-
公开(公告)号：CN103945518B
公开(公告)日：2017-11-14
申请号：CN201410146962.8
申请日：2014-04-11
Applicant: 南京邮电大学
Abstract: 本发明针对认知环境，从抑制认知基站与主用户之间的干扰、提高认知系统性能的角度，提出一种基于联合波束成形的功率分配方法。包括：分别在认知基站端以及认知用户端使用多根天线，根据系统间的信道环境，在认知基站端和认知用户端使用波束成形技术，为多个认知用户分配发射功率。在分配功率的过程中，本发明同时考虑认知系统和主系统之间的干扰和两类系统的性能指标，使用最优化理论将认知系统的波束成形和功率分配问题建模为一个多目标优化问题。在求解最优解时，本发明提出了一种基于固定变量思想的迭代方法实现波束成形和功率分配，该方法具有复杂度低、收敛速度快等优点，在实际使用中具有一定的应用价值。
-
公开(公告)号：CN107172682A
公开(公告)日：2017-09-15
申请号：CN201710556079.X
申请日：2017-07-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于动态分簇的超密集网络无线资源分配方法，包括：基站动态分簇过程，对网络中随机分布的基站进行动态分簇，通过改进型K均值聚类方法进行网络中大量基站的分簇，为不同模式用户的簇内资源块分配提供有效分配空间；资源块分配过程，根据步骤一中的分簇结果，对中心用户的单基站资源分配和边缘用户的簇内CoMP资源分配进行联合处理，通过所提出的基于比例公平的资源块分配方法，在用户所在簇内，将基站的信道状态较优的资源块优先进行分配，同时减轻所受到的干扰并保证不同模式用户间的比例公平性，得到最优的资源块分配结果。本发明方法可以有效地提高系统用户的和速率，达到整体网络资源优化的最终目标。
-
公开(公告)号：CN106501765A
公开(公告)日：2017-03-15
申请号：CN201611109206.3
申请日：2016-12-02
Applicant: 南京邮电大学
IPC: G01S3/14
CPC classification number: G01S3/14
Abstract: 本发明公开了一种基于平方和与半定规划的最大似然波达方向估计方法，涉及阵列信号处理领域。其步骤为：步骤1，根据阵列天线的接收信号模型和最大似然准则建立方向估计优化问题，利用坐标轮换法和交替投影原理将其转化为一系列优化子问题；步骤2，将子问题中的方向角变量代换为实数变量t，并将子问题构造成分式多项式优化问题；步骤3，利用平方和特性将多项式优化问题转化为半定规划问题进行求解；步骤4，用所得最优解构建关于t的一元高次方程组并求解；解值t所对应的原方向变量即为信号源波达方向估计；当迭代收敛时，得到信号源波达方向。本发明主要用于阵列信号处理的场景，以解决现有技术中最大似然方向估计的计算量很大的难点。
-
公开(公告)号：CN106028453A
公开(公告)日：2016-10-12
申请号：CN201610515110.0
申请日：2016-07-01
Applicant: 南京邮电大学
IPC: H04W72/04 , H04W72/10 , H04L12/863
CPC classification number: H04W72/0473 , H04L47/624 , H04W72/10
Abstract: 本发明公开了一种基于排队论的无线虚拟网络资源跨层调度映射方法，包括：一、在业务请求的队列中，根据时间紧迫性和请求实时性进行队列的重排，进入映射阶段；二、根据合同要求和用户的满足程度进行优先选择信道状态最好的资源块；三、对于还未满足要求的业务请求，再次选择信道状态较好的资源块，重复以上的过程，直至所有的业务请求满足要求；四、通过凸优化问题来求解最大的网络整体速率和底层网络的资源利用率，完成此次资源映射过程。本发明利用排队理论结合服务请求的时间额度和业务类型，映射过程采用采用迭代方式，能够动态的对资源块信道状态做出反应，克服了传统静态算法分配灵活度不高以及物理资源利用率低等问题。
-
公开(公告)号：CN118660317B
公开(公告)日：2025-02-14
申请号：CN202411124339.2
申请日：2024-08-16
Applicant: 南京邮电大学
IPC: H04W28/084 , H04W28/08 , H04W72/53
Abstract: 本发明的一种基于通感算的云边端协同卸载调度和资源调度方法及设备，通过将一个云端的覆盖范围按照不同的基站覆盖范围划分成多个子区域，并给每个终端选择三种卸载方式之一进行感知数据的卸载；通过公式化三种基于TDMA的卸载方式的终端消耗的能耗与任务完成的时延之和，定义为任务完成的成本和，并据此根据不同的卸载方式以及感知和卸载的时隙分配建模成任务成本最优化问题；通过利用线性规划和粒子群方法求解最优化问题，确定每个终端的卸载方式及TDMA卸载时隙；最终实现通过云边端协同卸载及感知卸载时隙的调度优化来最小化多终端完成巡检任务的成本的目的。可实现在不同的卸载情况下，有效节省多终端协同执行任务过程中的成本。
-
Patent Agency Ranking
公开(公告)号：CN118660317A
