通信次数，提高了通信效率，进一步地，在面对数据交互频率较高时的高并发情况，共识节点可暂时搁置非共识节点的同步区块请求，从而在交易请求数量巨大的情况下能提供较高的吞吐量，在性能上明显优于传统PBFT共识算法。
-
公开(公告)号：CN116776305A
公开(公告)日：2023-09-19
申请号：CN202310713571.9
申请日：2023-06-15
Applicant: 南京理工大学
Abstract: 本发明公开了一种面向工业场景的区块链智能合约架构及其运行方法，属于区块链技术领域，包括工业实体身份认证模块、工业数据上链模块和接口模块，工业实体身份认证模块负责为工业实体生成专属的工业数字身份，并对身份赋予指定权限，将身份的相关信息存储到对应的身份文档中；工业数据上链模块验证工业实体身份认证模块中为工业实体生成的工业数字身份以及身份权限，权限符合时将数据上链。本发明基于上述一种面向工业场景的区块链智能合约架构及其运行方法，建立一个统一的工业区块链系统，根据InId上传不同类型的数据，解决企业之间信任问题，保证数据可信流通，通过合约的简易部署以及支持自定义上传数据增强系统泛用性。
-
公开(公告)号：CN118647071A
公开(公告)日：2024-09-13
申请号：CN202410767720.4
申请日：2024-06-14
Applicant: 南京理工大学
IPC: H04W52/02 , H04W24/06 , H04B7/0413 , G06N3/092
Abstract: 本发明公开了一种基于决策模型的5G基站节能方法，属于5G基站节能领域，对流量数据划分为不同的网络流量场景；部署基站，并建立MIMO网络环境；数据预处理，得到网络流量的分布规律并建立仿真环境，通过记录强化学习智能体与仿真环境交互生成轨迹；对决策模型进行预训练，将轨迹作为决策模型的输入学习出最佳的轨迹动作；将决策模型与MIMO网络环境交互，将时间步作为输入，生成动作概率并通过采样获得输出动作；将输出动作输入到MIMO网络环境得到反馈，通过反馈得到基站节能策略。本发明采用上述的一种基于决策模型的5G基站节能方法，可以解决强化学习模型泛化能力差的问题，可以处理大规模MIMO网络中基站数量变化的问题，达到降低能耗的目的。
-
Patent Agency Ranking
公开(公告)号：CN118569313A
公开(公告)日：2024-08-30
申请号：CN202410637921.2
申请日：2024-05-21
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于Decision Transformer模型的建筑能耗优化方法，属于建筑能耗管理技术领域，首先定义建筑能耗管理场景下的马尔科夫决策过程要素，包括状态、动作和奖励机制，并收集相应的专家决策数据；然后对奖励进行重标记，将每个决策点后的累积奖励表示为轨迹回报R，重构输入轨迹序列，为决策模型提供预训练数据集；最后通过Decision Transformer模型训练重构输入轨迹序列，对Decision Transformer中的注意力机制进行因果掩码的修正，针对连续动作设计相应的损失函数，使用建模的轨迹序列对模型进行多轮训练，直至收敛，获得最优建筑能耗管理策略，并在新任务下进行测试。本发明提供的方法在新任务下有强大的迁移泛化性能，为提高建筑能耗管理质量提供了新的解决思路与方案。
-
公开(公告)号：CN116707759A
公开(公告)日：2023-09-05
申请号：CN202310739437.6
申请日：2023-06-20
Applicant: 南京理工大学
IPC: H04L9/00
Abstract: 本发明公开了一种面向数据流通高并发场景的轻量级联盟链共识方法，涉及区块链技术领域，摒弃常用的信誉中心化管理机制，采用分布式信誉存储与管理，根据信誉值来选取较少的共识节点参与共识，在PBFT共识流程中使信誉随数据包共同传输，通过数据包来源以及断线检测来增减信誉值，并通过多数原则来尽量保持各节点本地信誉同步，且在新一轮共识前按照一定的规则来判断是否更新共识节点组，从而减少了通信次数，提高了通信效率，进一步地，在面对数据交互频率较高时的高并发情况，共识节点可暂时搁置非共识节点的同步区块请求，从而在交易请求数量巨大的情况下能提供较高的吞吐量，在性能上明显优于传统PBFT共识算法。
-
公开(公告)号：CN118467941B
公开(公告)日：2025-02-25
申请号：CN202410581781.1
申请日：2024-05-10
Applicant: 南京理工大学
IPC: G06F18/15 , G06F18/214 , G06F18/213 , G06N3/098
Abstract: 本发明公开了一种面向分布式光伏发电站点的个性化联邦学习预测方法，涉及人工智能技术领域，包括多层时序分解模块和多层感知机模块；具体包括以下步骤：S1：数据预处理，通过站点的装机容量对数据进行归一化，消除不同光伏站点规模带来的差异；S2：本地训练，客户端在本地训练模型；S3：个性化联邦聚合，客户端将多层时序分解模块上传到服务器，服务器进行平均集合，将聚合后的全局模型下发到服务器；S4：进行下一轮迭代，直至最终迭代轮次。本发明采用上述的一种面向分布式光伏发电站点的个性化联邦学习预测方法，将最后的多层感知机层作为个性化层，通过分层聚合的个性化方法，考虑站点之间的差异性比直接联邦聚合具有更高的准确性。
-
公开(公告)号：CN118945684A
公开(公告)日：2024-11-12
申请号：CN202410911854.9
申请日：2024-07-08
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于改进Decision Transformer模型的基站能耗优化方法，属于基站能耗管理领域，包括对环境进行建模，并用强化学习生成决策数据集，计算决策数据集中轨迹回报，对计算的轨迹回报通过Bootstrap方法计算每个时间步的均值μt和标准差σt，建模数据样本的分布；对轨迹回报进行标准化处理，计算其在数据样本中的距离分布，并进行归一化处理，作为轨迹序列的提示Pt；重构输入轨迹序列τ，使用DecisionTransformer模型对重构的轨迹序列τ进行训练，直至收敛，获得最优的基站能耗管理策略。本发明采用上述的一种基于改进Decision Transformer模型的基站能耗优化方法，改进了Decision Transformer模型对数据集质量过度依赖的问题，克服了模型无法学习到最优策略的缺陷，为降低基站能耗提供了新的解决思路与方案。
-
公开(公告)号：CN118467941A
公开(公告)日：2024-08-09
申请号：CN202410581781.1
申请日：2024-05-10
Applicant: 南京理工大学
IPC: G06F18/15 , G06F18/214 , G06F18/213 , G06N3/098
Abstract: 本发明公开了一种面向分布式光伏发电站点的个性化联邦学习预测方法，涉及人工智能技术领域，包括多层时序分解模块和多层感知机模块；具体包括以下步骤：S1：数据预处理，通过站点的装机容量对数据进行归一化，消除不同光伏站点规模带来的差异；S2：本地训练，客户端在本地训练模型；S3：个性化联邦聚合，客户端将多层时序分解模块上传到服务器，服务器进行平均集合，将聚合后的全局模型下发到服务器；S4：进行下一轮迭代，直至最终迭代轮次。本发明采用上述的一种面向分布式光伏发电站点的个性化联邦学习预测方法，将最后的多层感知机层作为个性化层，通过分层聚合的个性化方法，考虑站点之间的差异性比直接联邦聚合具有更高的准确性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
