-
公开(公告)号：CN112654025B
公开(公告)日：2022-03-25
申请号：CN202011610293.7
申请日：2020-12-30
Applicant: 江南大学 , 中科怡海高新技术发展江苏股份公司
Abstract: 本发明公开了一种基于NB‑IoT的海量接入方法及系统，属于无线通信技术领域。该方法通过计算各时隙设备能耗度，并按照平均能耗度或累计能耗度将设备划分为高能耗度设备组和低能耗度设备组，然后优先将前导码分配给高能耗度设备组，剩余前导码和高能耗度设备组冲突前导码分配给低能耗度设备组；按照累计能耗度分组下高能耗度设备数更少、低能耗度设备数更多，因此高能耗度设备组接入成功率更优；按照平均能耗度分组下两组设备接入成功率都有改善且差距更小，故若侧重高能耗度设备组接入性能则可按照累计能耗度进行分组，若要均衡两种不同能耗度设备组接入性能则可按照平均能耗度进行分组；两种方式下，本申请的接入成功率均高于传统分配方案。
-
公开(公告)号：CN112637899B
公开(公告)日：2022-11-08
申请号：CN202011505882.9
申请日：2020-12-18
Applicant: 江南大学 , 中科怡海高新技术发展江苏股份公司
Abstract: 本发明涉及一种对抗无线通信多径衰落与多普勒效应的方法及系统,包括：构建智能交通系统ITS网络，所述ITS网络包括彼此可通信的源车辆终端与目的车辆终端以及RISs装置；初始化源车辆终端和目的车辆终端所需物理参数；所述源车辆终端实时计算自身与目的通信端之间的通信距离，并发送通信请求至所述目的车辆终端和RISs装置，利用满足目的车辆终端接收合并信号最强的条件求解自身反射系数；将所述自身反射系数发送至所述RISs装置，并控制RISs装置按照自身反射系数调控以接收入射波信号并反射发送至所述目的车辆终端；所述目的车辆终端接收所述源车辆终端直接发送信号和RISs装置所反射的信号，并合并两路信号。本发明有效改善了无线通信网络中传输性能。
-
公开(公告)号：CN113163422A
公开(公告)日：2021-07-23
申请号：CN202110367863.2
申请日：2021-04-06
Applicant: 江南大学 , 中科怡海高新技术发展江苏股份公司
Abstract: 本发明公开了一种基于六边形小区随机节点联合概率分布优化方法，属于无线通信技术领域。所述方法通过研究干扰节点O2位于六边形小区外对角线上时，用户终端U1到中心基站O1和干扰节点O2的之间距离的联合概率分布函数和干扰节点O2位于六边形一边垂直平分线上时，用户终端U1到中心基站O1和干扰节点O2的之间距离的联合概率分布函数，得出干扰节点O2到中心基站O1的距离临界值，对于干扰节点O2到中心基站O1的距离超过临界值的情况，求得六边形小区的最优近似圆区域，通过将六边形复杂的联合概率分布转换为求解圆形区域中随机节点的联合概率分布问题，在解决实际通信问题时用最优圆替换六边形可降低计算复杂度。
-
公开(公告)号：CN110417515B
公开(公告)日：2020-12-15
申请号：CN201910758663.2
申请日：2019-08-16
Applicant: 江南大学 , 中科怡海高新技术发展江苏股份公司
IPC: H04L1/00 , H04B7/0413 , H04B7/08
Abstract: 本发明公开了一种基于离散迭代估计的大规模MIMO信号检测方法，属于无线通信技术领域。所述方法通过基于离散估计迭代的检测方法将求解最大似然问题转换为求解有约束的凸优化问题，在大规模MIMO系统中可以获得较好的检测性能，该方法同时还具有较低的计算复杂度，适用于大规模MIMO系统，同时为了加快离散估计迭代信号检测方法的收敛速度，提高检测方法的性能，本发明提出将自动更新的阻尼法应用到该检测方法中，根据增广式拉格朗日表达式，离散迭代算法和欧几里得距离，采用改进的离散迭代算法对接收信号矩阵y进行检测，得到发射信号估计值提高了检测方法的误码性能和收敛速度。
-
公开(公告)号：CN112468568B
公开(公告)日：2024-04-23
申请号：CN202011318708.3
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H04L67/10 , H04W4/70 , H04W28/084 , H04W40/22
Abstract: 本发明公开了一种移动边缘计算网络的任务中继卸载方法，包括集成了毫米波和频率低于6GHz电磁波(Sub‑6GHz)的移动边缘计算网络，Sub‑6GHz实现用户设备的全覆盖，设置基站和用户设备预先执行了波束训练和对齐机制，因此能够在建立数据连接时配置适当的波束。由于每个用户设备都是独立的个体，因此，采用平均场博弈MFG的框架最大程度的减少功耗，针对MFG优化方法的限制，将公式化的MFG简化为马尔可夫决策过程MDP，利用MDP优化问题求得MFG的均衡解，即通过采用强化学习框架，最大化CUs的价值函数，在强化学习的指导下得到均衡解，实现任务的成功卸载，并减少系统能耗。
