-
公开(公告)号：CN111787623B
公开(公告)日：2022-04-26
申请号：CN202010597266.4
申请日：2020-06-28
Applicant: 重庆邮电大学
IPC: H04W72/04
Abstract: 本发明涉及一种复用上下行信道的D2D通信资源分配的方法，属于通信技术领域。本发明包括以下步骤：S1：建立以最大化蜂窝用户以及D2D用户为目标函数的系统模型；S2：将目标问题解耦成3个子问题：功率控制、上下行信道匹配、模式选择；S3：利用几何规划的方法求解功率分配子问题；S4：利用匈牙利算法来求解上下行信道分配子问题；S5：确定移入免授权的D2D用户数目以及在免授权频段占据的时间比例。本发明能够有效利用频谱资源，将D2D通信引入到免授权频谱中，有利于缓解授权频谱资源不足和流量激增问题。
-
公开(公告)号：CN111787624B
公开(公告)日：2022-04-26
申请号：CN202010598328.3
申请日：2020-06-28
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于深度学习的可变维度资源分配算法，属于D2D链路通信领域。本发明包括以下步骤：S1：收集数据，构建多个基于蜂窝网的D2D链路数不同的通信模型，使用传统算法对D2D链路进行功率分配，并导出信道状态矩阵和功率分配矩阵数据以作预训练集；S2：对收集到的多个D2D链路通信下的进行功率分配的数据进行维度预处理，通过低维数据补零的方式提升低维数据的维度，最终所有数据的维度都与最大维度相同；S3：使用混合了多对D2D链路通信场景下的功率分配数据训练一个输入较高维数/纬度的神经网络；S4：使用训练好的神经网络模型对最高维度以下所有维度的数据进行功率分配，即一个DNN模型可以对多个D2D链路数不同的场景下进行功率分配(需要对输入数据通过补零的形式提升其维度与DNN模型输入数据维度一致)。本发明能够使用一个神经网络模型对多个不同D2D链路数场景进行功率分配。
-
公开(公告)号：CN113015186A
公开(公告)日：2021-06-22
申请号：CN202110072842.8
申请日：2021-01-20
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于强化学习的干扰控制方法，属于无线通信领域。括以下步骤：S1：将每个蜂窝网小区分为两簇，以小基站为中心的一簇为强干扰区，其余为弱干扰区；S2：小基站作为智能体学习环境中的可能出现的各种情况并将学习结果记录下来；S3：智能体获取自身eUES的上下行数据需求，通过用户间无线技术获取智能体基站影响区域内的eUES及其eBS上下行数据需求，同时获取WAP节点传输需求等信息；S4：智能体基站根据当前信息在学习结果中找到最优方案；S5：智能体根据选择的结果执行帧和功率配置过程。本发明通过配置基站的上下行传输时间及发射功率，能够有效降低基站对WiFi和相邻基站的干扰，减少冲突，同时又能保证信道内用户的公平性，最终提高信道的吞吐量。
-
公开(公告)号：CN111970703A
公开(公告)日：2020-11-20
申请号：CN202010587670.3
申请日：2020-06-24
Applicant: 重庆邮电大学
IPC: H04W16/10
Abstract: 本发明属于窄带物联网(Narrowband Internet of Things,NB-IoT)领域，涉及NB-IoT中的一种上行通信资源优化的方法。该方法在有限的上行通信资源中，根据系统中的实时负载情况，对窄带物理接入信道(Narrowband physical random access channel,NPRACH)和窄带物理上行共享信道(Narrowband physical uplink shared channel,NPUSCH)进行资源优化。具体步骤如下：S1：设置流量到达模型，设备最大重复次数；S2：第i个传输时间间隔(Transmission time interval,TTI)，根据最大容量准则控制接入的设备数；S3：根据接入设备数量得到成功传输的设备和丢包设备数；S4：预估t+1时隙的活跃设备数；S5：i←i+1，跳转至S2。本发明能够有效降低前导码的碰撞概率，同时能够获得良好的吞吐量性能，减少上行通信资源浪费。
-
公开(公告)号：CN111787564A
公开(公告)日：2020-10-16
申请号：CN202010584113.6
申请日：2020-06-24
Applicant: 重庆邮电大学
Abstract: 本发明涉及扩展不连续接受机制(eDRX)的一种能耗评估及优化方法。属于窄带物联网领域。本发明包括以下步骤：S1：终端采用扩展不连续接受机制(eDRX)时，建立以终端工作状态为状态变量的马尔科夫模型；S2：终端有数据要传输时尝试随机接入网络；S3：当终端随机接入失败时，终端要执行退避过程，退避值由重新接入的次数与初始退避值决定；S4：当退避值为以上所说的线性增加时，采用上述能量评估模型进行验证。本发明能够有效全面的评估终端能量消耗情况，有效减少终端的能量消耗，提高电池能量利用率，最终提高终端寿命。
