-
公开(公告)号：CN111193615B
公开(公告)日：2023-02-28
申请号：CN201911285230.6
申请日：2019-12-13
Applicant: 南京理工大学
IPC: H04L41/14 , H04L41/142 , H04L67/1023
Abstract: 本发明公开了一种移动边缘计算网络中的边缘计算节点选择方法。该方法为：首先建立移动边缘计算系统模型；然后设计通信模型和边缘计算模型；接着提出边缘计算节点选择问题模型以及目标函数；最后针对目标函数分别采用边缘计算节点选择算法进行计算，结合终端设备的社交特性、传输特性和计算特性，以追求社交福利最大化为目标进行边缘计算节点的分配。本发明在用户和基站的匹配中，提高了移动边缘计算的社交效益以及整个网络的社交福利。
-
公开(公告)号：CN110430585B
公开(公告)日：2023-05-02
申请号：CN201910723536.9
申请日：2019-08-07
Applicant: 南京理工大学
Abstract: 本发明公开了一种分布式传感器网络中用于追踪的广播节点选择方法。我们根据接收到的上一时刻的部分传感器信息，更新当前时刻的目标状态的估计值与真实值之间的协方差矩阵，同时结合传感器节点在当前时刻之前所有的协方差矩阵来挑选估计质量最好的传感器用来作为广播节点。实验结果表明，该方法较传统的方法，能够显著的提高在追踪过程中传感器网络的能量利用效率和带宽资源利用效率。
-
公开(公告)号：CN110428115A
公开(公告)日：2019-11-08
申请号：CN201910741705.1
申请日：2019-08-13
Applicant: 南京理工大学
Abstract: 本发明设计了一种基于深度强化学习的移动边缘计算架构下为动态用户提供低延时高可靠的计算服务的无人机路径规划方法。考虑无人驾驶飞机具有便捷的基础设施，且可在偏远或灾难区域快速搭建通信渠道，也可架栽计算资源为终端移动用户提供服务，因此考虑将无人机当作移动计算服务器，在终端移动用户的上方为其提供高效的交互服务。本发明考虑到终端用户的实时移动，将其建模成高斯-马尔科夫移动模型，再通过对用户位置状态、无人机位置状态、无人机电池量状态以及无人机与用户之间的信道状态进行建模，结合深度强化学习算法规划无人机路径最大化系统长期效益。
-
公开(公告)号：CN110267193A
公开(公告)日：2019-09-20
申请号：CN201910458141.0
申请日：2019-05-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于马尔科夫决策过程模型的车辆位置跟踪方法，包括以下步骤：建立二维道路网络模型；定义传感器簇的状态、动作以及奖励，建立马尔可夫决策过程模型，利用强化学习得到传感器簇的最优动作序列以实现初步跟踪；利用基于RSSI的高斯权重定位算法进行目标车辆的精确跟踪。本发明实现了车辆的精确定位，为车辆位置跟踪的有效实施提供帮助。
-
公开(公告)号：CN110213827B
公开(公告)日：2023-05-02
申请号：CN201910439512.0
申请日：2019-05-24
Applicant: 南京理工大学
Abstract: 本发明设计了一套应用于道路安全的算法，实现了在监控路上车辆时数据采集频率的动态调整。由于数据中心监控道路的车辆情况时都是固定的数据采集频率，可能会导致对危险情况的关注度不够，造成不必要的资源浪费，同时大量上传的数据也会对数据中心处理数据产生一定的压力，因此考虑在数据的采集过程中对数据进行预处理。本发明通过对道路环境与车辆移动的建模，获得采集频率与道路状况的匹配度。通过结合深度强化学习算法，找出在每个时刻针对于每种状况的最优决策，从而获得最优的匹配度与最少的能源消耗，从而极大提升数据中心对行驶车辆数据采集的效率。
-
Patent Agency Ranking
公开(公告)号：CN110267193B
公开(公告)日：2021-02-12
申请号：CN201910458141.0
申请日：2019-05-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于马尔科夫决策过程模型的车辆位置跟踪方法，包括以下步骤：建立二维道路网络模型；定义传感器簇的状态、动作以及奖励，建立马尔可夫决策过程模型，利用强化学习得到传感器簇的最优动作序列以实现初步跟踪；利用基于RSSI的高斯权重定位算法进行目标车辆的精确跟踪。本发明实现了车辆的精确定位，为车辆位置跟踪的有效实施提供帮助。
-
公开(公告)号：CN110458283A
公开(公告)日：2019-11-15
申请号：CN201910741851.4
申请日：2019-08-13
Applicant: 南京理工大学
Abstract: 本发明设计了一种最大化全局吞吐量方法，实现了在移动边缘计算架构中将无人机当作移动边缘计算服务器为终端静止用户提供及时有效的计算服务。随着现代科技技术日新月异，来自终端用户的任务越来越多，传统的移动边缘计算框架已无法为用户提供及时有效的计算服务，因此考虑将无人机当作移动计算服务器，在用户的上方为其提供服务，从而实现高效的交互服务。本发明考虑到用户移动较慢，将其近似看成静止不动的，通过对用户状态和无人机状态以及无人机与用户之间的信道状态进行建模，结合深度强化学习算法最大化全局吞吐量。
-
公开(公告)号：CN110430585A
公开(公告)日：2019-11-08
申请号：CN201910723536.9
申请日：2019-08-07
Applicant: 南京理工大学
Abstract: 本发明公开了一种分布式传感器网络中用于追踪的广播节点选择方法。我们根据接收到的上一时刻的部分传感器信息，更新当前时刻的目标状态的估计值与真实值之间的协方差矩阵，同时结合传感器节点在当前时刻之前所有的协方差矩阵来挑选估计质量最好的传感器用来作为广播节点。实验结果表明，该方法较传统的方法，能够显著的提高在追踪过程中传感器网络的能量利用效率和带宽资源利用效率。
-
公开(公告)号：CN110351829A
公开(公告)日：2019-10-18
申请号：CN201910723530.1
申请日：2019-08-07
Applicant: 南京理工大学
Abstract: 本发明实现在网络覆盖范围内对目标车辆的分布式追踪，提出了一种动态激活区调整策略，在每个时刻网络中都存在一个基于传感器对车辆感知区域而确定的感知区域，以及一个上一时刻预先开启的激活区域。在此分布式跟踪策略中，在激活区域内存在一个数据融合中心将其跟踪估计结果向相邻节点广播。在考虑有限网络对车辆感知区域的基础上，提出了对激活区域动态调整方案，以提高跟踪精度和节能效果。通过结合深度强化学习算法，找出在每个时刻针对于每种状况的最优决策，从而获得最优的追踪精度与最少的能源消耗，从而极大提升无线传感器网络对行驶车辆轨迹追踪的效率与资源的节约。
-
公开(公告)号：CN111193615A
公开(公告)日：2020-05-22
申请号：CN201911285230.6
申请日：2019-12-13
Applicant: 南京理工大学
Abstract: 本发明公开了一种移动边缘计算网络中的边缘计算节点选择方法。该方法为：首先建立移动边缘计算系统模型；然后设计通信模型和边缘计算模型；接着提出边缘计算节点选择问题模型以及目标函数；最后针对目标函数分别采用边缘计算节点选择算法进行计算，结合终端设备的社交特性、传输特性和计算特性，以追求社交福利最大化为目标进行边缘计算节点的分配。本发明在用户和基站的匹配中，提高了移动边缘计算的社交效益以及整个网络的社交福利。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.016 seconds)
