-
公开(公告)号：CN114389784B
公开(公告)日：2023-07-21
申请号：CN202210072264.2
申请日：2022-01-21
Applicant: 南京邮电大学
IPC: H04L5/00 , H04B7/06 , H04W72/044 , H04W72/0453
Abstract: 本发明是一种基于迁移学习的下行MISO‑OFDMA协作传输方法，包括步骤1：定义下行MISO‑OFDMA系统的关键参数；步骤2：利用深度Q网络在当前环境下训练当前智能体，为每个智能体构建一个深度Q网络即为多智能体深度Q网络，解决波束协作和资源分配问题；步骤3：以不同方案改变当前环境并提出一种迁移学习框架，所述迁移学习框架在新环境下通过步骤2中训练好的智能体的知识和新智能体的经验来训练新智能体；步骤4：动态调整波束成形协作和资源分配策略，以最大化所有用户的和速率。本发明可以有效地提升系统性能，加快神经网络的收敛速度，使新智能体更快更有效地适应新的网络环境。
-
公开(公告)号：CN114124259B
公开(公告)日：2023-07-04
申请号：CN202110931314.3
申请日：2021-08-13
Applicant: 南京邮电大学
IPC: H04B17/345 , H04B17/00 , H04B17/391 , H04W24/06
Abstract: 本发明公开基于不完整信息的智能反射表面的干扰测试方法，属于计算、推算或计数的技术领域。根据测试方已知的通信系统的信息及服务区内用户群构建下层优化模型约束集合；根据当前测试设备参数和所了解的智能反射表面构建上层优化模型约束集合；根据所得的上下层约束集合构建双层优化的测试方案决策模型，得到本轮测试的测试方案并预测通信系统接收到测试信号后的表现；观测通信系统在测试方案作用下的表现；在观测到的实际表现和预测结果相等时，结束试验，不相等则根据观测方式修改约束集合后重新生成测试方案，在不完全了解系统的情况下经过有限次试验后即可正确检测出干扰测试下的系统真实表现，具有测试过程快速准确的优点。
-
公开(公告)号：CN115967470A
公开(公告)日：2023-04-14
申请号：CN202211482240.0
申请日：2022-11-24
Applicant: 南京邮电大学
IPC: H04L1/00 , G06F18/2415 , G06F18/2411 , G06N3/045 , G06N3/0442 , G06N3/0455 , G06F123/02
Abstract: 本发明属于无线通信领域，具体的说，是一种可学习维特比与核速率信号检测方法。首先，通过收集通信的发送数据X与接收数据Y；其次，搭建CNN‑BiLSTM网络作为分类神经网络；对CNN‑BiLSTM网络进行训练，得到条件概率密度；然后，使用基于Akaike信息准则的混合高斯模型去拟合信道接收数据Y的分布或者通过自适应核密度估计方法获得边缘概率密度；最后，通过训练好的CNN‑BiLSTM神经网络和参数估计、非参数估计，学习传统基于模型的方法所依赖的信道未知状态。该方法能够在不考虑信道状态信息的情况下仍能保证信号检测的准确性，此外，与传统的维特比检测不同，该方法对信道状态信息的不确定性具有较高的鲁棒性。
-
公开(公告)号：CN112601284B
公开(公告)日：2023-02-28
申请号：CN202011416092.3
申请日：2020-12-07
Applicant: 南京邮电大学
IPC: H04W72/0453 , H04W72/044 , H04W72/541 , H04W72/542 , H04W72/53
Abstract: 本发明公开了一种基于多智能体深度强化学习的下行多小区OFDMA资源分配方法。属于无线通信领域；具体步骤如下：1、构建多智能体网络；2、建立每个接收用户的信噪比及每个小区获得数据速率；3、状态获取；4、子信道分配；5、功率分配；6、反馈获取和参数更新。本发明是一种基于多智能体深度强化学习的方法，设计了多个DDQN网络和多个DDPG网络来联合解决子信道分配和功率分配问题，并采用集中训练、分散执行的模式，此方法降低了网络的输入输出维度、信令开销以及计算复杂度，可以有效地得到最优资源分配方案，与传统强化学习方法相比，提高了下行OFDMA系统中各小区的传输速率，进而提高了整个网络的性能。
-
公开(公告)号：CN114389784A
公开(公告)日：2022-04-22
申请号：CN202210072264.2
申请日：2022-01-21
Applicant: 南京邮电大学
Abstract: 本发明是一种基于迁移学习的下行MISO‑OFDMA协作传输方法，包括步骤1：定义下行MISO‑OFDMA系统的关键参数；步骤2：利用深度Q网络在当前环境下训练当前智能体，为每个智能体构建一个深度Q网络即为多智能体深度Q网络，解决波束协作和资源分配问题；步骤3：以不同方案改变当前环境并提出一种迁移学习框架，所述迁移学习框架在新环境下通过步骤2中训练好的智能体的知识和新智能体的经验来训练新智能体；步骤4：动态调整波束成形协作和资源分配策略，以最大化所有用户的和速率。本发明可以有效地提升系统性能，加快神经网络的收敛速度，使新智能体更快更有效地适应新的网络环境。
