-
公开(公告)号：CN108966310A
公开(公告)日：2018-12-07
申请号：CN201810649463.9
申请日：2018-06-22
Applicant: 南京邮电大学
IPC: H04W40/32
CPC classification number: H04W40/32
Abstract: 本发明公开了一种基于空间压缩的簇头优化选举算法，将N个感知节点随机散布在一个正方形的区域内，sink节点位于整个网络的正中心，传感器网络进入循环运行，每次循环首先进行簇的建立，利用簇头选举算法搜索簇头节点的最佳位置，感知节点选择距离最近的簇头节点自行成簇；然后进行数据传输，将感知节点数据传输至簇头节点，基于空间压缩原理压缩数据得到空间压缩数据，并将空间压缩数据传输至sink节点；最后进行数据重构，sink节点对数据进行实时重建。本发明实现网络中的簇头分布相对均匀以及进一步延长网络生命周期，解决簇头节点随机选举影响网络可靠性的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN108521635A
公开(公告)日：2018-09-11
申请号：CN201810270340.4
申请日：2018-03-29
Applicant: 南京邮电大学
IPC: H04W4/38 , H04W40/08 , H04W40/20 , H04L12/733 , H04L12/715
Abstract: 本发明公开了一种基于空时压缩的传感网络分簇优化方法，该方法采用让感知节点轮流成为簇头的方式均衡网络中各感知节点的能耗；根据传感器网络中的感知节点数量进行分簇，有效的控制了簇的分布与规模；基于能量与距离模型优化算法动态的优化各簇内的簇头数量，减小了各簇内的能量消耗，提高了网络的自组织性与自适应性；运用压缩感知理论充分挖掘感知数据的空时相关性，并在簇头和感知节点处实现了空时压缩，进一步减少了网络中的数据传输量；在相同网络环境下，对比其他方案方法，其具有更低的能量消耗并且有效的延长了网络的生命周期。
-
公开(公告)号：CN108934029B
公开(公告)日：2021-09-24
申请号：CN201810736403.0
申请日：2018-07-06
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向感知大数据重建的加速分布式优化算法，首先构建感知大数据的重构误差最小化模型；基于拉格朗日乘子构造原始优化问题和相应的对偶问题；利用双重分解法将原始优化问题进行分解；采用加速次梯度方法解决对偶问题，构建加速优化算法进行求解；实现压缩数据的重构误差最小化以及求解唯一最优值的收敛速度提高，解决现有技术无法同时满足高精度数据质量和低时延要求的技术问题；证明了所提出的加速分布式优化算法的可收敛性，并且该算法有着对网络规模的免疫性。
-
公开(公告)号：CN108934029A
公开(公告)日：2018-12-04
申请号：CN201810736403.0
申请日：2018-07-06
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向感知大数据重建的加速分布式优化算法，首先构建感知大数据的重构误差最小化模型；基于拉格朗日乘子构造原始优化问题和相应的对偶问题；利用双重分解法将原始优化问题进行分解；采用加速次梯度方法解决对偶问题，构建加速优化算法进行求解；实现压缩数据的重构误差最小化以及求解唯一最优值的收敛速度提高，解决现有技术无法同时满足高精度数据质量和低时延要求的技术问题；证明了所提出的加速分布式优化算法的可收敛性，并且该算法有着对网络规模的免疫性。
-
公开(公告)号：CN110135488B
公开(公告)日：2022-08-26
申请号：CN201910388345.1
申请日：2019-05-10
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种融合字典训练与观测矩阵优化的数据高质压缩方法，通过对稀疏字典与观测矩阵联合优化，实现字典与观测矩阵之间相关性的深入挖掘，主要解决了实际传感器数据采集的问题：首先，本发明构建了一种基于K‑SVD思想的二维字典训练方法，实现IIoT中空时数据的稀疏表示；其次，通过在空间和时间域优化相应的观测矩阵来最小化感知矩阵的列相干性，从而匹配训练后的稀疏字典。最后，提出了一种联合优化方法，在字典训练以及观测矩阵优化之间进行了权衡考量，使得重构误差达到理论上的最小值。与现有的数据压缩方案相比，本发明提出的HQDC方法可以在真实的IIoT场景中高效地工作；同时，HQDC方法在重建精度上也显著优于其他的数据压缩方案。
-
公开(公告)号：CN110135488A
公开(公告)日：2019-08-16
申请号：CN201910388345.1
申请日：2019-05-10
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种融合字典训练与观测矩阵优化的数据高质压缩方法，通过对稀疏字典与观测矩阵联合优化，实现字典与观测矩阵之间相关性的深入挖掘，主要解决了实际传感器数据采集的问题：首先，本发明构建了一种基于K-SVD思想的二维字典训练方法，实现IIoT中空时数据的稀疏表示；其次，通过在空间和时间域优化相应的观测矩阵来最小化感知矩阵的列相干性，从而匹配训练后的稀疏字典。最后，提出了一种联合优化方法，在字典训练以及观测矩阵优化之间进行了权衡考量，使得重构误差达到理论上的最小值。与现有的数据压缩方案相比，本发明提出的HQDC方法可以在真实的IIoT场景中高效地工作；同时，HQDC方法在重建精度上也显著优于其他的数据压缩方案。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