-
Patent Agency Ranking
公开(公告)号：CN111246502A
公开(公告)日：2020-06-05
申请号：CN202010021376.6
申请日：2020-01-09
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于Q学习的能量阈值动态优化方法，属于通信技术领域。采用基于Q学习的方法，智能体经过反复的训练，然后根据收敛的Q表选取最优的动作达到目标状态。当前算法能够根据外部环境实时的动态调整LAA能量检测阈值，采用基于Q学习的算法能够保证共存系统处于高吞吐量高公平性的状态。
-
公开(公告)号：CN111800876B
公开(公告)日：2022-05-17
申请号：CN202010584205.4
申请日：2020-06-24
Applicant: 重庆邮电大学
IPC: H04W72/04
Abstract: 本发明涉及一种工作在eLAA中的基于强化学习的帧配置方法，属于无线通信领域。括以下步骤：S1：基站作为智能体学习环境中的可能出现的各种情况；S2：智能体获取自身eUES的上下行数据需求，在能量检测区域内的eUES及其eBS上下行数据需求,同时探测AP节点平均传输时间等信息；S3：根据当前信息在学习结果中找到最优方案的，智能体根据方案配置自身帧结构；S4：智能体根据选择的结果完成帧配置过程。本发明通过配置各用户的传输时间，能够有效提高WiFi在免授权频段接入信道成功的概率，减少冲突，同时又能保证信道内用户的公平性，最终提高信道的吞吐量。
-
公开(公告)号：CN112867117B
公开(公告)日：2022-04-12
申请号：CN202110074159.8
申请日：2021-01-20
Applicant: 重庆邮电大学
Abstract: 本发明涉及NB‑IoT中一种基于Q学习的节能方法，属于通信技术领域。在该方法中，基站可以根据网络负载、重复次数、传输数据资源等参数，动态的控制每个传输时间间隔中发起随机接入的设备数量，减少随机接入过程中发生碰撞的设备数量，从而减少随机接入总能耗，达到节能的目的。在该方法中，基站充当智能体，智能体动作定义为允许发起随机接入的设备数量与总活跃设备数的比例，智能体状态主要包括一系列已观察到信息的集合，如通信成功设备数量和能耗等。本发明能够在保证设备吞吐量的同时，减少系统能耗，延长设备寿命。
-
公开(公告)号：CN112867117A
公开(公告)日：2021-05-28
申请号：CN202110074159.8
申请日：2021-01-20
Applicant: 重庆邮电大学
Abstract: 本发明涉及NB‑IoT中一种基于Q学习的节能方法，属于通信技术领域。在该方法中，基站可以根据网络负载、重复次数、传输数据资源等参数，动态的控制每个传输时间间隔中发起随机接入的设备数量，减少随机接入过程中发生碰撞的设备数量，从而减少随机接入总能耗，达到节能的目的。在该方法中，基站充当智能体，智能体动作定义为允许发起随机接入的设备数量与总活跃设备数的比例，智能体状态主要包括一系列已观察到信息的集合，如通信成功设备数量和能耗等。本发明能够在保证设备吞吐量的同时，减少系统能耗，延长设备寿命。
-
公开(公告)号：CN111787624A
公开(公告)日：2020-10-16
申请号：CN202010598328.3
申请日：2020-06-28
Applicant: 重庆邮电大学
Abstract: 本发明涉及D2D辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法，属于D2D链路通信领域。本发明包括以下步骤：S1：收集数据，构建多个基于蜂窝网的D2D链路数不同的通信模型，使用传统算法对D2D链路进行功率分配，并导出信道状态矩阵和功率分配矩阵数据以作预训练集；S2：对收集到的多个D2D链路通信下的进行功率分配的数据进行维度预处理，通过低维数据补零的方式提升低维数据的维度，最终所有数据的维度都与最大维度相同；S3：使用混合了多对D2D链路通信场景下的功率分配数据训练一个高纬度的神经网络；S4：使用训练好的神经网络模型对最高维度以下所有维度的数据进行功率分配，即一个DNN模型可以对多个D2D链路数不同的场景下进行功率分配(需要对输入数据通过补零的形式提升其维度与DNN模型输入数据维度一致)。本发明能够使用一个神经网络模型对多个不同D2D链路数场景进行功率分配。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.02 seconds)
