-
公开(公告)号：CN114745343B
公开(公告)日：2023-08-11
申请号：CN202210310244.4
申请日：2022-03-28
Applicant: 南京邮电大学
Abstract: 本申请涉及一种基于QoS优先级的SDN的网络负载均衡路由方法、系统和设备。该方法包括：在至少一个终端交换机中设置至少两个流缓存队列，至少两个流缓存队列至少包括高优先级流缓存队列和低优先级流缓存队列；根据至少一个终端交换机接收的业务流的业务类型确定业务流的第一级QoS优先级，并根据第一级QoS优先级将业务流分配至对应的至少两个流缓存队列中的一个中；根据获取的SDN的实时业务流状态对分配到至少两个流缓存队列中的一个中的业务流分配第二级QoS优先级，第二级QoS优先级用于指示至少两个流缓存队列中的一个中的业务流的调度顺序；以及分别根据至少两个流缓存队列中的一个的各业务流的第二级QoS优先级的高低指示至少一个终端交换机中的业务流的调度顺序。
-
公开(公告)号：CN116567675A
公开(公告)日：2023-08-08
申请号：CN202310839079.6
申请日：2023-07-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于无人机协同辅助移动边缘计算的安全卸载方法及系统，该方法包括：采用部分卸载计算模式，根据获得的计算无人机、发射干扰无人机与地面上的用户和窃听者的地理位置，建立空地信道衰落模型以及用户到计算无人机的可达速率模型；其中，计算无人机部署有移动边缘计算服务器，用于接收地面用户卸载的任务并计算。本发明在存在窃听者的情况下，利用多无人机协同的方式，一架无人机作为计算无人机进行处理任务，另一架无人机作为干扰器发射干扰信号，增大地面终端将计算任务卸载给计算无人机的通信可达速率，减少系统的能耗。
-
公开(公告)号：CN116249142B
公开(公告)日：2023-07-28
申请号：CN202310498327.5
申请日：2023-05-06
Applicant: 南京邮电大学
Abstract: 本发明公开了一种感知任务卸载和资源分配联合优化方法及相关装置，本发明在移动终端层的感知任务卸载策略和边缘层的资源分配策略的基础上构建以预设时隙内移动终端感知任务数据量最大为目标的联合优化模型，通过求解联合优化模型，获得预设时隙内端边协同网络处理的感知任务数据量最大，从而使端边协同网络资源被充分利用，提高了端边协同网络的服务性能。
-
公开(公告)号：CN116319190A
公开(公告)日：2023-06-23
申请号：CN202310231727.X
申请日：2023-03-10
Applicant: 南京邮电大学
IPC: H04L25/02 , G06N3/0475 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/08 , H04B7/0413
Abstract: 本发明公开了一种基于GAN的大规模MIMO系统信道估计方法、装置、设备及介质，方法包括以下步骤：接收MIMO系统的发送端发送的导频信号，基于预先设计并训练的去噪神经网络，对接收到的信号进行去噪；根据去噪后得到的信号，使用随机梯度下降算法优化预先设计并训练的GAN的随机输入，得到最优的GAN输入。该基于GAN的大规模MIMO系统信道估计方法、装置、设备及介质，通过对接收信号进行了有效的去噪，降低了信道估计过程中噪声对信道估计的影响，并且采用注意力机制有效地利用了角度域信道的空间聚集稀疏结构，将整个角度空间分割成多个小角度区域，分别关注这些小区域，过滤掉无关信息对本区域信道学习的影响，提高了信道学习的效率和信道估计的准确性。
-
公开(公告)号：CN115915370A
公开(公告)日：2023-04-04
申请号：CN202211326113.1
申请日：2022-10-27
Applicant: 南京邮电大学
IPC: H04W52/26 , H04W52/14 , H04W52/42 , H04L25/02 , H04B7/0413
Abstract: 本发明公开了一种在去蜂窝大规模MIMO系统中提升系统性能的方法，建立移动终端到无线接入点的信道进行估计模型，获得无线接入点接收上行链路矢量以及接收的信号，再获得中央处理器接收的信号；进一步获得系统的上行和速率。根据功率控制因子构造上行和速率最大化问题P1，再将该问题P1转化为凸优化问题P2；使用拉格朗日函数求解凸优化问题P2,获得第一最优功率控制因子；通过预设方法B求解凸优化问题P2，获得第二最优功率控制因子；在相同的硬件条件下比较第一、第二最优功率控制因子，获得最终最优功率控制因子。本发明的算法优化了上行和速率的最优值以及缩短了计算出最优功率控制因子所需的时间和迭代步骤，总体效率显著提高。
-
Patent Agency Ranking
公开(公告)号：CN112822130B
公开(公告)日：2022-11-29
