-
公开(公告)号：CN114528907A
公开(公告)日：2022-05-24
申请号：CN202111665118.2
申请日：2021-12-31
Applicant: 北京交通大学
IPC: G06K9/62
Abstract: 本申请提供一种工业异常数据检测方法及装置；所述方法包括：将采集的工业数据初始化为数据空间中的数据点，设置大于工业数据采集维度的密度阈值，初始化每个数据点的邻域半径；对于每个数据点，利用与周围其他数据点在邻域半径上的差值确定该数据点的稀疏值，并利用与邻域数据点的距离确定该数据点的离群值，将稀疏值和离群值作为目标解；对于每个数据点，利用目标解初始化个体最优解；采取群粒子算法，对个体最优解进行迭代；响应于达到预设的迭代次数，确定每个数据点在最后一次迭代中的个体最优解，利用个体最优解反推出对应的邻域半径；对于每个数据点，响应于邻域半径内的邻域数据点的个数小于等于密度阈值，确定该数据点为异常点。
-
公开(公告)号：CN109982435B
公开(公告)日：2020-12-01
申请号：CN201910197190.3
申请日：2019-03-15
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于区块链的频谱接入和管理方法。该方法包括：将可利用的频谱资源分成了多个子信道，每个子信道对应一条区块环链,所述区块环链由主区块和微区块构成；网络中的节点利用区块环链中的主区块周期性地选举产生一个主用户，没有成为主用户的其它节点为次级用户；主用户拥有接入和使用本子信道的频谱的权限，所述主用户将频谱的使用权限通过拍卖的方式转让给次级用户，所述频谱的拍卖通过区块链和智能合约进行，交易信息被记录在微区块中。本发明在没有第三方参与的情况下，频谱可以动态地分配给网络中的用户。频谱的使用有记录可查，确保了频谱资源的有效管理。
-
公开(公告)号：CN110213185A
公开(公告)日：2019-09-06
申请号：CN201910483315.9
申请日：2019-06-04
Applicant: 北京交通大学
IPC: H04L25/02 , H04L27/26 , H04B7/0413
Abstract: 本发明属于通信技术领域，具体涉及一种基于原子范数最小化的三维信道参数估计方法。所述方法根据基站接收到的导频信号和已知的移动台发送的导频信号进行信道参数的估计；已知信道矩阵H[k]中包含了三个拥有范德蒙结构的参数：出发角度AoA、到达角度AoD、和时间延迟，根据毫米波信道的稀疏散射特性，将系统的信道估计问题可以被看做三维的线性谱估计问题，利用ANM的方法以无网格的方式高精度恢复出以上参数；并且利用参数之间的独立性，将三维的ANM信道估计问题分解为二维ANM和一维ANM的估计问题，以降低三维ANM信道估计的算法复杂度。
-
公开(公告)号：CN103327504B
公开(公告)日：2016-08-10
申请号：CN201310293813.X
申请日：2013-07-12
Applicant: 北京交通大学
IPC: H04W16/14 , H04B17/382
CPC classification number: Y02D70/00
Abstract: 本发明公开了一种认知无线电网络中频谱感知间隔的决策方法，该方法包括：获取当前频谱感知结果；若当前频谱感知结果为频谱忙碌，且对应的频谱感知间隔为θ1，则根据频谱感知间隔内频谱状态变为空闲的时隙个数的期望值fO(θ1)，计算降低的吞吐量的期望值fT(θ1)；再计算平均每个时隙的感知能量消耗fE(θ1)；并根据计算出的fT(θ1)与fE(θ1)计算最优频谱感知间隔；若当前频谱感知结果为频谱空闲，且对应的频谱感知间隔为θ0，则根据频谱感知间隔内频谱状态变为忙碌的时隙个数的期望值gO(θ0)，计算降低的吞吐量的期望值gT(θ0)以及授权用户遭受的干扰的期望值gI(θ0)；再计算平均每个时隙的感知能量消耗gE(θ0)；并根据计算出的gE(θ0)、gT(θ0)与gI(θ0)计算最优频谱感知间隔。通过采用本发明公开的方法，降低了系统能量消耗，提高了系统吞吐量。
-
公开(公告)号：CN119251639B
公开(公告)日：2025-04-15
申请号：CN202411015347.3
申请日：2024-07-26
Applicant: 北京交通大学
IPC: G06V10/82 , G06V20/58 , G06V10/25 , G06V10/764 , G06V10/766 , G06V10/94 , G06V10/96 , G06N3/045 , G06N3/0464 , G06N3/098 , G06N3/091 , G06N3/0895
Abstract: 本发明公开了一种基于主动学习和半监督学习的车联网联邦学习方法，属于车联网联邦学习领域，该方法包括在云服务器端基于标记数据训练全局模型，更新全局模型参数；通过若干个路侧单元，将全局模型参数分发至各路侧单元信号覆盖范围内的自动驾驶汽车；基于自动驾驶汽车的未标记数据，根据全局模型参数和未标记数据更新车侧模型的参数；通过路侧单元将各自动驾驶汽车的车侧模型的参数发送至云服务器端；随机确定聚合客户端集合，并在云服务器端对聚合客户端集合中各自动驾驶汽车车侧模型的参数进行聚合，得到全局模型参数，将全局模型复制到云服务器端的教师学生网络，直至达到通信轮次。本发明解决了传统联邦学习应用于车联网时有效性太低的问题。
