-
公开(公告)号：CN104602325B
公开(公告)日：2018-10-12
申请号：CN201510027799.8
申请日：2015-01-20
Applicant: 重庆邮电大学
IPC: H04W48/18
Abstract: 本发明是一种基于层次分析法的异构无线网络选择方法，该方法根据不同的业务对网络性能的要求，选择合适的网络。同时，考虑用户对网络的要求，根据用户对网络成本和效益喜好的不同，做出不同的网络判决结果，使用户获得最高的满意度。首先分析候选网络的可用属性，构造出一个层次分析的结构模型，然后根据不同的业务对网络性能的要求，构造表述属性相对重要程度的判决矩阵，从上述判决矩阵中根据成本性和效益型属性参数选取两个子判决矩阵，分别使用层次分析法得到网络优劣排序结果；最后根据用户对网络成本、效益的倾向程度，做出最终的网络判决结果，选择最合适的网络作为切换目标网络。
-
公开(公告)号：CN103347250B
公开(公告)日：2016-03-23
申请号：CN201310302843.2
申请日：2013-07-18
Applicant: 重庆邮电大学
Abstract: 一种动态调整多媒体广播单频网区域的方法，涉及通信技术领域，它根据有无MBMS用户分布，将小区分成有MBMS用户的单频网中心小区α、有MBMS用户的单频网边缘区域β和没有MBMS用户的单频网边缘小区γ；依次比较有MBMS用户的单频网边缘区域小区中MBMS用户数，大于门限值则开启此小区的单频网传输模式，否则将该目标小区列为没有MBMS用户的小区集，其中的MBMS用户该小区可选择性的用PTP或者用MBSFN承载来提供MBMS业务；依次检验边缘没有MBMS用户小区对整个单频网的贡献度。通过用户分布及贡献度，使得能够更加合理的动态调整MBSFN区域，避免不必要地保留小区资源的同时也提高了无线频谱利用率。
-
公开(公告)号：CN120050715A
公开(公告)日：2025-05-27
申请号：CN202510231455.2
申请日：2025-02-28
Applicant: 重庆邮电大学
IPC: H04W28/08 , H04W28/14 , H04W28/084 , G06N3/092 , G06F18/20
Abstract: 本发明属于边缘服务缓存技术领域，具体涉及一种基站聚类和服务缓存联合分配方法；该方法包括：构建密集型移动边缘网络，该网络包括多个基站和多个用户，其中基站遵循泊松分布；基于密集型移动边缘网络，构建最小化用户总时延优化问题；构建基于软演员‑评论家的深度强化学习框架；根据基于软演员‑评论家的深度强化学习框架对最小化用户总时延优化问题进行求解，得到最优基站聚类和服务缓存方案并执行；本发明可在复杂的网络环境中实现对状态变化的高效响应，具有良好得应用前景。
-
公开(公告)号：CN118445471A
公开(公告)日：2024-08-06
申请号：CN202310384189.8
申请日：2023-04-11
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9537 , G06N3/045 , G06N3/09
Abstract: 本发明属于深度学习与推荐领域，特别涉及一种融合时间间隔和多兴趣特征提取的序列推荐方法，包括：获取用户在不同时刻与项目的历史交互数据并按照时间先后进行排序，将最后l个用户与项目的历史交互数据组成原始项目交互样本；根据原始项目交互样本中用户与项目交互的时间计算用户的关系矩阵；构建项目推荐模型，并将原始项目交互样本嵌入向量表示生成原始项目交互序列向量，根据预设的候选项目将原始项目交互序列向量和用户的关系矩阵输入训练好的项目推荐模型预测用户感兴趣的项目对用户进行推荐，本发明有效地利用用户交互行为中项目之间的时间间隔和用户的真实兴趣对项目之间的关系进行建模，从而提升了模型的有效性和准确性。
-
公开(公告)号：CN117876069A
公开(公告)日：2024-04-12
申请号：CN202410048329.9
申请日：2024-01-12
Applicant: 重庆邮电大学
IPC: G06Q30/0601 , G06F16/9535 , G06F18/214 , G06N3/096 , G06N3/0895 , G06N3/084 , G06N3/045
Abstract: 本发明属于推荐系统领域，具体涉及一种基于迁移学习和解耦负采样的推荐方法及系统；本发明根据因果推断中的对撞效应构造负采样模块得到训练数据；构建两个独立的编码器，将训练数据输入编码器中进行训练得到用户以及正负样本的真实特征和干扰特征；对真实特征和干扰特征设计解耦表征学习任务和全局对比学习任务；借鉴迁移学习中的领域对齐方法来对真实特征设计迁移学习模块；设计样本选择器模块，将真实特征以及干扰特征输入到该模块得到优化集。最后，根据优化集设计推荐损失函数去优化现有推荐模型的预测参数；被发明有效提高了现有推荐模型的鲁棒性和准确率。
-
Patent Agency Ranking
公开(公告)号：CN116089588A
公开(公告)日：2023-05-09
申请号：CN202310154123.X
申请日：2023-02-23
Applicant: 重庆邮电大学
