-
公开(公告)号：CN112118556B
公开(公告)日：2022-11-18
申请号：CN202011079226.7
申请日：2020-10-10
Applicant: 湖北工业大学
Abstract: 本发明提供一种基于深度强化学习的无人机轨迹及功率联合优化方法，其特征在于：建立无人机系统模型，对无人机轨迹控制和功率分配问题进行描述；建立马尔可夫模型，包括通过设置状态、动作空间和奖励函数，确定马尔可夫决策过程；采用深度确定性策略梯度方法，实现轨迹控制和功率分配的联合优化。应用本发明无人机可以准确移动到目标用户设备附近以提供无线服务，这可以减轻对未服务的用户设备的同信道干扰，同时控制无人机的发射功率，以实现频谱效率与避免干扰之间的平衡。
-
公开(公告)号：CN109862585B
公开(公告)日：2022-04-19
申请号：CN201910097964.5
申请日：2019-01-31
Applicant: 湖北工业大学
IPC: H04W24/06 , H04L41/147 , H04L41/14 , H04L41/142 , G06N3/04
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于深度时空神经网络的动态异构网络流量预测方法。针对现有移动数据流量预测方法覆盖区域小、预测精度低、预测时间短等问题，研究基于深度时空神经网络的动态异构网络流量预测方法。考虑用户移动性和流量数据时空相关性等特点，深入研究动态异构网络中广覆盖的长期移动数据流量预测数学模型描述方法；在此基础上，研究时空相关的卷积长短时记忆网络模型，以预测动态异构网络中移动流量的长期趋势；研究时空相关的三维卷积神经网络模型，以捕获动态异构网络中移动流量序列的微小波动；融合上述移动流量的长期趋势预测模型和短期变化模型，从而实现动态异构网络中广覆盖、高精度的长期移动流量预测。
-
公开(公告)号：CN109889388B
公开(公告)日：2022-04-01
申请号：CN201910183951.X
申请日：2019-03-12
Applicant: 湖北工业大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于声誉理论的移动众包网络动态契约激励机制设计方法。所述方法包括如下步骤：步骤1，建立服务提供商(Service Provider,SP)模型和移动用户(Mobile Users,MU)模型；步骤2，建立两阶段动态契约模型，以规避签约后由于信息不对称性导致的道德风险问题；步骤3，建立融合声誉理论的两阶段动态契约模型，通过契约显性激励和声誉隐性激励的双重激励，从而保证MU长期高效地参与移动众包。本发明提出的多用户参与众包网络激励方法易于实现，源节点和中继节点之间的信息交互较少，因而该方法所需的信令开销较少。
-
公开(公告)号：CN110691422A
公开(公告)日：2020-01-14
申请号：CN201910946631.5
申请日：2019-10-06
Applicant: 湖北工业大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于深度强化学习的多信道智能接入方法，旨在将深度强化学习策略引入到多信道接入，以期实现多信道的智能接入。针对现有多信道接入策略较难适应信道环境动态性问题，本发明提出基于深度强化学习的多信道智能接入方法。首先，将多信道智能接入问题建模为离散状态与动作空间的马尔可夫决策过程，提出Q-learning方法以实现多信道的智能接入。在此基础上，针对Q-learning状态空间大和收敛慢等特点，通过设计深度神经网络，利用梯度下降法来训练深度神经网络的权值，修正损失函数解决状态-动作函数过高估计问题，以获得近似最优的多信道智能接入策略。
-
公开(公告)号：CN111918321B
公开(公告)日：2022-08-05
申请号：CN202010708100.5
申请日：2020-07-22
Applicant: 湖北工业大学
IPC: H04W24/06 , H04L41/147 , H04L41/14 , H04L41/142 , G06N3/08 , G06N3/04
Abstract: 本发明属于移动流量预测技术领域，公开了一种基于时空注意卷积网络的移动流量预测方法，时空注意卷积网络通过三个时间部件分别对小时周期、日周期、周周期的移动流量网络进行建模，并得到对应的三个移动流量预测信息；将三个移动流量预测信息与外部干扰信息进行融合，得到最终的移动流量预测结果。本发明有效解决了移动流量的预测问题。
-
Patent Agency Ranking
