-
公开(公告)号：CN118822113B
公开(公告)日：2024-12-17
申请号：CN202411311401.9
申请日：2024-09-20
Applicant: 国网江苏省电力有限公司信息通信分公司 , 南京邮电大学
IPC: G06Q10/063 , G06Q50/06
Abstract: 本发明公开一种电力物联网的多源数据处理方法、装置、设备及介质，涉及电力物联网数据处理技术领域。该方法应用于电力物联网包括平台侧和边缘侧的策略层，该方法包括：通过数据分发节点接收至少一个待分发源节点的业务数据；通过数据分发节点基于各待分发源节点的业务数据确定各待分发源节点优先级，根据优先级确定目标待分发源节点集合，将各目标待分发源节点业务数据构成的目标业务数据集发送到平台侧；利用平台侧的预设神经网络提取目标业务数据集的语义特征集合，将语义特征映射为对应的码字并发送至对应的目标节点，其中任意两个语义特征的关联度满足预设条件时，被映射为同一个码字。有效的提升了数据的处理效率。
-
公开(公告)号：CN117459995A
公开(公告)日：2024-01-26
申请号：CN202311479063.5
申请日：2023-11-08
Applicant: 南京邮电大学
IPC: H04W28/06 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种面向去蜂窝网络上行链路压缩感知恢复的深度展开方法，首先要在cell‑free中的每个RRH接收到测量值，对其进行CS恢复，得到用户信号数据的粗略估计；信号的粗略估计问题可以转化为一个广义LASSO形式的优化问题；得到的优化问题可通过ADMM算法的迭代方法求解，将ADMM算法表述为深度展开神经网络，将深度展开网络作为解码器，将ADMM算法迭代中的仿射映射应用于最终层；最后还提出了使用并行计算来降低时间复杂度的优化策略，优化解码器的最终输出。本发明可应用于cell‑free等压缩感知场景中，提供面向cell‑free上行链路的前端负载问题的压缩感知方法的优化方案，在原有ADMM展开网路的基础上有效提升了信号重构的速度，大大降低是了原有方法的计算复杂度。
-
公开(公告)号：CN117119597A
公开(公告)日：2023-11-24
申请号：CN202311088650.1
申请日：2023-08-25
Applicant: 南京邮电大学
IPC: H04W72/0457 , H04W4/30
Abstract: 本发明公开了一种面向物联网终端协作学习的资源分配方法、装置、介质及设备，所述方法包括：获取分布式联邦学习全局模型的无线网络，所述无线网络中有1台边缘服务器和多个物联网终端；利用预设的分簇算法将物联网终端分簇，得到分簇结果；基于分簇结果，根据物联网终端的本地数据样本数量，分配簇中每个物联网终端CPU和GPU的工作频率；基于分簇结果，根据无线网络的总带宽和每个物联网终端的实时信道状况，为簇中每个物联网终端动态分配带宽。本发明能够改善无线联邦学习中由于计算资源和网络带宽资源受限导致的训练进程中能量消耗过高的情况。
-
公开(公告)号：CN116822335A
公开(公告)日：2023-09-29
申请号：CN202310634420.4
申请日：2023-05-31
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于斯塔克伯格博弈的设备调度方法，包括：1)由BS担任领导者，移动设备作为追随者对领导者的策略做出反馈，建立两者的效益函数，基于斯塔克伯格博弈设计BS和移动设备间的调度选择问题。2)移动设备集合接受来自特定BS的全局模型，通过无线网络协同执行联邦学习算法。3)利用来自BS的全局模型权重向量和移动设备的本地模型权重向量之间的差异，采用梯度下降法进行本地迭代更新。4)上传移动设备本地最优解到BS进行全局聚合，并向移动设备集合广播下一轮全局模型，用于下一轮联邦学习训练，直到全局模型达到预定精度为止。本方法通过斯塔克博格博弈提升了BS和移动设备的整体效益。
-
公开(公告)号：CN116600341A
公开(公告)日：2023-08-15
申请号：CN202310569273.7
申请日：2023-05-19
Applicant: 南京邮电大学
IPC: H04W28/06 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种面向云无线接入网(C‑RAN)上行链路的压缩感知方法，首先要在C‑RAN场景中的每个RRH(Remote Radio Head)接收到测量值(压缩信号)，对其进行CS恢复，得到用户信号数据的粗略估计；信号的粗略估计问题可以转化为一个广义LASSO形式的优化问题；得到的优化问题可通过ADMM算法(the alternating direction method of multipliers algorithm)的迭代方法求解，基于上述步骤将ADMM算法表述为具有层迭代的深度展开神经网络(deep unfolding network)，将这样的深度展开网络作为解码器；最后将ADMM算法迭代中的仿射映射应用于最终层，得到最终输出。本发明可应用于C‑RAN等压缩感知场景中，提供面向C‑RAN上行链路的前端负载问题的压缩感知方法，有效提升了在压缩感知场景中信号重构的速度和抗噪性能。