IPC: G06F16/332 , G06F16/35 , G06F16/33 , G06N3/0442 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种融合情感原因和情感意图的共情对话生成方法，包括获取目标共情对话文本，目标共情对话文本包括speaker和Listener的文本；将目标共情对话文本按句子进行划分，在第一个句子的首位添加CLS特殊标记，在每个句子之后加入SEP标记，生成第一目标对话文本序列，并利用Word2Vec工具将第一目标对话文本序列嵌入向量表示生成第一目标对话向量；将Listener的回复文本按句子进行划分，并利用Word2Vec工具将每个句子中的词嵌入向量表示生成第二目标对话向量；将第一目标对话向量和第二目标对话向量输入训练好的共情对话生成模型生成目标共情回复。
-
公开(公告)号：CN116049578A
公开(公告)日：2023-05-02
申请号：CN202310132261.8
申请日：2023-02-17
Applicant: 重庆邮电大学
IPC: G06F16/9537 , G06F16/29 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明涉及图神经网络、深度学习与推荐系统领域，特别涉及一种基于时序门控图神经网络的兴趣点推荐方法；该方法构建并训练用户长期偏好模型，采用训练好的用户长期偏好模型为用户推荐兴趣点；所述用户长期偏好模型包括签到序列图构造模块、时序门控图神经网络模块(TGGNN模块)、注意力机制模块和概率预测模块；本发明通过构建兴趣点(POI)签到序列图来表示用户的签到活动，实现有效特征的传播，设计时序门控图神经网络融合时间上下文信息来动态更新节点向量，充分考虑了签到序列图中节点之间的时间关系，同时也能得到不同签到点之间的复杂转换。
-
公开(公告)号：CN110891019A
公开(公告)日：2020-03-17
申请号：CN201911260151.X
申请日：2019-12-10
Applicant: 重庆邮电大学
IPC: H04L12/707 , H04L12/721 , H04L12/733 , H04L12/743 , H04L12/801 , H04L12/803 , H04L12/851
Abstract: 本发明涉及网络技术领域，特别涉及一种基于负载均衡的数据中心网络流量调度方法，包括数据流到达交换机时，判断该流的源主机和目的主机是否与同一边缘交换机连接，如果是，直接转发；判断数据流传输速率是否超过阈值，如果数据流传输速率低于阈值则采用等价多路径路由算法，为流计算转发路径；如果高于阈值，则将该消息发送给控制器，控制器利用提出的基于模拟退火的粒子群优化算法为流计算最优转发路径，下发流表完成数据流调度；本发明针对当前网络链路负载不均衡和网络流完成时间较长等问题，结合SDN网络和启发式算法的优势，达到数据中心网络流量传输负载均衡的效果，提高网络传输性能。
-
公开(公告)号：CN104602325A
公开(公告)日：2015-05-06
申请号：CN201510027799.8
申请日：2015-01-20
Applicant: 重庆邮电大学
IPC: H04W48/18
CPC classification number: H04W36/14
Abstract: 本发明是一种基于层次分析法的异构无线网络选择方法，该方法根据不同的业务对网络性能的要求，选择合适的网络。同时，考虑用户对网络的要求，根据用户对网络成本和效益喜好的不同，做出不同的网络判决结果，使用户获得最高的满意度。首先分析候选网络的可用属性，构造出一个层次分析的结构模型，然后根据不同的业务对网络性能的要求，构造表述属性相对重要程度的判决矩阵，从上述判决矩阵中根据成本性和效益型属性参数选取两个子判决矩阵，分别使用层次分析法得到网络优劣排序结果；最后根据用户对网络成本、效益的倾向程度，做出最终的网络判决结果，选择最合适的网络作为切换目标网络。
-
公开(公告)号：CN118301665A
公开(公告)日：2024-07-05
申请号：CN202410401933.5
申请日：2024-04-03
Applicant: 重庆邮电大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种考虑能量收集和任务队列稳定性的移动边缘计算任务卸载方法。所述方法包括搭建配有多天线能量发射装置的移动边缘计算系统模型；建立非线性能量收集模型、用户设备和边缘服务器任务队列模型、用户设备的能耗模型；根据前面所述模型，以用户设备侧的长期平均能耗最小化为目标，建立具有约束条件的任务卸载和资源分配联合优化模型；基于李雅普诺夫优化理论对设备侧的长期平均能耗最小化问题进行解耦，并结合块坐标下降法优化每个时隙下的用户CPU周期频率、能量传输时间、任务卸载时间、能量站的发射功率以及用户设备的上行传输功率。本发明能够有效延长设备的待机时长，减少能源消耗，提高资源利用率。本发明旨在满足能量因果约束与系统任务队列稳定性的基础上最小化用户设备能耗总和。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.02 seconds)
