-
公开(公告)号：CN108882269B
公开(公告)日：2021-07-30
申请号：CN201810491506.5
申请日：2018-05-21
Applicant: 东南大学
Abstract: 本发明提供一种结合缓存技术的超密集网络小站开关方法，所述方法包括以下步骤：步骤1：采集网络信息：步骤2：从S1(t)(S1(t)∈Ω)开始，遍历基站状态集合Ω中所有可能的基站状态，步骤3：根据公式(10)和(11)分别计算时刻t小站k的负载率ρk(t)，平均负载效率步骤4：更新时刻t＝t+1，更新队长；执行步骤2‑3；步骤5：当t＝T+1退出迭代过程；步骤6：计算第n次遍历搜索时，在状态集合Sn下的成本函数；步骤7：更新基站状态集合Sn＝Sn+1，执行步骤2‑6；步骤8：当遍历搜索结束；步骤9：对于所有的成本函数值根据公式计算n*；步骤10：根据得到的最优基站状态对所有小站执行开关决策。
-
公开(公告)号：CN109587776B
公开(公告)日：2021-03-30
申请号：CN201811492708.8
申请日：2018-12-07
Applicant: 东南大学
Abstract: 本发明公开了D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法。该方法同时考虑缓存方案和基站休眠策略，通过分析文件传输时延和系统平均能耗，将能耗和时延权衡问题描述为最小成本函数问题。所述最小成本函数问题是一个复杂的组合优化问题，因休眠和缓存是两个独立的过程，将原问题分解为两个子问题：首先，给定缓存方案，寻找最小成本函数值所对应的最优基站休眠方案；其次，基于最优基站休眠方案，根据组合优化算法迭代求解最优协作缓存方案，使得用户服务质量得以保证的条件下最小化系统能耗。
-
公开(公告)号：CN112351481A
公开(公告)日：2021-02-09
申请号：CN202010914234.2
申请日：2020-09-03
Applicant: 东南大学
Abstract: 本发明提供了一种基于用户行为预测的小基站唤醒方法。对于用户的移动行为和APP使用使用，分别建模并预测，可以得到用户在下一时间段的位置坐标信息以及所使用的APP类型信息。根据用户的坐标信息可以判断出下一时间段内用户到达的小区。由预测的用户使用的APP类型信息，可以估算出用户在下一时间段内的数据速率需求。本发明根据预测得到的目标小区内用户的速率需求，判断是否需要唤醒小基站，在用户需求较低的情况下，可以由宏基站为用户提供服务，达到在保证用户需求的情况下，降低网络的能耗的目的。
-
公开(公告)号：CN108366386B
公开(公告)日：2021-01-05
申请号：CN201810449148.1
申请日：2018-05-11
Applicant: 东南大学
Abstract: 本发明公开了一种使用改进的径向基函数神经网络实现无线网络故障检测的方法，以实现对非线性可分的用户数据更好的分类。本发明应用了决策树基学习器和bagging方法从空间和时间维度的用户数据中进行特征选择，并应用结合了突变操作的人工蜂群算法实现神经网络参数的全局最优化，从而提升神经网络分类器的性能，分布式协作的检测方法引入了相邻基站的监测功能，提高了检测准确率也减少了数据传输消耗，在密集分布、用户稀疏的小型基站故障检测问题中取得了理想的性能。
-
公开(公告)号：CN111935037A
公开(公告)日：2020-11-13
申请号：CN202010520822.8
申请日：2020-06-09
Applicant: 东南大学
Abstract: 本发明提供了一种基于深度学习的大规模多天线系统信道估计方法。本发明的方法为：首先在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC-DNN的训练样本进行RC-DNN训练；然后将接收并量化的导频信号输入训练完成后的RC-DNN获得RC-DNN的输出，并将其同对应的高精度ADC天线接收并量化后的导频信号合并成Ref-DNN的训练样本进行Ref-DNN训练；用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道 将其与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，将su输入Ref-DNN，获得用户到所有天线的估计信道 本发明可有效降低估计的NMSE。
