-
公开(公告)号:CN106603336A
公开(公告)日:2017-04-26
申请号:CN201611167839.X
申请日:2016-12-16
Applicant: 北京邮电大学
IPC: H04L12/26
CPC classification number: H04L43/0817
Abstract: 本发明实施例提供了一种云计算环境的机器状态预测方法及装置,方法包括:在确定目标机器的待利用的目标属性项目及目标属性项目对应的目标项目数据以后,从目标属性矩阵中,确定各个目标属性项目分别对应的目标属性向量;根据目标属性向量、目标项目数据以及预设的向量合并公式,计算目标数据合并向量;根据目标反应矩阵、目标数据合并向量、预设的多个初始机器状态向量以及预设的概率计算公式,计算每个初始机器状态向量的第一概率值;根据第一概率值,确定目标机器对应的第一机器状态预测向量;根据第一机器状态预测向量,确定目标机器的机器状态的预测结果。应用本发明实施例,实现了对动态异构的云环境中的机器状态的实时预测。
-
公开(公告)号:CN104579850A
公开(公告)日:2015-04-29
申请号:CN201510039675.1
申请日:2015-01-27
Applicant: 北京邮电大学
IPC: H04L12/26
Abstract: 一种移动互联网环境下Web服务的服务质量QoS的预测方法,首先采集移动互联网环境下某个用户重复多次访问某个Web服务的QoS原始数据,利用对数处理的方式对该QoS原始数据进行预处理;然后通过改进的基于用户的协同过滤方法,找出目标用户的相似用户组,进而根据QoS属性的特点确定正常值区间,最终计算得到一个可信的QoS预测值。本发明的创新关键是:用对数计算对原始数据进行预处理,以及选取正常值区间规避QoS波动性所产生的异常值,并综合考虑波动性所体现的用户个性特征,保证计算相似度时的QoS数据的可靠性,进而通过相似用户计算出一个准确的QoS预测值。本发明计算准确性高和实用性强,具有很好的推广应用价值。
-
公开(公告)号:CN103596232A
公开(公告)日:2014-02-19
申请号:CN201310247505.3
申请日:2013-06-20
Applicant: 北京邮电大学
Abstract: 本发明公开了一种垂直切换方法,获取运动载体上的移动终端当前能接入的每一接入网络的信息和用户选择的优先模式;在所述用户选择的优先模式下,确定所述移动终端切换至每一所述接入网络的切换概率,并在当前所述接入网络的切换概率小于其他所述接入网络的切换概率时,使所述移动终端切换至其他所述接入网络中的网络。本发明还公开了一种垂直切换装置。使用本发明的技术方案,不仅能够满足用户对网络的偏好,而且能保证切换质量,减少不必要的切换。
-
公开(公告)号:CN120017140A
公开(公告)日:2025-05-16
申请号:CN202510197305.4
申请日:2025-02-21
Applicant: 北京邮电大学
IPC: H04B7/185 , H04B17/373 , H04B17/391 , H04B17/364 , G06N3/0442 , G06N3/092
Abstract: 本申请提供一种星地数据传输方法、装置、设备及介质,该方法包括:采集卫星的历史时空数据,根据历史时空数据,采用LSTM网络预测出卫星的未来时空数据;基于未来时空数据生成未来状态向量;将未来状态向量输入到预先训练好的资源分配模型中,得到资源分配模型输出的资源分配方案;资源分配模型是以卫星历史的状态、动作、奖励以及下一个状态为训练样本,基于深度强化学习算法训练得到的;动作是在状态下对卫星的资源分配方案,奖励是卫星执行在状态下对卫星的资源分配方案后的即时奖励,下一个状态是卫星执行在下对卫星的资源分配方案后的状态;当资源分配方案满足约束条件时,将资源分配方案应用于卫星的未来时刻。
-
公开(公告)号:CN119723099A
公开(公告)日:2025-03-28
申请号:CN202411862775.X
申请日:2024-12-17
Applicant: 北京邮电大学
Abstract: 本申请提供了一种数据去噪与增强协同的表征学习方法,涉及数据处理技术领域,旨在对自然噪声和对抗噪声进行协同表征学习,以提高任务模型的精度,该方法包括:对原始图像样本进行自然噪声去噪处理,得到去噪图像样本,所述自然噪声表征由自然因素产生的影响任务模型准确性的噪声;通过在所述去噪图像样本添加对抗噪声,生成对抗噪声图像样本,所述对抗噪声表征用于欺骗任务模型输出错误结果的噪声;基于扩散模型净化所述对抗噪声图像样本中的噪声,得到数据增强图像样本;基于所述数据增强图像样本和所述去噪图像样本,对任务模型进行训练,直至所述任务模型收敛。
-
公开(公告)号:CN114327935B
公开(公告)日:2025-03-21
申请号:CN202111495732.9
申请日:2021-12-09
