-
公开(公告)号：CN116887429A
公开(公告)日：2023-10-13
申请号：CN202310837482.5
申请日：2023-07-10
Applicant: 江南大学
IPC: H04W72/50 , H04W72/541 , H04W4/46 , H04W4/44 , H04L41/16 , G06N3/042 , G06N3/092 , G06N3/098 , G06V20/54 , G06V10/774
Abstract: 本申请公开一种车联网资源分配方法、装置、存储介质及电子设备，用于优化车联网中数据传输的成本。方法包括：基于图神经网络获取所述车辆的资源特征；基于所述资源特征计算特征嵌入；所述特征嵌入包括所述资源计算模型所输入的参数；根据所述特征嵌入确定所述车辆的状态数据、动作数据和共享奖励函数；基于多智能体深度强化学习和深度Q网络确定资源分配策略。
-
公开(公告)号：CN116546429A
公开(公告)日：2023-08-04
申请号：CN202310660982.6
申请日：2023-06-06
Applicant: 江南大学
Abstract: 本发明涉及一种车联网联邦学习中的车辆选择方法和系统，方法包括：在车联网联邦学习场景中，假设一组车辆{1,2,...,N}穿过基站的覆盖区域，根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与联邦学习的车辆；其中，所述车辆的本地模型基于基站的全局模型构建。本发明通过车辆在边缘服务器覆盖范围的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性来衡量车辆的参与必要性，使得联邦学习最终得到的全局模型具有较好的代表性。
-
公开(公告)号：CN116506829A
公开(公告)日：2023-07-28
申请号：CN202310455726.3
申请日：2023-04-25
Applicant: 江南大学
Abstract: 本发明涉及车联网联邦边缘学习和C‑V2X通信技术领域，公开一种基于C‑V2X通信的联邦边缘学习选择车辆方法，包括：预估车辆自身的传输时延，每辆车基于C‑V2X模式4中定义的基于感知的半持久调度方法选择无线电资源并计算自身包碰撞概率，将剩余数据量、传输时延、包碰撞概率和生存能力作为选择车辆的优先级，选择车辆上传打乱之后的数据进行训练，最后判断被选择的车辆上传的数据包是否被碰撞掉。通过选择不同的数据包传输频率、传输功率和子信道数降低包碰撞概率。本发明可以保证缓存队列稳定性和传输数据的可靠性，提高训练精度。
-
公开(公告)号：CN116362345A
公开(公告)日：2023-06-30
申请号：CN202310134885.3
申请日：2023-02-20
Applicant: 江南大学
Abstract: 本发明提供一种基于多智能体强化学习和联邦学习的边缘缓存方法及系统，该方法包括：构建包括状态、动作、奖励和策略的MADRL框架，采用联邦深度学习预测SBS覆盖范围内的流行的内容；基于所述MADRL框架，SBS根据本地状态和相邻SBSs的状态来调整SBS本地缓存的流行的内容。本发明SBS可以预测自己覆盖范围内的内容流行度；并可以有效的调整SBSs本地缓存的流行的内容，进而实现了有效利用分布式边缘缓存。
-
公开(公告)号：CN116055489A
公开(公告)日：2023-05-02
申请号：CN202310038329.6
申请日：2023-01-10
Applicant: 江南大学
Abstract: 本发明提供一种基于DDPG算法选择车辆的异步联邦优化方法，包括根据车辆自身传输速率、可用计算资源大小以及车辆位置设定时隙t的系统状态、动作以及奖励；根据时隙t的系统动作对参与训练的车辆进行选择，得到被选择的车辆；所述被选择的车辆利用本地数据进行本地训练得到对应的本地模型；考虑训练时延对车辆训练出的本地模型造成的迟滞性影响，对本地模型进行权重优化，得到权重优化后的本地模型；训练完的车辆将权重优化后的本地模型异步上传到路边单元处进行异步联邦聚合，通过多轮重复训练，最终路边单元得到全局模型。本发明方法计算简便，系统模型合理，仿真实验验证了该方法在车辆环境下能够得到较高的全局模型精度。
-
Patent Agency Ranking
公开(公告)号：CN111510882B
公开(公告)日：2022-09-13
申请号：CN202010266524.0
申请日：2020-04-07
Applicant: 江南大学
IPC: H04W4/44 , H04W16/14 , H04W16/22 , H04B17/318 , H04B17/336 , H04B17/382
