-
公开(公告)号：CN110856228A
公开(公告)日：2020-02-28
申请号：CN201911132839.X
申请日：2019-11-19
Applicant: 三峡大学
Abstract: 本发明实施例提供一种基于动态规划算法和反向拍卖的WiFi卸载激励方法，包括：获取每一移动用户MU中的应用程序可容忍的最大时延；基于最大时延构建反向拍卖优化算法模型，反向拍卖优化算法模型的目标是最大化运营商MNO的收益，反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。本发明实施例提供的基于动态规划算法和反向拍卖的WiFi卸载激励方法，从商业角度将Wi-Fi卸载问题转化为基于反向拍卖的激励问题，旨在最大化MNO的收益，并且提出一种新的基于延迟约束和反向竞价的激励机制来刺激Wi-Fi接入点参与数据卸载过程。
-
公开(公告)号：CN114358255B
公开(公告)日：2024-07-12
申请号：CN202210018356.2
申请日：2022-01-07
Applicant: 三峡大学
IPC: G06N3/0464 , G06N3/006 , G06N5/04
Abstract: 本发明公开了一种基于融合层的DNN模型并行化和部分计算卸载方法，属于数据处理领域，包括：S1：使用FL技术对DNN模型进行划分，得到具有计算相关性的计算层；S2：使用部分计算卸载的方式对FL技术划分后的DNN模型进行并行化推理，得到DNN推理时间；S3：使用最小等待算法确定路径调度策略和FL路径数；S4：将粒子群优化算法与最小等待算法相结合，确定FL路径长度、截取融合层大小和路径卸载策略，得到的最小DNN推理时间为最优解。本发明通过Particle Swarm Optimization With Minimizing Waiting算法动态更新FL路径长度、截取融合层大小和路径卸载策略，以探索最优解并避免陷入到局部极小值。
-
公开(公告)号：CN117633645A
公开(公告)日：2024-03-01
申请号：CN202311328057.X
申请日：2023-10-13
Applicant: 三峡大学
IPC: G06F18/2413 , G01N27/00 , G06K17/00 , G06N20/00
Abstract: 一种基于RFID无源感知和机器学习的液体材质识别方法，步骤1：将RFID阅读器的定向天线平放在地面或者桌面上，天线的顶部放置一个塑料烧杯，烧杯口的中心处用透明胶带固定一个RFID标签，向塑料烧杯中倒入等量的不同液体；步骤2：分别测量每种液体倒入塑料烧杯前后RFID信号的Phase和RSS读数，计算出各种液体所对应的Phase和RSS变化量，根据Phase和RSS的变化量提取出各种液体的特征值；步骤3：利用WKNN算法对有标签的液体特征值数据进行监督式机器学习。本发明的目的是为了解决现有的RFID无源感知技术存在的干扰严重、感知精度不高的技术问题，而提供的一种基于RFID无源感知和机器学习的液体材质识别方法。
-
公开(公告)号：CN113115362B
公开(公告)日：2023-04-07
申请号：CN202110411328.2
申请日：2021-04-16
Applicant: 三峡大学
Abstract: 本发明实施例提供一种协同边缘缓存方法及装置，首先获取边缘缓存系统的覆盖范围内各用户终端在对应的边缘设备触发的内容请求；然后以边缘缓存系统的系统能耗最小为优化目标，以边缘缓存系统中请求处理主体唯一、边缘缓存系统中各边缘设备的缓存容量限制以及用户终端允许的请求延迟限制为约束条件，基于内容请求，采用强化学习算法确定内容请求对应的最优协同边缘缓存策略；最后基于最优协同边缘缓存策略，对内容请求对应的内容进行处理。可以确定出最优协同边缘缓存策略，使得边缘缓存系统的系统能耗降至最低，减少了边缘缓存系统的应用成本，提高了MBS下所有协同SBS的缓存利用率，减少回程流量的负载。
-
公开(公告)号：CN111405568B
公开(公告)日：2023-01-17
申请号：CN202010196829.9
申请日：2020-03-19
Applicant: 三峡大学
Abstract: 本发明实施例提供一种基于Q学习的动态计算卸载和资源分配方法及装置，所述方法包括：基于UE的计算任务参数、UE的性能参数、UE与AP之间的信道参数和移动边缘计算MEC服务器的总计算资源，构建优化问题模型；基于Q学习确定优化问题模型的最优解，最优解包括UE的卸载决策，MEC服务器给UE所分配的计算资源的百分比数，AP给UE所分配的频谱资源的百分比数。本发明实施例提供的基于Q学习的计算卸载和资源分配方法及装置，同时考虑到时变的MEC系统中实际的计算卸载和资源分配特性，任务的时延阈值与系统有限的资源容量约束，基于Q学习确定计算卸载和资源分配的联合最优方案，进一步降低了UE的能耗。
