公开(公告)号：CN116600363A

公开(公告)日：2023-08-15

申请号：CN202310599387.6

申请日：2023-05-25

Applicant: 河南科技大学

Inventor： 郑国强 ,  王锋 ,  穆昱 ,  马华红 ,  孙晓璐 ,  王俊英 ,  韩哲 ,  薛玉君

IPC: H04W40/20 ,  H04W40/32 ,  H04W40/02 ,  H04W40/22 ,  G06N3/006 ,  H04W4/40 ,  H04W40/24 ,  H04L45/00 ,  H04L45/02

Abstract: 本发明提供一种基于改进萤火虫群算法的车联网地理位置路由方法（HIGR），一方面，该方法利用动态分簇算法形成簇成员节点‑簇头节点‑RSU三层控制模型，用簇成员信息表代替邻居节点表，减小节点广播的控制开销；另一方面，在簇头节点选择阶段，RSU根据节点相对速度、边界稳定因子和节点目的因子建立评估函数，选择评估函数值最大的节点作为簇头节点以减小簇维护开销；同时节点在路由阶段运行改进的萤火虫群算法，减小网络延时。本发明HIGR在包的投递率、端到端延时、吞吐量和网络开销上都具有较好的性能，能够平衡信标消息更新频率、控制开销，提高网络的性能。

公开(公告)号：CN117979434A

公开(公告)日：2024-05-03

申请号：CN202410119559.X

申请日：2024-01-29

Applicant: 河南科技大学

Inventor： 郑国强 ,  孙晓璐 ,  韩哲 ,  穆昱 ,  王俊英 ,  马华红

IPC: H04W72/0453 ,  H04W72/044 ,  H04W72/54 ,  H04W24/02

Abstract: 本发明公开了一种具有能量捕获的认知车联网资源分配方法，该方法首先通过联合通信可靠性、能量捕获限制，同时考虑到次用户感知错误概率，建立优化SU系统能效的资源分配模型；其次在该模型下将资源分配问题分为信道分配和功率分配两部分，信道分配部分将SU建立的信道损失函数作为分配依据基于Q‑Learning算法得到最优信道分配结果；功率分配部分根据得到的信道分配结果结合Q‑Learning算法继续对该问题进行求解，最后根据求解得到的信道分配和功率分配最佳策略进行资源分配。本发明对信道资源和发射功率进行合理分配，最大化SU系统能效的同时保证PU传输质量要求，解决了“失电”车辆如何保持优质通信的问题。

公开(公告)号：CN117676764A

公开(公告)日：2024-03-08

申请号：CN202410061993.7

申请日：2024-01-16

Applicant: 河南科技大学

Inventor： 郑国强 ,  王俊英 ,  韩哲 ,  穆昱 ,  孙晓璐 ,  马华红

IPC: H04W40/22 ,  H04L45/02 ,  H04L45/122 ,  H04L45/24 ,  H04W4/44

Abstract: 本发明提出了一种基于深度强化学习的车联网混合路由方法，该方法主要由两阶段组成：路段上的中继转发策略和交叉路口处的路段转发策略；中继转发策略，利用相邻节点信息执行基于Q学习的算法，选择最佳的下一跳中继节点，直至到达下一路口或目的节点；路段转发策略，利用相邻路段信息执行基于DDQN的算法，选择出最佳的转发路段；先将数据包转发到通信条件最好的路段上，然后在路段上选择最合适的中继节点，提高了传输的可靠性。

公开(公告)号：CN118590962A

公开(公告)日：2024-09-03

申请号：CN202410632720.3

申请日：2024-05-21

Applicant: 河南科技大学

Inventor： 李佩佩 ,  王俊英 ,  郑国强 ,  韩哲 ,  夏平杰 ,  李振华 ,  穆昱 ,  马华红

IPC: H04W40/24 ,  G06N3/006 ,  H04W4/40 ,  H04W40/22 ,  H04W24/06

Abstract: 本发明提供一种基于深度强化学习的车联网多路径路由方法，首先在路段间应用人工蜂群算法在动态且不稳定的车联网拓扑中发现多条路径，并优先选择通信质量较好的路径。这种多维度的路径选择方法综合考虑了距离、拥塞水平和信号质量等因素，使得路径选择更加全面和优化。其次，协议在路段内部利用PPO算法对基于地理位置的路由协议进行改进，能够实时学习当前网络状况并做出智能决策，这增强了协议对高动态车联网环境的适应性。能够提升VANETs的整体性能和可靠性，确保数据传输的高效和稳定，并自适应地应对网络拓扑的快速变化和各种环境变化。

公开(公告)号：CN117527106A

公开(公告)日：2024-02-06

申请号：CN202311625183.1

申请日：2023-11-30

Applicant: 河南科技大学

Inventor： 郑国强 ,  白薇薇 ,  韩哲 ,  孙晓璐 ,  王俊英 ,  马华红 ,  穆昱

IPC: H04B17/382 ,  G06N3/0464 ,  G06N3/0442

Abstract: 一种并行使用CNN和LSTM的频谱感知方法，M个次用户分别接收感知数据转发给数据融合中心，数据融合中心将得到的感知数据分为训练集、验证集、测试集；所有的感知数据分别进行CNN数据预处理和LSTM数据预处理；完成CNN模型和LSTM模型训练；将经过CNN数据预处理的感知数据的测试集输入至训练完成的CNN模型，得到CNN模型预测结果，将经过LSTM数据预处理的感知数据的测试集输入至训练完成的LSTM模型，得到LSTM模型预测结果；采用加权和对CNN模型预测结果和LSTM模型预测结果进行组合，选择Softmax函数作为激活函数进行分类特征的提取得到最终的感知结果。本发明在低信噪比情况下可以实现更高的频谱感知性能。