-
Patent Agency Ranking
公开(公告)号：CN119012281B
公开(公告)日：2025-04-08
申请号：CN202411015350.5
申请日：2024-07-26
Applicant: 北京交通大学
Abstract: 本发明涉及智能交通控制技术领域，公开了基于自学习的车辆边缘计算和网络的可靠卸载优化方法，包括以下步骤：构建包含物理网络层、卸载边缘层以及区块链网络层的车辆边缘计算和网络的三层卸载模型；利用物理网络层中的车辆生成任务，并根据任务中的安全相关系数，设计两类任务的卸载方法，得到卸载矩阵，用于实现任务卸载；定义新指标cEDP为基于总能耗、总延迟以及隐私暴露风险的卸载可靠性度量指标并进行优化，得到优化的新指标cEDP；对设计的两类任务的卸载方法进行优化，构建分散卸载优化问题；采用基于自主学习的可靠隐私保护卸载的博弈论与自学习方法对构建的分散卸载优化问题进行求解，得到最佳的卸载矩阵；该方法保证与提高了卸载可靠性。
-
公开(公告)号：CN114666003B
公开(公告)日：2025-03-25
申请号：CN202210176220.4
申请日：2022-02-24
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于切换的物理层信息安全传输方法。该方法包括：根据传输携带物理层信息的正常信号的信道设计干扰信号，基于正常信号和干扰信号计算出窃听者和合法接收端处的信干噪比；将多个干扰机分布部署在网络中，根据窃听者的信干噪比设计干扰机切换策略，该干扰机切换策略的参数包括干扰机切换门限值；以最大化网络的切换效率为目标通过设定算法求解所述干扰机切换策略的约束条件，获取最优的干扰机切换门限值与正常信号的保密速率。本发明方法公开了一种新颖的基于切换的物理层信息安全传输策略，将物理层安全技术与工业互联网场景结合起来，能够实现保护系统中隐私消息不被窃取，对抗实际场景中具有智慧的移动窃听者的目标。
-
公开(公告)号：CN119012281A
公开(公告)日：2024-11-22
申请号：CN202411015350.5
申请日：2024-07-26
Applicant: 北京交通大学
Abstract: 本发明涉及智能交通控制技术领域，公开了基于自学习的车辆边缘计算和网络的可靠卸载优化方法，包括以下步骤：构建包含物理网络层、卸载边缘层以及区块链网络层的车辆边缘计算和网络的三层卸载模型；利用物理网络层中的车辆生成任务，并根据任务中的安全相关系数，设计两类任务的卸载方法，得到卸载矩阵，用于实现任务卸载；定义新指标cEDP为基于总能耗、总延迟以及隐私暴露风险的卸载可靠性度量指标并进行优化，得到优化的新指标cEDP；对设计的两类任务的卸载方法进行优化，构建分散卸载优化问题；采用基于自主学习的可靠隐私保护卸载的博弈论与自学习方法对构建的分散卸载优化问题进行求解，得到最佳的卸载矩阵；该方法保证与提高了卸载可靠性。
-
公开(公告)号：CN118764868A
公开(公告)日：2024-10-11
申请号：CN202410975996.1
申请日：2024-07-19
Applicant: 北京交通大学
IPC: H04W12/121 , H04W12/122 , H04W28/08
Abstract: 本发明公开了一种联合安全和能量负载均衡的数据处理方法，包括以下步骤：每个用户终端将分配的导频序列发送给接入点AP‑ES，接入点AP‑ES为配备独立边缘服务器ES的接入点AP；接入点AP‑ES通过检测导频信号的异常情况来判断用户终端UE是否受到攻击者Eve攻击；若用户终端UE未被攻击，则标记为正常用户终端UE，否则，标记为遭受攻击的用户终端UE；接入点AP‑ES作为智能体分别在各自的本地观测上执行当前的服务策略H*；基于当前的服务策略H*的结果，用户终端UE计算出最优任务卸载比Λ*，并基于服务策略H*和最优任务卸载比Λ*得到最优干扰策略J*。提出了一种基于安全性和负载均衡性的数据处理方法，能够实现对抗上行无源窃听和下行导频污染攻击的高效安全传输方案。
-
公开(公告)号：CN118714533A
公开(公告)日：2024-09-27
申请号：CN202410860567.X
申请日：2024-06-28
Applicant: 北京交通大学
Abstract: 本发明涉及车联网技术领域，公开了一种基于强化学习的车联网边缘节点动态调整方法，包括以下步骤：建立车辆边缘计算网络；分析车辆边缘计算网络的可靠性，建立车辆边缘计算网络的可靠性模型；对车辆边缘计算网络的能耗进行分析，建立车辆边缘计算网络的能耗模型；构建车辆边缘计算网络的约束条件，获取以最大化可靠性与最小化能耗为目标的双目标优化函数；采用多目标决策分析法将双目标转化为单目标，得到以最大化部署效果为目标的单目标优化函数并将其建模为马尔可夫决策过程，采用异步优势演员评论家方法进行多线程求解，得到车辆边缘节点的部署方案；该方法提高了车辆边缘计算网络的可靠性并缩短时延，同时能够实现高可靠性低能耗的目标优化。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.027 seconds)
