-
公开(公告)号：CN110290507B
公开(公告)日：2022-07-26
申请号：CN201910454056.7
申请日：2019-05-28
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种D2D通信辅助边缘缓存系统的缓存策略及频谱分配方法，包括至少两个小基站，至少两个具有边缘缓存功能的用户设备，用户之间能够通过D2D通信传输缓存的内容，D2D通信采用Overlay Inband模式，即在蜂窝频谱资源中划出一部分专用于D2D通信；整个缓存策略方案分为两个阶段，在第一阶段用户设备根据缓存策略主动缓存一个文件，在第二阶段用户通过D2D连接附近空闲用户或者通过小基站连接远端服务器，获取所请求的文件。与现有的仅考虑优化缓存内容的算法相比，本发明充分考虑了通信信道对整个系统的影响，能够增大用户传输速率，提高系统吞吐量。
-
公开(公告)号：CN113902220A
公开(公告)日：2022-01-07
申请号：CN202111325927.9
申请日：2021-11-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于自适应密度聚类算法的车辆轨迹预测方法，该方法包括：1)选定一个具有N个轨迹点的车辆轨迹数据集；2)基于自适应密度聚类算法对轨迹点进行分簇；3)对每个簇分别进行符号标记，将被标记了的簇按照时间排序后输出符号序列；4)将符号序列输入到变阶马尔可夫模型中，并使用Lempel‑Ziv‑MS预测算法进行预测，即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果。本发明所提的自适应密度聚类算法提高了算法的执行效率，同时提高了轨迹聚类的准确度；考虑N阶马尔可夫模型的空间复杂度高、零频率等缺点，变阶马尔可夫模型使用LZ‑MS来解决零频率问题，并使用树结构来减少所需的内存量。
-
公开(公告)号：CN113377547B
公开(公告)日：2021-11-23
申请号：CN202110922867.2
申请日：2021-08-12
Applicant: 南京邮电大学 , 中兴通讯股份有限公司
Abstract: 本发明公开了一种5G边缘计算环境下计算任务智能卸载和安全保障方法，该方法首先考虑用户在卸载过程当中的移动性，估计用户在基站的停留时间，考虑用户在卸载过程当中的移动性，消耗的时延和能量，以及用户向MEC服务器支付的费用，以最大化系统效益为目标，采用Q‑Learning得到用户的卸载方案；其次考虑了基站之间的负载均衡，对用户任务进行优先级排序，为任务指配合适的基站卸载，从而更加有效地利用MEC服务器的计算资源和基站的信道资源；此外还考虑了卸载时用户任务的安全性，对MEC与用户之间传送的数据采用基于多维生物特征的AES加密。
-
公开(公告)号：CN109714817B
公开(公告)日：2021-11-16
申请号：CN201910071845.2
申请日：2019-01-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种使用NOMA和D2D组的通信系统功率分配方法，该方法包括以下步骤：基站首先获取各个设备之间的理想信道状态信息和蜂窝用户、D2D发送端、以及中继处的发送信噪比；基站根据所收到的信息求出系统中断概率，基于中断概率最小化，计算在D2D发送端和中继处最优的功率分配系数，并分别转发给D2D发送端和中继；D2D发送端利用所获得的最优功率分配系数，采用NOMA方案发送信号到中继；中继收到传来的信号后，利用所获得的最优功率分配系数，采用NOMA方案发送信号到蜂窝用户和D2D接收端；该方法计算复杂度低，适用于D2D用户组与蜂窝用户复用上行频谱资源的情况，通过功率分配使得系统的中断概率最小，提高了系统性能。
-
公开(公告)号：CN113361504A
公开(公告)日：2021-09-07
申请号：CN202110911316.6
申请日：2021-08-10
Applicant: 南京邮电大学 , 中兴通讯股份有限公司
Abstract: 本发明公开了基于无人机协同组网的边缘群体智能方法，首先，通过一种面向森林火灾烟雾检测的具有自适应间隔的三帧差法提取运动区域，降低了单个无人机烟雾检测的数据运算成本，用烟雾颜色判据模型对运动区域进行提取，获得烟雾图像，再通过计算烟雾的面积变化率判断是否为烟雾图像，提高无人机烟雾检测的准确率；本发明提出了一种改进的分布式的粒子群算法，用多个侦查无人机协同工作，对森林火灾进行实时监控和定位，能够有效地识别森林火灾，降低漏检率，并对火灾做出及时响应，提高无人机组的工作效率；还提出了一种分层反馈校正机制，反馈调节、优化提升自适应间隔三帧差法和改进的分布式粒子群算法。
-
Patent Agency Ranking
公开(公告)号：CN113347639A