-
Patent Agency Ranking
公开(公告)号：CN112153615B
公开(公告)日：2022-07-12
申请号：CN202010964458.4
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
Abstract: 本发明公开一种多小区蜂窝D2D设备中基于深度学习的用户关联方法，首先，收集环境内终端设备的信道增益信息；其次，运用穷举法得到相应信道增益样本下的最优蜂窝用户关联策略，收集训练数据集；然后，构建卷积神经网络框架，初始化神经网络参数；最后，训练该神经网络：将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络。本发明克服了环境中D2D设备对蜂窝设备造成的干扰问题，用卷积神经网络以监督学习的方式逼近传统算法来学习信道增益到最优用户关联策略之间的映射关系。
-
公开(公告)号：CN112350737A
公开(公告)日：2021-02-09
申请号：CN202011319358.2
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院
IPC: H03M13/11
Abstract: 本发明公开了一种基于LDPC码的分组信息更新的传输方法，包括如下步骤：对变量节点进行分组；计算变量分组更新前后的矢量距离；得到矢量距离最大的变量分组，将其信息传递给相应的校验节点；更新获得信息的校验节点的信息，并传递给相应的变量节点；将更新后的变量分组矢量距离值归0；继续计算变量分组更新前后的矢量距离直至满足迭代停止的条件；迭代停止，译码输出。本发明提供的一种基于LDPC码的分组信息更新的传输方法克服了目前单个节点SS模式存在的纠高阶调制比特错误的能力较弱、未考虑节点之间的信息关联不足的缺陷，同时实现加快收敛速度，提高译码性能。
-
公开(公告)号：CN112188600A
公开(公告)日：2021-01-05
申请号：CN202011002522.7
申请日：2020-09-22
Applicant: 南京信息工程大学滨江学院
Abstract: 本发明公开了一种利用强化学习优化异构网络资源的方法，属于通信技术领域，本发明集成强化学习和凸优化理论，提出根据动作的相关性，即ABS，CRE和小基站休眠策略，对动作空间进行分割，针对强化学习建模过程中系统能效作为奖励函数值数量级过大问题，重新设计奖励函数值先取负数再取倒数，作为新的奖励函数值。本发明减小强化学习的动作空间，凸优化理论可以保证系统收敛性，同时加快强化学习的收敛速度；通过仿真实验可以证明该方法具有收敛性，更低的复杂度，在几乎达到系统能效理论值的前提下，与传统表格类型的Q‑Learning相比，收敛速度提升60％。
-
公开(公告)号：CN112153617B
公开(公告)日：2022-07-12
申请号：CN202010964851.3
申请日：2020-09-15
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H04W4/70 , H04B17/382 , G06N3/04 , G06K9/62
Abstract: 本发明公开一种基于集成神经网络的终端设备传输功率的控制方法，收集D2D链路的信道功率增益样本；并输入到SPCA算法，得到相应样本下的最优功率分配策略；搭建深度神经网络和卷积神经网络，并初始化神经网络权重；将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；构建选择器，选择并输出具有更高性能的分配策略。本发明克服了深度神经网络对大规模网络学习能力弱和卷积神经网络对小规模网络的局部特征提取的有限性，用集成学习的思想，将两个网络集成起来，使其能适应不同规模网络实时的功率分配需求。
-
公开(公告)号：CN112468568A
公开(公告)日：2021-03-09
申请号：CN202011318708.3
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院
Abstract: 本发明公开了一种移动边缘计算网络的任务中继卸载方法，包括集成了毫米波和频率低于6GHz电磁波(Sub‑6GHz)的移动边缘计算网络，Sub‑6GHz实现用户设备的全覆盖，设置基站和用户设备预先执行了波束训练和对齐机制，因此能够在建立数据连接时配置适当的波束。由于每个用户设备都是独立的个体，因此，采用平均场博弈MFG的框架最大程度的减少功耗，针对MFG优化方法的限制，将公式化的MFG简化为马尔可夫决策过程MDP，利用MDP优化问题求得MFG的均衡解，即通过采用强化学习框架，最大化CUs的价值函数，在强化学习的指导下得到均衡解，实现任务的成功卸载，并减少系统能耗。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.056 seconds)
