-
公开(公告)号：CN114979267B
公开(公告)日：2024-05-14
申请号：CN202210569974.6
申请日：2022-05-24
Applicant: 厦门大学
IPC: H04L67/5651 , H04L67/10 , G06F40/30 , G06F40/242
Abstract: 本发明公开了一种面向多服务需求的语义通信方法、介质、设备及装置，其中方法包括：获取智能体发出的服务请求，并生成服务矩阵；获取多模态数据，并转换为同步表征的第一感知数据矩阵；对第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并生成第二感知数据矩阵；将服务矩阵和第二感知数据矩阵上传至云端；云端对每个服务类型进行二进制编码，以得到对应的码字，并根据码字更新语义库，以及对第二感知数据矩阵进行编码，以得到相应的码字，云端信息以语义通信的方式发送给接收端；接收端重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应；能够有效降低通信资源开销，节约通信资源。
-
公开(公告)号：CN115314086B
公开(公告)日：2023-11-03
申请号：CN202210725777.9
申请日：2022-06-23
Applicant: 厦门大学
IPC: H04B7/0456 , H04W16/10
Abstract: 本申请的实施例提供了一种通信感知一体化系统的预编码方法、装置、介质及设备。该方法包括：根据接收到的感知业务请求，确定与所述感知业务请求对应的感知需求参数；为多个目标用户分配互不重叠的子载波，以生成多用户基带信号；以最小化用户侧接收信号与实际发送信号之间的均方误差为基础准则，以所述感知需求参数以及最大发射功率为约束，使用迭代优化算法进行求解，以确定目标预编码矩阵；根据所述目标预编码矩阵对所述多用户基带信号进行预编码以进行发射；接收与预编码后的所述多用户基带信号对应的回波信号，并从所述回波信号中提取目标感知参数。本申请实施例的技术方案能够提高预编码的处理效率，并保证系统通信性能。
-
公开(公告)号：CN115314086A
公开(公告)日：2022-11-08
申请号：CN202210725777.9
申请日：2022-06-23
Applicant: 厦门大学
IPC: H04B7/0456 , H04W16/10
Abstract: 本申请的实施例提供了一种通信感知一体化系统的预编码方法、装置、介质及设备。该方法包括：根据接收到的感知业务请求，确定与所述感知业务请求对应的感知需求参数；为多个目标用户分配互不重叠的子载波，以生成多用户基带信号；以最小化用户侧接收信号与实际发送信号之间的均方误差为基础准则，以所述感知需求参数以及最大发射功率为约束，使用迭代优化算法进行求解，以确定目标预编码矩阵；根据所述目标预编码矩阵对所述多用户基带信号进行预编码以进行发射；接收与预编码后的所述多用户基带信号对应的回波信号，并从所述回波信号中提取目标感知参数。本申请实施例的技术方案能够提高预编码的处理效率，并保证系统通信性能。
-
公开(公告)号：CN110972309B
公开(公告)日：2022-07-19
申请号：CN201911089450.1
申请日：2019-11-08
Applicant: 厦门大学 , 京信网络系统股份有限公司
Abstract: 本发明公开了一种联合图信号与强化学习的超密集无线网络功率分配方法，方法包括：S1，获取无向图，并根据无向图构建邻接矩阵和权值矩阵；S2，计算每个顶点的干扰参数，并计算网络平滑度，以及根据网络平滑度计算网络环境参数；S3，对超密集无线网络的功率进行再次分配，并计算再次分配后的网络环境参数，以及根据该网络环境参数计算回报函数值；S4，根据该回报函数值进行再次分配，并计算再次分配后的网络环境参数，以及根据该网络环境参数计算回报函数值；重复步骤S4，直至得到最大累积回报函数值，停止超密集无线网络功率分配；从而实现在超密集无线网络中进行自组织、自优化的功率分配，进而降低超密集无向网络的干扰程度，有效提高网络性能。
-
公开(公告)号：CN112383938B
公开(公告)日：2022-05-27
申请号：CN202011085978.4
申请日：2020-10-12
Applicant: 厦门大学 , 京信网络系统股份有限公司
Abstract: 本发明公开了一种多宿主毫米波中继系统、介质及其接入方法，其中方法包括：基站发送下行扫描波束；毫米波中继在每个下行扫描波束时间间隔内向基站侧发送多个宽波束，以确定最优宽波束，直到生成最优宽波束向量；选每个下行扫描波束对应的最优宽波束对其进行接收，并生成中继同步信号块，以及进行用户侧发送；用户设备接收同步信号块或中继同步信号块，并进行评估，以判断其是否满足需求，在判断结果为是时，将其添加入候选链路组；边缘云服务器选择毫米波通信链路；用户设备通过毫米波通信链路进行通信接入；能够充分发挥毫米波无线通信的定向性及带宽优势，扩大毫米波信号的覆盖范围，实现通过毫米波无线通信系统进行数据的超高速传输。
-
Patent Agency Ranking
公开(公告)号：CN112383938A