公开(公告)号：CN112118556A
公开(公告)日：2020-12-22
申请号：CN202011079226.7
申请日：2020-10-10
Applicant: 湖北工业大学
Abstract: 本发明提供一种基于深度强化学习的无人机轨迹及功率联合优化方法，其特征在于：建立无人机系统模型，对无人机轨迹控制和功率分配问题进行描述；建立马尔可夫模型，包括通过设置状态、动作空间和奖励函数，确定马尔可夫决策过程；采用深度确定性策略梯度方法，实现轨迹控制和功率分配的联合优化。应用本发明无人机可以准确移动到目标用户设备附近以提供无线服务，这可以减轻对未服务的用户设备的同信道干扰，同时控制无人机的发射功率，以实现频谱效率与避免干扰之间的平衡。
-
公开(公告)号：CN110972160A
公开(公告)日：2020-04-07
申请号：CN201910998025.8
申请日：2019-10-21
Applicant: 湖北工业大学
Abstract: 本发明属于无人机流量卸载技术领域，具体涉及一种异构蜂窝网络中无人机流量卸载契约机制设计方法。将基于市场驱动的契约模型应用到无人机流量卸载任务中，建立非对称信息下的基站模型和无人机模型；考虑到无人机的自私性，无人机可能不愿意在没有额外奖励的情况下参与多个流量卸载任务，通过提出多维契约激励方法，来激励无人机参与多个流量卸载任务；针对流量卸载任务之间相互不影响，在契约设计过程中分析任务独立性问题，建立随机参数独立模型，任务独立模型；通过评估无人机的表现，基站将奖励并激励他们参与流量卸载任务并更加努力工作，从而达到无人机和基站效用最大化的目的。
-
公开(公告)号：CN110798842A
公开(公告)日：2020-02-14
申请号：CN201911005686.2
申请日：2019-10-22
Applicant: 湖北工业大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于多用户深度强化学习的异构蜂窝网络流量卸载方法。在考虑到多个小基站联合流量卸载优化问题的非凸性和组合特性的前提下，在建立异构蜂窝网络系统模型基础上，通过提出基于多智能体深度强化学习的网络流量卸载方法，采用分布执行与集中训练相结合的深度强化学习框架，通过小型基站相互之间消息传递以获得全局状态空间，结合宏蜂窝满意度和运营商追求利益的条件，以获得小型基站最优的服务热点区域和部署位置。
-
公开(公告)号：CN109982328A
公开(公告)日：2019-07-05
申请号：CN201910097980.4
申请日：2019-01-31
Applicant: 湖北工业大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于深度神经网络的协作频谱共享智能契约设计方法。针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题，在研究小型基站多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上，通过探索多阶段私有信息甄别机制，以规避动态逆向选择问题；通过设计多阶段私有行为激励策略，以规避动态道德风险行为；针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题，利用小型基站的私有信息和声誉信息，通过建立多层神经网络结构框架，探索基于深度学习的多阶段智能契约模型，研究双重信息非对称场景下多阶段动态契约优化设计策略，从而保证多阶段协作频谱共享实现。
-
公开(公告)号：CN109889388A
公开(公告)日：2019-06-14
申请号：CN201910183951.X
申请日：2019-03-12
Applicant: 湖北工业大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于声誉理论的移动众包网络动态契约激励机制设计方法。所述方法包括如下步骤：步骤1，建立服务提供商(Service Provider,SP)模型和移动用户(Mobile Users,MU)模型；步骤2，建立两阶段动态契约模型，以规避签约后由于信息不对称性导致的道德风险问题；步骤3，建立融合声誉理论的两阶段动态契约模型，通过契约显性激励和声誉隐性激励的双重激励，从而保证MU长期高效地参与移动众包。本发明提出的多用户参与众包网络激励方法易于实现，源节点和中继节点之间的信息交互较少，因而该方法所需的信令开销较少。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.031 seconds)