-
Patent Agency Ranking
公开(公告)号：CN115118591B
公开(公告)日：2023-07-25
申请号：CN202210656857.3
申请日：2022-06-08
Applicant: 南京邮电大学
IPC: H04L41/0823 , H04L41/0896 , H04L41/16 , G06N20/00
Abstract: 本发明公开了一种基于联盟博弈的簇联邦学习方法，包括：在物联网边缘环境下搭建簇联邦学习系统，包含多个用户设备和一个中心服务器；基于用户本地梯度的余弦相似度以及每个簇内成功参与训练的设备个数定义每个簇的效用；基于联盟博弈的方法对用户设备进行分簇，同时优化带宽分配；基于分簇结果执行簇联邦学习训练。本发明能够在多任务联邦学习场景下，有效提高训练的效率以及准确率。
-
公开(公告)号：CN113873531B
公开(公告)日：2023-07-18
申请号：CN202111017807.2
申请日：2021-08-31
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种D2D辅助无人机基站实现目标区域全覆盖的设计方法，该方法包括：构建无人机作为空中基站UAV‑BS服务于多个地面用户的一个下行通信系统，初始化无人机的部署高度和波束张角，根据无人机部署信息将目标覆盖区域划分为无人机直接覆盖区域和间接覆盖区域；在无人机网络的基础上，对于无人机的间接覆盖区域的用户，增设D2D通信以进一步扩大覆盖范围，将通信服务从直接覆盖区延伸至间接覆盖区；基于蜂窝通信系统已有的地面用户的分布信息，以及地面用户接入通信网络的公平性，通过积分求解的方式确定直接覆盖区域和间接覆盖区域的用户功率开销；将D2D辅助无人机基站实现目标区域全覆盖问题构建成一个二重变量优化问题。
-
公开(公告)号：CN115915069A
公开(公告)日：2023-04-04
申请号：CN202211348726.5
申请日：2022-10-31
Applicant: 南京邮电大学
Abstract: 本发明公开了一种无人机搭载RIS辅助车辆网络通信方法及系统，首先无人机根据预测模型预测车辆下一时隙位置；然后，优化RIS反射单元的相移矩阵，同时优化无人机轨迹，从而使两车辆在下一时隙通信速率最大化；最终，根据优化结果，调整RIS反射单元的相移因子，且无人机在下一时隙内飞行到达的位置。本发明解决了车辆之间由于障碍物阻挡无法直接通信的问题，在满足车辆通信的延迟约束和无人机飞行的能耗约束下，通过优化RIS相移矩阵增强反射给车辆的信号质量，通过优化无人机轨迹更好的为车辆通信进行服务，同时采用DDPG算法求解优化问题，以获得最大化车辆通信速率的策略，满足车辆网络通信的要求，提高车辆通信的性能。
-
公开(公告)号：CN115529625A
公开(公告)日：2022-12-27
申请号：CN202210711607.5
申请日：2022-06-22
Applicant: 南京卓云邮通科技有限公司 , 南京邮电大学
Inventor： 周欢 , 杨凡 , 彭敏鑫 , 徐波 , 刘娅璇 , 崔燕茹 , 吴丰靖 , 高赟 , 刘颖 , 张旭妍 , 邵鑫宇 , 王思洋 , 荀位 , 徐邦宁 , 徐卓然 , 孙文雪 , 吕锦钰 , 谈宇浩 , 赵海涛 , 张晖 , 夏文超 , 倪艺洋 , 杨洁
Abstract: 本发明公开了一种移动性任务卸载方法、系统及存储介质，待任务卸载的用户设备获取其通信范围内边缘节点设备的位置和方向向量信息，并计算用户设备与每个边缘节点设备的通信时间；以用户设备任务卸载耗费的总时延作为筛选约束，筛选出满足通信时间大于任务卸载总时延的边缘节点设备，将任务拆分后卸载到每个可用边缘节点设备上执行；其中，所述总时延由传输时延和计算时延加和得到；所述传输时延指将任务卸载到边缘节点设备所需的时间；所述计算时延指边缘节点设备的数据处理时间。该发明能够在无线分布式边缘计算环境下，考虑边缘节点设备的移动性，缩短边缘节点设备卸载响应时间，提高卸载成功率。
-
公开(公告)号：CN115470892A
公开(公告)日：2022-12-13
申请号：CN202211261064.8
申请日：2022-10-14
Applicant: 南京邮电大学
Abstract: 本发明公开了基于连续学习的波束成形深度神经网络训练方法及系统，该系统包括内存集模块、混合模块、波束成形矩阵恢复模块、神经网络模块。进入新时隙，在每个时隙的训练过程中，将内存集与当前时隙样本集混合供模型进行训练，在当前时隙的训练周期结束后，将内存集和当前时隙样本集送入训练后的模型产生预测输出。针对所有样本的预测值，模型计算性能函数值，依据每个样本性能，按不同比例从内存集和当前时隙样本集中挑选性能表现差的样本更新内存集，再次进入新的时隙时，并迭代执行上述步骤，获得最优模型权重。本发明基于连续学习的波束成形深度神经网络训练方法适应动态变化的实际通信环境，在信道分布变化的情况下保持良好的通信性能。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.035 seconds)