公开(公告)日：2024-09-17
申请号：CN202411124339.2
申请日：2024-08-16
Applicant: 南京邮电大学
IPC: H04W28/084 , H04W28/08 , H04W72/53
Abstract: 本发明的一种基于通感算的云边端协同卸载调度和资源调度方法及设备，通过将一个云端的覆盖范围按照不同的基站覆盖范围划分成多个子区域，并给每个终端选择三种卸载方式之一进行感知数据的卸载；通过公式化三种基于TDMA的卸载方式的终端消耗的能耗与任务完成的时延之和，定义为任务完成的成本和，并据此根据不同的卸载方式以及感知和卸载的时隙分配建模成任务成本最优化问题；通过利用线性规划和粒子群方法求解最优化问题，确定每个终端的卸载方式及TDMA卸载时隙；最终实现通过云边端协同卸载及感知卸载时隙的调度优化来最小化多终端完成巡检任务的成本的目的。可实现在不同的卸载情况下，有效节省多终端协同执行任务过程中的成本。
-
公开(公告)号：CN117172333A
公开(公告)日：2023-12-05
申请号：CN202311133647.7
申请日：2023-09-05
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于模型损失容忍度的联邦学习设备调度方法。所述方法包括：首先服务器获取终端设备上传的终端设备信息；其次，在服务器的判决器中设置模型所能容忍模型损失的阈值；然后判决器根据终端设备信息计算对应终端设备当前信道的误码率，依据阈值和误码率进行设备选择；最后，由选择出的设备进行联邦学习训练，并将训练后的本地模型参数上传至服务器端进而执行聚合操作更新全局模型，并将更新后的全局模型传输给参与训练的终端设备进行新一轮训练更新本地模型，不断迭代上述过程直至模型收敛。最后通过仿真实验验证了采用本发明方法模型能够获得更高准确率。
-
公开(公告)号：CN116361009A
公开(公告)日：2023-06-30
申请号：CN202310565554.5
申请日：2023-05-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种MEC计算卸载、资源分配及缓存联合优化方法，包括：根据用户实际请求计算资源任务，构建MEC计算卸载、资源分配及缓存模型；以最小化系统长期平均开销为目标，对MEC计算卸载、资源分配及缓存模型进行模型转换，并通过深度强化学习结合保序量化法获取卸载决策；基于卸载决策获取本地计算资源及边缘计算资源分配策略，通过任务请求概率分布制定缓存决策，动态更新MEC服务器缓存空间；根据MEC计算卸载、资源分配及缓存模型转换后的系统状态、动作及奖励训练深度强化学习网络，循环迭代优化卸载决策。本发明方法能够降低系统长期平均开销，提高用户请求任务的缓存命中率。
-
公开(公告)号：CN116321293A
公开(公告)日：2023-06-23
申请号：CN202211707655.3
申请日：2022-12-29
Applicant: 南京邮电大学
IPC: H04W28/08 , H04W28/086 , H04L41/16 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了基于多智能体强化学习的边缘计算卸载和资源分配方法包括：根据多移动用户、多边缘服务器的复杂场景构建移动边缘计算卸载和资源分配模型，并基于系统开销设定优化问题的目标函数和约束条件；将优化问题建模成马尔科夫决策过程，并设置深度强化学习中的状态空间、动作空间和奖励函数；采用基于多智能体深度强化学习的方法为各移动用户寻找最优卸载策略和资源分配策略，并对目标函数进行优化，同时采用NoisyNet方法将高斯噪声添加到Actor网络的输出层，提高网络模型探索效率，提升优化效果；本发明公开的方法融合了多智能体DDPG和NoisyNet，可以有效降低系统总开销，提升优化效果，提高了系统内用户的整体体验。
-
公开(公告)号：CN112600596B
公开(公告)日：2022-02-11
申请号：CN202011399004.3
申请日：2020-12-04
Applicant: 南京邮电大学
IPC: H04B7/0417 , H04B7/0413 , H04L25/02 , H04L27/26 , H04L1/00 , H04L69/04
Abstract: 本发明公开了一种基于张量并行压缩的毫米波系统信道反馈方法，包括：一、接收端获得当前下行信道状态信息，然后将信道状态信息建模成高阶张量的形式；二、接收端利用张量并行压缩技术将所述的信道状态信息张量压缩成若干个大小相同的张量；三、接收端利用CANDECOMP/PARAFAC(CP)分解分别对上述压缩后的张量进行分解，得到的因子矩阵通过上行反馈链路反馈到发射端；四、所述的发射端根据当前反馈到本发射端的因子矩阵恢复出原信道状态信息张量的因子矩阵，并通过恢复得出的因子矩阵重构出原信道状态信息，本发明利用毫米波MIMO‑OFDM信道的高维度特性，使用高阶张量模型结合张量并行压缩技术，无需下行信道的稀疏特性，能够在保证反馈精度的情况下有效降低反馈开销。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.017 seconds)