公开(公告)日：2021-02-19
申请号：CN202011085978.4
申请日：2020-10-12
Applicant: 厦门大学 , 京信通信系统(中国)有限公司
Abstract: 本发明公开了一种多宿主毫米波中继系统、介质及其接入方法，其中方法包括：基站发送下行扫描波束；毫米波中继在每个下行扫描波束时间间隔内向基站侧发送多个宽波束，以确定最优宽波束，直到生成最优宽波束向量；选每个下行扫描波束对应的最优宽波束对其进行接收，并生成中继同步信号块，以及进行用户侧发送；用户设备接收同步信号块或中继同步信号块，并进行评估，以判断其是否满足需求，在判断结果为是时，将其添加入候选链路组；边缘云服务器选择毫米波通信链路；用户设备通过毫米波通信链路进行通信接入；能够充分发挥毫米波无线通信的定向性及带宽优势，扩大毫米波信号的覆盖范围，实现通过毫米波无线通信系统进行数据的超高速传输。
-
公开(公告)号：CN110943765A
公开(公告)日：2020-03-31
申请号：CN201911054246.6
申请日：2019-10-31
Applicant: 厦门大学
IPC: H04B7/0413 , H04B7/155 , H04L29/06 , H04L29/08
Abstract: 一种基于网络编码的毫米波与微波混合中继传输协助系统，包括：宏基站、中继基站和终端设备；宏基站与中继基站中均包括大规模MIMO毫米波；宏基站的通信方式包括毫米波通信和微波通信；中继基站工作在全双工模式；终端设备从核心网同时下载多个文件过程中，一加密文件从宏基站通过微波通信直接传输至终端设备，从所述宏基站传输至所述中继基站的数据包及从所述中继基站传输至所述终端设备的数据包均采用毫米波传输，且所述数据包进行了网络编码。本发明不仅可以提升数据传输的安全隐私性，同时还可以在必要的时候增加传输的数据量，从而提升终端设备下载文件传输过程的工作效率、稳定性以及安全性。
-
公开(公告)号：CN114638357B
公开(公告)日：2024-05-31
申请号：CN202210186097.4
申请日：2022-02-28
Applicant: 厦门大学
IPC: G06N3/098 , G06N3/092 , G06N3/0985 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06F9/50 , G06F21/62
Abstract: 本发明公开了一种基于自动联邦学习的边缘计算系统及其学习方法，其中基于自动联邦学习的边缘计算系统包括：公有云、边缘云、边缘计算盒子和智能终端设备；公有云汇聚边缘云输入的神经网络模型结构和参数进行不同权重的参数更新优化，边缘云存储边缘计算盒子上传的数据，并采用基于强化学习的神经架构搜索模型搜索最佳模块组合进行局部化模型训练，边缘盒子部署训练好的神经网络模型为智能终端设备提供实时算力，智能终端设备采集图像、语音、文字等信息；本发明能够有效解决预设网络对独立同分布数据效果差的问题，同时能够很好的保护用户隐私，同时边缘盒子能够快速响应智能终端采集的数据，具有广泛的应用前景。
-
公开(公告)号：CN116842380A
公开(公告)日：2023-10-03
申请号：CN202310686128.7
申请日：2023-06-09
Applicant: 厦门大学
IPC: G06F18/214 , G06F18/211
Abstract: 本发明公开了一种根据本发明实施例的基于客户端成簇的混合联邦分割学习的模型训练方法，包括每个学习客户端根据成簇策略与其周围的辅助客户端进行分簇，以得到多个学习簇；根据簇头选定策略在每个学习簇中选择一个特殊的客户端作为簇头，以便本地基站根据基站带宽分配策略为簇头分配带宽；簇头根据本地基站分配的带宽获取本地基站下发的全局模块，簇头根据模型切分和分配策略将全局模型切分为多个模型段，并分发给所有簇成员进行协作训练；簇头收集簇内的所有簇成员训练好的本地模型并将其上传至本地基站，以便本地基站将簇头上传的本地模型进行聚合，不仅用户计算、存储和通信负载小，而且用户并行度、对用户非独立同分布数据敏感度高。
-
公开(公告)号：CN114638357A
公开(公告)日：2022-06-17
申请号：CN202210186097.4
申请日：2022-02-28
Applicant: 厦门大学
Abstract: 本发明公开了一种基于自动联邦学习的边缘计算系统及其学习方法，其中基于自动联邦学习的边缘计算系统包括：公有云、边缘云、边缘计算盒子和智能终端设备；公有云汇聚边缘云输入的神经网络模型结构和参数进行不同权重的参数更新优化，边缘云存储边缘计算盒子上传的数据，并采用基于强化学习的神经架构搜索模型搜索最佳模块组合进行局部化模型训练，边缘盒子部署训练好的神经网络模型为智能终端设备提供实时算力，智能终端设备采集图像、语音、文字等信息；本发明能够有效解决预设网络对独立同分布数据效果差的问题，同时能够很好的保护用户隐私，同时边缘盒子能够快速响应智能终端采集的数据，具有广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.068 seconds)
