-
公开(公告)号：CN110062471A
公开(公告)日：2019-07-26
申请号：CN201910331963.2
申请日：2019-04-24
Applicant: 南京邮电大学
Abstract: 本发明公开了一种超密集网络中兼顾用户QoS和公平性的下行资源分配方法，包括资源初始分配和资源补偿分配两个阶段。在资源初始分配阶段根据贪婪算法将具有最大接收SINR的时频资源块分配给用户，并根据用户在资源分配后是否满足QoS需求，进行分类标记；对于没有分配到最优时频资源块的用户，则分配次优时频资源块，并将分配次优时频资源块后的用户以是否满足QoS需求同样进行分类标记；若有剩余时频资源块，根据吞吐量最优原则先补偿不满足QoS需求的用户使其全部满足QoS需求；若还有剩余时频资源块则根据吞吐量最优原则再对用户进行补偿。本发明有效解决了超密集网络中资源分配有效性和公平性的平衡问题，能够在保证用户QoS需求的同时最大化系统吞吐量。
-
公开(公告)号：CN109831794A
公开(公告)日：2019-05-31
申请号：CN201910222536.0
申请日：2019-03-22
Applicant: 南京邮电大学
IPC: H04W16/18
Abstract: 本发明公开了一种超密集网络中基于密度与最小距离的基站分簇方法，首先计算超密集网络中各微小区基站的分布密度及分簇密度阈值，使分布密度大于分簇密度阈值的微小区基站构成初始簇中心池；计算初始簇中心池中各微小区基站与较其分布密度高的微小区基站间距离的最小值，定义微小区基站的分布密度与其最小距离的乘积为加权分布密度，由加权分布密度得到待选簇中心池；计算簇中心隔离距离，依次将待选簇中心池中两两之间距离大于簇中心隔离距离的两个簇中心中加权分布密度值较小的簇中心从待选簇中心池中移除；最后将待选簇中心池中簇中心数目及簇中心基站地理位置作为传统K-means算法的参数，执行K-means算法得到分簇结果；本发明解决了分簇不均匀的问题。
-
公开(公告)号：CN105893956B
公开(公告)日：2019-05-17
申请号：CN201610193221.4
申请日：2016-03-30
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于多特征自适应测度学习的在线目标匹配方法，属于智能视频监控技术领域。针对现有的线下距离测度学习算法在测试样本大幅增多后，由于最初习得的测度矩阵不能很好地反映当前状况造成的匹配准确率大幅下降的问题，本发明通过自适应学习合适的测度矩阵得到较佳的相似性度量距离函数，对目标进行匹配，分为初始线下训练、在线目标匹配和测度更新三个阶段。本发明有效地解决了现有的线下距离测度学习算法在新数据大幅增多而偏离初始训练集的情况下出现的匹配准确率大幅下降的问题，保证了匹配模型良好的扩展性。本发明可以自适应地更新、修正测度矩阵，初始训练时对已标签样本数量的要求也低于现有算法，大大减少了人工标记的工作量。
-
公开(公告)号：CN109474413A
公开(公告)日：2019-03-15
申请号：CN201910011959.8
申请日：2019-01-07
Applicant: 南京邮电大学
Abstract: 一种用于OFDMA系统多下行用户多载波的分配方法，包括：步骤1，将每个子载波能够匹配的多个下行用户组成一个用户集合，找出所有子载波对应用户集合中重复出现的下行用户；步骤2，对于重复用户，将所有能够与其匹配的子载波组成一个子载波集合，取出其中能使该用户速率达到最大的子载波；步骤3，该子载波对应用户集合中保留该用户，其余子载波对应用户集合中删除该用户；步骤4，判断是否所有重复用户都完成初步分配，如否，返回步骤2，如是，进入步骤5；步骤5，从每个子载波对应用户集合中找出获得最大速率的用户，完成用户与子载波的分配。本发明可以有效解决子载波与下行用户匹配时的冲突问题，并且可以使下行链路总速率尽可能大。
-
公开(公告)号：CN108924939A
公开(公告)日：2018-11-30
申请号：CN201810714600.2
申请日：2018-07-03
Applicant: 南京邮电大学
Abstract: 本发明公开了一种用于NB-IoT系统区分设备优先级的上行传输前导码分配方法，包括步骤：采用Single-tone方式发送NB-IoT系统随机接入的由四个Symbol Groups构成的前导码，依次获取四个所述Symbol Groups的子载波索引，并根据子载波索引区分所述前导码；依据设备的已等待时延与设备允许最大时延之间的比值α来划分设备的优先级，并根据比值α进行分组规划；eNodeB通过NPBCH信道将前导码的划分方案通知各终端设备；请求接入的设备根据eNodeB对接入前导码组的划分方案发起随机接入；若在等待时间窗口内未得到相应,则视为接入冲突,设备根据退避规则重新接入,超过最大接入次数直接判定接入失败；本发明适用于海量设备接入的情况，可以保证高优先级设备具有很高的接入成功率，并且降低了设备的接入延时。
-
Patent Agency Ranking
公开(公告)号：CN107734700A
公开(公告)日：2018-02-23