-
Patent Agency Ranking
公开(公告)号：CN106954234B
公开(公告)日：2020-08-14
申请号：CN201710272274.X
申请日：2017-04-24
Applicant: 东南大学
Abstract: 本发明公开了一种以最大化所有服务提供商的效益和为目标的用户连接和虚拟资源分配方法；该方法首先基于该效益函数，定义用户和服务提供商的效益；然后利用拉格朗日对偶得到混合业务场景下最优资源分配的充要条件；接着利用一种低复杂度的方法迭代求解资源分配的结果，最后结合资源分配的结果；本发明根据贪心策略设计用户连接方案，对于新用户到达的情况，在保持原有用户连接不变的情况下，新用户根据局部信息选择最佳的基站进行连接；得益于拉格朗日对偶和启发式的思想，该方法能够降低迭代次数和计算复杂度，快速找到资源分配方案。
-
公开(公告)号：CN111327332A
公开(公告)日：2020-06-23
申请号：CN202010249050.9
申请日：2020-03-31
Applicant: 东南大学
Abstract: 本发明提供了一种LDPC码的噪声梯度下降多比特翻转译码早停方法，该方法包括如下步骤：(1)首先对接收信号硬判决，得到向量，对参数进行初始化；(2)计算向量x的伴随式s，如果s中的每一个元素都是1，则宣布译码成功，返回结果x并且结束迭代，否则，迭代次数t加1；(3)计算x的翻转方程E；(4)如果当前迭代次数t属于早停集合S，则启动计数器；(5)根据E和θ找到所有要翻转的比特的位置，翻转这些比特，更新x。记录翻转的比特数量；(6)如果迭代次数t小于最大迭代次数T且计数器的值l小于早停门限λ，转入步骤(2)；否则，返回x并且结束迭代。本发明的方法能显著减少译码器在低信噪比的平均迭代次数。
-
公开(公告)号：CN108134979B
公开(公告)日：2020-04-14
申请号：CN201711261843.7
申请日：2017-12-04
Applicant: 东南大学
Abstract: 本发明提供了基于深度神经网络的小基站开关控制方法，包括：采集基站中的用户信息；将所有用户数据整合成可供模型训练的路径数据样本集合；构建神经网络模型；输入数据并训练模型；收集待预测用户数据，预测用户下一时刻位置；计算基站未来服务用户的数目，控制基站开关。本发明方法通过预测基站内待服务人数，控制超密集网络中小基站的开关，达到了降低基站功耗，减少基站间的干扰，优化超密集网络中资源分配的目的；在建立数学模型的过程中，本方法结合了数据挖掘和机器学习，提高了预测的准确率和系统的实用性。
-
公开(公告)号：CN107371175B
公开(公告)日：2020-02-18
申请号：CN201710705438.3
申请日：2017-08-17
Applicant: 东南大学
Abstract: 本发明公开了一种使用协作预测的自组织网络故障检测方法，首先给出了基于K近邻的协同过滤预测算法，该算法利用用户数据的空间相关性预测参考信号接收功率，触发异常检测过程；然后提出一种邻区协作的时间序列灰度预测算法，该算法考虑了基站高密度分布、稀少用户连接的特性，利用用户报告的时间相关性分布式地处理相关用户数据，最后得到异常基站检测结果。本发明能够解决不同程度的基站发射功率衰减故障的检测，同时在高密度基站、少用户连接的网络环境中表现出良好的性能，得到较高的检测率。
-
公开(公告)号：CN108156620B
公开(公告)日：2020-01-14
申请号：CN201810086759.4
申请日：2018-01-30
Applicant: 东南大学
Abstract: 本发明提供了一种基于信道和队列感知的超密集网络小站休眠方法，包括：采集网络信息；根据梯度下降法计算最优休眠比例；计算要休眠小站的数目；令基站开关比例为0，计算每个小站在一定时长内每个时间间隔内的平均队长和平均传输速率；根据各小站平均队长和用户平均传输速率之积将小站升序排列；得到休眠数目；按照排序依次关闭小站。本发明针对超密集异构网络提出的基站休眠方法，通过采集数据业务量，结合基站和用户之间的信道状态，执行基站休眠策略，能很好地适用于实际系统，且能带来比传统方法更好的性能增益，在保证用户时延特性的条件下显著降低系统能耗。
-
-
-
-
-
-
-
-
-
Search Results
351
records
(took 0.053 seconds)