-
Patent Agency Ranking
公开(公告)号：CN113115367B
公开(公告)日：2022-09-02
申请号：CN202110309057.X
申请日：2021-03-23
Applicant: 三峡大学
Abstract: 本发明实施例提供一种基于贪婪助手选择算法的数据卸载激励方法及装置。方法包括：构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载。本发明实施例提供的方法及装置，能够激励蜂窝网络中的节点参与数据卸载过程，缓解蜂窝网络中移动通信流量压力。
-
公开(公告)号：CN110856227B
公开(公告)日：2021-08-10
申请号：CN201911132825.8
申请日：2019-11-19
Applicant: 三峡大学
Abstract: 本发明实施例提供一种基于贪婪算法和反向拍卖的数据卸载方法，包括：获取每一移动用户MU中的应用程序可容忍的最大时延；基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；利用贪婪获胜者选择算法选择获胜WiFi接入点分配给MU。本发明实施例提供的基于贪婪算法和反向拍卖的数据卸载方法，从商业角度将Wi‑Fi卸载问题转化为基于反向拍卖的激励问题，旨在最大化MNO的收益，并且提出一种新的基于延迟约束和反向竞价的激励机制来刺激Wi‑Fi接入点参与数据卸载过程。
-
公开(公告)号：CN110009147B
公开(公告)日：2021-08-10
申请号：CN201910255904.1
申请日：2019-04-01
Applicant: 三峡大学
Abstract: 本发明实施例提供一种气象数据采集策略自适应调节方法及装置，对于任意当前采集日，通过设置初始采集次数，并根据初始采集次数随机生成多个采集策略，再利用自适应遗传算法对所有采集策略进行迭代调整，并在调整后的所有采集策略中筛选出满足适应度要求的采集策略作为目标采集策略，以使得当前采集日采用目标采集策略进行气象数据采集，能够有效还原出每日的气象数据，有利于确保气象数据监测结果的准确性；同时还能够极大程度地减少每日的气象数据采集次数，从而有利于降低气象站系统的功耗，能够有效确保气象站系统长期稳定地运行。
-
公开(公告)号：CN113163006A
公开(公告)日：2021-07-23
申请号：CN202110412420.0
申请日：2021-04-16
Applicant: 三峡大学
Abstract: 本发明提供一种基于云‑边缘协同计算的任务卸载方法及系统，首先获取云服务器需要卸载的计算任务信息以及各边缘服务器的计算状态信息；然后以云服务器以及各边缘服务器的效用最大化为优化目标，以云服务器的定价策略限制以及各边缘服务器对云服务器需要卸载的计算任务的计算量限制为约束条件，确定各边缘服务器的最优卸载决策以及云服务器的最优定价决策；最后基于最优卸载决策以及最优定价决策，将云服务器需要卸载的计算任务卸载至各边缘服务器进行处理。不仅可以保证云服务器可以以最小成本实现计算任务的卸载，还可以保证各边缘服务器的利润最大化。同时，可以使包含有云服务器以及各边缘服务器的系统可以实现计算任务的均衡分配。
-
公开(公告)号：CN119849661A
公开(公告)日：2025-04-18
申请号：CN202411912172.6
申请日：2024-12-24
Applicant: 三峡大学
IPC: G06N20/00 , G06Q30/08 , G06Q10/04 , G06Q30/0211
Abstract: 本发明公开了一种激励驱动和模型压缩成本感知的联邦学习方法及系统，该方法包括：获取客户端参加联邦学习的总时延和总能耗；根据反向拍卖法，通过所述总时延和总能耗得到所述客户端需要的奖励和全局损失约束并确定优化目标，以建立优化目标函数；确定所述优化目标函数的最优策略，所述最优策略包括客户端选择决策，本地训练轮次和模型压缩率设置决策，并基于VCG支付机制确定客户端的奖励。本方法不仅考虑了异构、资源有限和动态的移动边缘网络中客户端选择，本地训练轮次和模型压缩率设置，以及个体理性的特性，同时也考虑了本地模型训练的时延阈值与全局模型的精度约束，联合优化了联邦学习中的客户端选择。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.024 seconds)