申请号：CN201710730239.8
申请日：2017-08-23
Applicant: 南京邮电大学
CPC classification number: H04W72/08 , H04L5/0007 , H04L5/0064 , H04W72/087
Abstract: 本发明公开了一种超密集网络中保障用户QoS要求的网络资源分配方法，该方法将资源分配过程分为初始资源分配阶段和补偿分配阶段。在初始资源分配阶段，微小区基站根据贪婪算法将最优资源块分配给用户，若最优资源块被占用则分配次优资源块同时标记用户为Level-1用户。若用户在资源块上的速率不满足用户QoS需求，则直接将用户标记为Level-2用户。在补偿分配阶段，在剩余可用资源块中根据最优原则优先分配最优资源块给Level-2用户，直至所有Level-2用户满足QoS需求。基站再将剩余资源块分配给Level-1用户作为一定的补偿，直至所有Level-1用户补偿完毕或者没有剩余资源块可用。该方法可以在最大化系统吞吐量的同时保证用户的QoS需求，能够应用于超密集网络中的资源分配。
-
公开(公告)号：CN105894022A
公开(公告)日：2016-08-24
申请号：CN201610193012.X
申请日：2016-03-30
Applicant: 南京邮电大学
CPC classification number: G06K9/6215 , G06K9/4652
Abstract: 本发明属于智能视频监控技术领域，提出了一种自适应分层关联多目标跟踪方法。本方法利用增量线性可判别分析(ILDA，Incremental Linear Discriminant Analysis)寻找一个能尽可能分离各个目标的投影矩阵，并提取各个目标的特征均值向量，并用其定义轨迹和候选目标进行匹配的关联代价函数，从而来指导连续轨迹和断开轨迹的增长。当前帧匹配结束后，计算各个轨迹最新匹配结果和其特征均值向量的差异，当差异大于一定阈值的时候，用该匹配结果来更新ILDA模型相关参数，否则不更新。相比现有技术，本发明能够减少多目标跟踪过程中由于目标外观相似而跟错目标的概率。
-
公开(公告)号：CN105893956A
公开(公告)日：2016-08-24
申请号：CN201610193221.4
申请日：2016-03-30
Applicant: 南京邮电大学
CPC classification number: G06K9/00718 , G06K9/6256 , G06K9/6262
Abstract: 本发明公开一种基于多特征自适应测度学习的在线目标匹配方法，属于智能视频监控技术领域。针对现有的线下距离测度学习算法在测试样本大幅增多后，由于最初习得的测度矩阵不能很好地反映当前状况造成的匹配准确率大幅下降的问题，本发明通过自适应学习合适的测度矩阵得到较佳的相似性度量距离函数，对目标进行匹配，分为初始线下训练、在线目标匹配和测度更新三个阶段。本发明有效地解决了现有的线下距离测度学习算法在新数据大幅增多而偏离初始训练集的情况下出现的匹配准确率大幅下降的问题，保证了匹配模型良好的扩展性。本发明可以自适应地更新、修正测度矩阵，初始训练时对已标签样本数量的要求也低于现有算法，大大减少了人工标记的工作量。
-
公开(公告)号：CN114745808B
公开(公告)日：2025-04-25
申请号：CN202210415304.9
申请日：2022-04-20
Applicant: 南京邮电大学
IPC: H04W74/0833 , H04W74/00 , H04W4/70 , H04W72/23 , H04W72/566
Abstract: 本发明是一种基于冲突估计的大规模终端随机接入方法，解决有限前导资源下的多用户过载接入问题，适用于大量机器类型设备零星小数据包突发传输的场景，具体的改接入方法包括如下步骤，首先，设计低信令开销且用户冲突可控的大规模随机接入协议；然后，提出一种多前导组合随机接入竞争方案；最后，设计基于冲突估计的高效信道资源分配方案。本发明能够在不增加正交前导数量的前提下，降低大规模终端随机接入冲突，提高用户的接入成功概率，提升蜂窝网络的多址接入能力。
-
公开(公告)号：CN119128587A
公开(公告)日：2024-12-13
申请号：CN202411220731.7
申请日：2024-09-02
Applicant: 南京邮电大学
IPC: G06F18/24 , G06F18/10 , G06F18/21 , G06F18/214 , G06F18/15 , G06N3/0442 , G06N3/08 , G06N5/01 , G06F18/2431
Abstract: 本发明公开了一种基于LSTM‑EWC的网络流量异常检测分类方法，所述方法包括如下步骤：S1.数据预处理；S2.特征选择；S3.模型搭建和训练；S4.模型性能评估。本发明利用EWC算法在一定范围内固化LSTM模型参数，开发一种能够持续学习网络流量特征的高效LSTM‑EWC模型，实现对特征动态变化的网络数据流的高效检测分类。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.037 seconds)