-
Patent Agency Ranking
公开(公告)号：CN114189870A
公开(公告)日：2022-03-15
申请号：CN202111512524.5
申请日：2021-12-08
Applicant: 南京邮电大学
Abstract: 本发明是一种基于多智能体深度强化学习的多小区多业务资源分配方法，适用于多小区eMBB和URLLC用户系统的资源分配问题。包括如下步骤：步骤1：构建用于解决多小区eMBB和URLLC用户系统资源分配的多智能体网络；步骤2：状态获取；步骤3：子信道分配和功率分配；步骤4：反馈获取和参数更新；步骤5：决策驱动机制。该方法有效降低了网络的输入输出维度、信令开销以及计算复杂度，很好地保证了多小区eMBB和URLLC用户的服务满意度水平，进而提高了整个系统的性能。
-
公开(公告)号：CN112418285A
公开(公告)日：2021-02-26
申请号：CN202011276927.X
申请日：2020-11-16
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种自适应局部结构嵌入的稀疏自表征子空间聚类算法。属于信息技术领域；本发明可以同时识别低维空间中的最优子空间和最有区别的聚类结构，这优于其他两阶段子空间聚类方法；此外，本发明引入了非线性流形正则化器，能够动态地利用原始空间和子空间之间的学习权衡；原始空间中的局部结构以稀疏的自我表示方法被编码为字典，可以在聚类过程中自适应地学习。本发明采用非平方l2,1‑范数来最小化残留误差，与其他基于平方l2‑范数的方法不同，SSS可以实现稳定的性能，因为基于平方l2,1‑范数的模型对异常值和噪声具有鲁棒性；实际基准数据集上的实验结果表明，本发明可以提供更可解释的聚类结果，并且性能由于其他一些替代方案。
-
公开(公告)号：CN110299937A
公开(公告)日：2019-10-01
申请号：CN201910669194.7
申请日：2019-07-24
Applicant: 南京邮电大学
IPC: H04B7/06 , H04B7/0413
Abstract: 本发明公开了一种上行MIMO-NOMA无线通信系统波束成形方法，该方法适用于多小区多用户MIMO-NOMA无线通信系统上行波束成形，该方法包括以下几个步骤：对于最大化系统总速率问题应用拉格朗日对偶转换和二次转换得到拉格朗日辅助因子以及二次转换辅助向量的表达式；对于转换后的凸优化问题，应用拉格朗日乘子法，得到波束成形向量的表达式；以最大系统总速率为目标，应用迭代运算得到每个用户的波束成形向量。与传统的上行功率分配方法相比，本方法能够得到较好的系统总速率，且应用NOMA的系统性能优于应用正交多址接入系统的性能。
-
公开(公告)号：CN110190881A
公开(公告)日：2019-08-30
申请号：CN201910444289.9
申请日：2019-05-27
Applicant: 南京邮电大学 , 南京爱而赢科技有限公司
IPC: H04B7/0426 , H04B7/0452 , H04W52/14
Abstract: 本发明提出了一种权重速率最优的下行MIMO-NOMA功率分配方法，包括以下步骤：用户根据信道矩阵进行奇异值分解，并结合最大比值合并得到各用户簇间干扰的迫零向量；基站初始化各用户的功率以及权重因子值，应用拉格朗日对偶转换和二次转换方法获得各辅助变量表达式以及功率分配因子的表达式；以最优加权系统速率为目标，通过迭代运算获得最优功率分配因子。本发明在进行迭代运算时能够快速收敛，得到最优功率分配方案，与传统MIMO-OMA和平均功率分配MIMO-NOMA方案相比，本发明能够提升系统加权总速率。
-
公开(公告)号：CN109743087A
公开(公告)日：2019-05-10
申请号：CN201910043867.8
申请日：2019-01-17
Applicant: 南京邮电大学
IPC: H04B7/0426 , H04B7/06 , H04W52/28
Abstract: 本发明揭示了一种高铁场景下分布式天线传输模式选择和功率优化方法，包括如下步骤：S1、初始化发射端功率分配策略；S2、利用列车位置信息获取信道信息；S3、依据判断条件进行选择性操作，当且仅当满足判断条件时，优化系统能效；S4、根据拉格朗日乘子法解优化问题，获得每个时刻多种传输模式下系统发射功率与拉格朗日乘子的关系；S5、确定每个时刻的传输模式并最大化系统能效。本发明既满足了系统发射功率的限制和时延约束，又保证了每个时刻列车的最小速率需求，并且最大化了系统能效，具有很高的使用和推广价值。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.063 seconds)