Abstract: 本发明涉及一种基于用户体验质量的车联网频谱资源分配方法及系统,包括：构建包括基站、增强型节点和车辆用户的系统网络；当车辆用户需要频谱资源时，经过所在小区的增强型节点中转向所述基站发送请求，所述基站收到资源分配请求后，通过判定策略利用体验质量模型计算结果，其中所述判定策略是对于执行数据量运算时，计算处理过程运行位置所依据实际网络情况，区分大数据量或小数据量，所述体验质量模型是针对车联网用户期望获得服务质量量化数值；按照所得结果下发分配命令至小区LTE网络中的增强型节点，通过所述增强型节点对所述车辆分配频谱资源。本发明算法简单，且实用性更强。
-
公开(公告)号：CN111031512B
公开(公告)日：2022-09-09
申请号：CN201911128045.6
申请日：2019-11-18
Applicant: 江南大学
IPC: H04W4/40 , H04W24/08 , H04B17/391
Abstract: 本发明提供交通干扰下无人驾驶车队通信实时性能分析方法，其可以分析在典型交通干扰下，802.11p车队通信的实时性能，且本方案计算复杂度适中，系统模型简单合理，适于实际应用。本发明的技术方案中，首先实时计算无人驾驶车队中的每辆车在交通干扰下的动力学状态；再根据车辆的动力学状态确定网络连通模型，表述任意时刻车辆之间的连通状态；然后定义了AC0、AC1队列的传输队列模型，用于表示每一辆车的传输队列的动态行为；之后定义了802.11p MAC服务过程模型，利用服务过程模型以及网络连通模型求解传输队列模型中的服务时间变异系数，最后利用传输队列模型求解交通干扰下，基于802.11p的车队通信的两个实时性能参数。
-
公开(公告)号：CN113283177B
公开(公告)日：2022-05-24
申请号：CN202110668580.1
申请日：2021-06-16
Applicant: 江南大学
IPC: G06F30/27 , G06F16/9535 , G06F21/62 , G06N3/04
Abstract: 本发明公开了一种基于异步联邦学习的移动感知缓存方法，该方法包括步骤：A、选择自动编码器作为异步联邦学习的模型框架，并创建全局模型；B、根据车辆在当前RSU覆盖范围内的停留时间选择与当前RSU进行异步联邦学习的车辆；C、被选中的车辆从当前RSU中下载全局模型参数；D、根据全局模型参数和最小化正则化损失函数对车辆本地模型进行训练；E、RSU接收训练后的车辆本地模型，并通过权重平均更新全局模型；F、根据更新后的全局模型对内容流行度进行预测，并根据预测结果制定RSU缓存策略。本发明基于异步联邦学习的移动感知缓存方法能够获得较高的缓存命中率、可提升缓存性能、有效保护客户隐私、降低通信成本。
-
公开(公告)号：CN110933646B
公开(公告)日：2021-09-28
申请号：CN201911123138.X
申请日：2019-11-16
Applicant: 江南大学
Abstract: 本发明提供车载通讯中针对连续退避冻结的时延性能分析方法，其数据包时延计算方法中考虑了连续退避冻结情况，依据本发明的技术方案，可以计算出更准确、与实际更接近的数据传输时延。本发明的技术放啊中，先将马尔可夫退避过程转化为Z域中的线性系统，对紧急信息与常规信息进行优先级分类，对两中队列利用退避时间的概率母函数、传输时间的概率母函数进行MAC层服务过程建模，然后采用梅森公式建立连续退避冻结Z域模型，计算退避计数器减一所需平均时间，最后基于迭代方法计算出性能参数：数据包的时延。
-
公开(公告)号：CN110166123B
公开(公告)日：2021-08-24
申请号：CN201910438112.8
申请日：2019-05-24
Applicant: 江南大学
IPC: H04B10/116 , H04B10/516
Abstract: 本发明提供一种兼容调光控制的混合可见光调制方法，其支持高速可见光通信，同时能够满足用户对于照明光源亮度调节的需求。其包括以下步骤：S1：对OFDM信号数据进行调制变成频带信号，把所述频带信号构造为满足对称矩阵，然后进行IFFT变换获得对应的时域信号，对得到变换后的矩阵添加循环前缀CP，得到最终的OFDM信号矩阵；S2：获取发光装置的亮度控制序列；S3：对所述OFDM信号矩阵进行预处理；S4：叠加所述亮度控制序列和所述预处理后的OFDM信号矩阵，得到发光装置的驱动信号；S5：所述驱动信号驱动被发送到发光装置；S6：发光装置接收到所述驱动信号驱动后，进行解调操作，完成通信数据发送和发光装置本身的亮度调节两个功能。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.027 seconds)