公开(公告)日：2021-09-03
申请号：CN202110893800.0
申请日：2021-08-05
Applicant: 南京邮电大学 , 中兴通讯股份有限公司
Abstract: 本发明公开了一种基于协同通信的混合接入频谱的方法，物联网环境下协作认知无线电网络包括1个原始发信者PS、1个原始收信者PD、1个聚合中心FC和含有N个次级用户SU的协作认知无线电网络用户集，聚合中心FC利用信道状态信息设计物联网环境下协作认知无线电网络混合接入频谱方法；本方法在频谱资源受限的情况下，增强通信主路传输性能，兼顾物联网环境下协作认知无线电网络的数据传输，提升系统吞吐量，从而提高频谱效率。
-
公开(公告)号：CN112954592A
公开(公告)日：2021-06-11
申请号：CN202110183088.5
申请日：2021-02-08
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种针对D2D‑MEC系统的能耗优化方法，包括如下步骤：S1、定义D2D‑MEC系统内至少包括一个配备有边缘云服务器的基站、一个任务型用户及一个资源型用户；S2、建立任务型用户与边缘云服务器间的蜂窝链路，获取蜂窝链路的链路信道信息；S3、建立任务型用户与资源型用户间的D2D链路，获取D2D链路的链路信道信息；S4、在能耗最小的前提下、将任务型用户内部分计算任务分别卸载至资源型用户及边缘云服务器，实现D2D‑MEC系统的能耗优化。本发明采用缓存加卸载的任务分配方式、结合D2D通信辅助计算，有效地降低了系统总能耗，提高了智能移动设备电池的续航能力，延长了移动边缘网络的使用寿命。
-
公开(公告)号：CN112948101A
公开(公告)日：2021-06-11
申请号：CN202110531260.1
申请日：2021-05-17
Applicant: 南京邮电大学 , 中兴通讯股份有限公司
Abstract: 本发明公开了一种面向快速联邦学习的5G边缘设备调度方法，该方法在联邦学习的每个训练周期开始阶段，考虑每个边缘设备的训练时延、公平性和本地模型重要性，基于多臂老虎机理论进行边缘设备调度。本发明还搭建了一个无线联邦学习系统，其联邦学习的训练过程包括：每个训练周期开始阶段，基于多臂老虎机理论进行设备调度；每个训练周期训练过程中，被调度的设备进行本地训练，并将更新之后的本地模型上传给基站，生成新的全局模型；每个训练周期结束阶段，基站将更新之后的全局模型广播给所有设备，用于下一个周期的设备选择以及模型训练。该发明能够在设备信道条件以及本地计算能力未知的情况下，以较低的训练时延获得较高的学习性能。
-
公开(公告)号：CN109874154A
公开(公告)日：2019-06-11
申请号：CN201910063831.6
申请日：2019-01-23
Applicant: 南京邮电大学
Abstract: 一种基于深度强化学习的C-RAN用户关联和计算资源分配方法，包括如下步骤：1）建立深度强化学习神经网络，将其信干燥比（SINR）状态、基带单元（BBU）池中计算资源状态和远端射频头（RRH）缓存状态，组合成系统状态作为该神经网络的输入。2）根据输入的系统状态对神经网络进行训练，得到神经网络输出，即系统动作。3）C-RAN按照系统动作进行用户关联和BBU池中计算资源分配，并根据奖赏函数和状态转移矩阵得到该系统动作下的奖赏值和下一时刻系统状态。4）将奖赏值和下一系统状态输入到神经网络中，重复以上步骤，直到奖赏值趋于稳定，从而完成训练过程，根据最后的系统动作进行用户关联和BBU池中计算资源分配。本发明可极大地降低服务时延，提高服务质量，使得实时服务成为可能。
-
公开(公告)号：CN108834112A
公开(公告)日：2018-11-16
申请号：CN201810605665.3
申请日：2018-06-13
Applicant: 南京邮电大学
CPC classification number: H04W4/70 , H04W72/0473
Abstract: 本发明公开了一种基于NOMA的中继辅助D2D通信系统功率分配方法，该方法包括以下步骤：基站首先获取各个设备之间的理想信道状态信息和D2D发送端和中继处的发送信噪比；基站根据收到的信息求出系统遍历容量的近似表达式，得出在基站处和中继处最优的功率分配系数；基站根据求出的在基站处最优功率分配系数，使用NOMA方案发送信号到中继和蜂窝用户，把最优功率分配系数发送给中继，D2D发送端也向中继发送信号。中继收到传来的信号后，根据从基站处得到的最优功率分配系数，使用NOMA方案发送信号到蜂窝用户和D2D接收端。该方法计算复杂度低，适用于D2D用户与蜂窝用户复用下行频谱资源的情况，能够有效减少D2D用户受到的干扰，提高了系统的和容量。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.03 seconds)