申请号：CN202011578137.7
申请日：2020-12-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种5G高速移动系统中基于深度学习的多普勒频偏估计方法，包括基于数据与导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建预训练样本；利用构建的预训练样本对网络进行预训练处理，获取预训练网络的权重和阀值参数；基于导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建训练样本；利用获取预训练网络的权重和阀值参数与构建的训练样本对网络进行第二次训练处理，获取最终的网络估计模型，进行线上多普勒频偏实时估计。具有较快的收敛速度和高的估计性能，具有一定的实用价值。
-
公开(公告)号：CN114884775A
公开(公告)日：2022-08-09
申请号：CN202210340614.9
申请日：2022-03-31
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明公开了一种基于深度学习的大规模MIMO系统信道估计方法，包括如下步骤：将导频信号通过MIMO通信系统进行传输，接收端接收到通信信号，利用最小二乘算法进行初步信道估计，将初步估计信道状态信息输入到预先训练好的深度神经网络确定信道估计。本发明利用点卷积层、分组卷积层和深度可分离卷积层构建深度神经网络，该网络降低了需要存储的参数个数，减少需要计算的卷积次数，从而降低深度学习算法在信道估计时的复杂度；本发明深度神经网络拥有更高精度，在低信噪比时保持很好的性能表现；本发明中使用的激活函数提高了深度神经网络估计信道的精度。
-
公开(公告)号：CN114389658A
公开(公告)日：2022-04-22
申请号：CN202111660404.X
申请日：2021-12-31
Applicant: 南京邮电大学
IPC: H04B7/0426 , H04W52/14 , H04W52/34
Abstract: 本发明公开了一种基于迫零接收的去蜂窝大规模多输入输出(multiple‑input multiple‑output,MIMO)系统的上行功率优化方法，该方法核心步骤为：在满足每个用户服务质量要求(quality‑of‑service,QoS)和最大发射功率限制的前提下，优化系统整体的上行容量，增加目标信号功率的同时减少部分干扰信号的功率，同时考虑方法的复杂度，降低计算时间和计算资源的消耗。该优化方法利用松弛变量和解耦变形，通过部分拉格朗日函数处理约束条件和目标函数，使整个优化问题转化为凸优化问题，并推各变量的迭代封闭表达式，比以往凸逼近方式求解效率更高，同时可以显著提高上行系统的容量。本发明可以用于提高功率使用效率，提高目标信号功率并减少部分干扰信号功率。
-
公开(公告)号：CN114285444A
公开(公告)日：2022-04-05
申请号：CN202111163511.1
申请日：2021-09-30
Applicant: 南京邮电大学
IPC: H04B7/0426 , H04B7/0413 , H04L5/00 , H04W24/02 , H04W24/08
Abstract: 本发明公开了一种去蜂窝大规模MIMO系统的功率优化方法，包括如下步骤，获取系统的初始参数信息，建立接入点AP的接收信号函数；根据所述接收信号函数，建立上行用户和速率优化问题；基于wMMSE算法，寻求所述优化问题的最优解；根据最优解，获取系统内所有用户的功率优化结果。本发明采用的功率优化方法，提高了上行用户和速率，从而补偿了由干扰器引起的用户速率下降，提高了去蜂窝大规模MIMO系统的整体性能。
-
公开(公告)号：CN114245449A
公开(公告)日：2022-03-25
申请号：CN202111434734.7
申请日：2021-11-29
Applicant: 南京邮电大学
IPC: H04W52/34
Abstract: 本申请涉及一种5G边缘计算环境下终端能耗感知的任务卸载方法。该方法包括：建立全双工自回程异构蜂窝终端总能耗优化模型，计算终端功率耦合约束的边界条件，针对终端功率不耦合场景，对所述总能耗优化模型进行简化，然后利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长，获得第一优化结果，针对终端功率耦合场景，利用第一优化结果，对所述总能耗优化模型重新建模并求解，获得第二优化结果，然后根据该第二优化结果对第一优化结果进行修正，输出最终优化结果，利用终端功率耦合约束的边界条件对场景进行划分，从而实现解耦，大大降低了算法复杂度，提升了求解速度，从而高效降低终端能耗。
-
-
-
-
-
-
-
-
-
Search Results
343
records
(took 0.031 seconds)