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: G06F9/54 , G06N3/042 , G06N3/0455 , G06N3/0464
Abstract: 本发明提出了一种通信敏感的多智能体协同方法,应用于车联网通信技术领域。本发明方法包括:智能体利用信息过滤模块,将局部观测的消息编码为隐状态向量,即压缩过滤后的消息,在发送消息前,利用共享介质访问控制模块对消息评分,由边缘计算节点根据评分对消息价值排序,向具有topK消息价值的智能体发送确认信息,智能体收到确定后发送消息;边缘计算节点接收所有消息,利用消息蒸馏模块提取有效信息,汇总分发给各智能体;在汇总智能体消息的过程中,利用基于图信息瓶颈的图卷积汇总方式,保留智能体拓扑结构信息,并对汇总消息进行蒸馏。本发明减少了冗余和无效信息在智能体间的传输,节约了通信资源,提高多智能体的决策能力和协同效率。
-
公开(公告)号:CN119478720A
公开(公告)日:2025-02-18
申请号:CN202411646361.3
申请日:2024-11-18
Applicant: 北京邮电大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06F16/53 , G06N3/0455 , G06N3/08 , G06N3/0464 , G06V10/84 , G06V10/74
Abstract: 本申请提供了一种模型训练方法、高质量卫星图像检索方法和装置,可以通过第一神经网络模型得到样本卫星图像中每个对象的第一对象类别,以及各个第一对象类别分别对应的第一分类预测值,并可以进一步根据第一对象类别和第一分类预测值结合样本卫星图像自身的样本对象类别计算第一神经网络模型的第一模型损失值,从而可以通过第一模型损失值调整第一神经网络模型的模型参数,得到目标神经网络模型,由于对样本卫星图像的处理精确到了图像中的每个对象,因此,可以提升目标神经网络模型的预测准确率,在使用目标神经网络模型对查询图像进行处理以检索卫星图像时,可以提升最终得到的目标卫星图像与查询图像的匹配程度,提升图像检索查询的准确率。
-
公开(公告)号:CN119203596A
公开(公告)日:2024-12-27
申请号:CN202411448151.3
申请日:2024-10-16
Applicant: 北京邮电大学
Abstract: 本申请公开了一种基于卫星任务调度的星座仿真方法、系统、设备及存储介质,应用于服务器端,属于卫星仿真领域,包括:获取卫星网络的空间分布数据和处理性能数据,并获取卫星网络的调度任务数据;根据空间分布数据和处理性能数据,建立卫星网络的仿真网络,其中仿真网络包含的卫星虚拟机所占用的数据资源在服务器中相互隔离;通过仿真网络中的卫星虚拟机,按照调度任务数据中的数据处理任务与实体卫星之间的对应关系,在每个卫星虚拟机执行对应的数据处理任务,以确定卫星网络的运行仿真数据。基于本申请实施例的方法,能够更精确地模拟复杂的任务调度场景,提升了卫星仿真过程的整体精度,解决了现有技术中卫星仿真过程精度不足的问题。
-
公开(公告)号:CN118798306A
公开(公告)日:2024-10-18
申请号:CN202410753413.0
申请日:2024-06-12
Applicant: 北京邮电大学
Abstract: 本申请公开了一种基于强化学习多智能体协同的卫星服务组合选择方法及系统,包括:确定各个样本卫星分别对应的样本卫星剩余资源值,以及样本服务项集合包含的各个样本服务项分别对应的样本服务项资源需求值;将样本服务项集合、样本卫星剩余资源值和样本服务项资源需求值输入第一多智能体强化学习网络模型,得到第一多智能体强化学习网络模型输出的第一联合动作值;基于各个样本服务项资源需求值和各个第一联合动作值,计算第一多智能体强化学习网络模型的损失值;基于损失值,调整第一多智能体强化学习网络模型的第一参数,得到目标多智能体强化学习网络模型。
-
公开(公告)号:CN118740927A
公开(公告)日:2024-10-01
申请号:CN202310334926.3
申请日:2023-03-31
Applicant: 中国移动通信有限公司研究院 , 北京邮电大学 , 中国移动通信集团有限公司
IPC: H04L67/566 , H04L67/12
Abstract: 本申请提供一种核心网数据处理方法及通信设备,涉及通信技术领域,由核心网的第一网元执行,所述方法包括:收集原始数据流;通过数据筛选模型对所述原始数据流进行数据筛选,得到目标数据流;向网络数据分析功能NWDAF发送所述目标数据流。在本实施例中,在数据上报核心网数据过程中,无需配置订阅,也无需将订阅范围内的所有数据上报,通过数据筛选模型对所述原始数据流进行数据筛选,向NWDAF上报筛选后得到的目标数据流即可,以提高数据上报的灵活性。
-
-
-
-
-
-
-
-
-