-
Patent Agency Ranking
公开(公告)号：CN113947210B
公开(公告)日：2024-05-10
申请号：CN202111169752.7
申请日：2021-10-08
Applicant: 东北大学
IPC: G06N20/00
Abstract: 本发明属于边缘计算技术领域，提供了一种移动边缘计算中的云边端联邦学习方法，以降低通信轮次，提高所提出的三层边缘计算架构中的训练的机器学习模型可靠性。通过让边缘服务器参与联邦学习训练过程，通过动态调整终端设备中的训练轮次来最小化边缘服务器和终端设备之间的通信轮次。通过最小化边缘服务器和终端设备之间的通信轮次降低了在传输模型过程中由于信道带宽等因素导致的模型参数丢失问题。
-
公开(公告)号：CN111818589A
公开(公告)日：2020-10-23
申请号：CN202010640908.4
申请日：2020-07-06
Applicant: 东北大学
IPC: H04W28/22 , H04W4/40 , H04B17/318 , H04L1/00
Abstract: 本发明属于车联网通信技术领域，涉及一种适用于车联网环境的自适应发送速率调节方法。该方法根据不同的信道通信环境质量，基于多项式回归和动态窗口回馈的RSSI预测，自适应地采用不同的速率。这种方法既能保证数据的准确接收，满足不同业务的需求，又能提高系统的网络链路吞吐量和节省能量消耗，有效解决了VANET通信丢包率过高的问题。对于车辆高速移动的交通场景，自适应速率调节机制的方法具有相当的适用价值。
-
公开(公告)号：CN113950113A
公开(公告)日：2022-01-18
申请号：CN202111169755.0
申请日：2021-10-08
Applicant: 东北大学
Abstract: 本发明属于车联网信息交互技术领域，提出了一种基于隐马尔科夫的车联网切换决策算法，算法包括信息交互模块、切换触发模块、网络选择模块、信息维护模块和数据转发模块五个模块。根据维护在数据库中的可接收信号强度预测当前连接网络在未来一段时间内的可接收信号强度，从而判断出是否需要进行网络切换。并通过隐马尔科夫模型中的元素以及车辆的观测状态信息，得到车辆从一个网络切换至另一个网络的概率，判决出最佳的目标网络。切换完成后，根据切换前后的网络信息修改隐马尔科夫模型。改善了现有的网络切换算法切换时延高、丢包率高以及容易发生“乒乓效应”的问题。
-
公开(公告)号：CN113950113B
公开(公告)日：2022-10-25
申请号：CN202111169755.0
申请日：2021-10-08
Applicant: 东北大学
Abstract: 本发明属于车联网信息交互技术领域，提出了一种基于隐马尔科夫的车联网切换决策算法，算法包括信息交互模块、切换触发模块、网络选择模块、信息维护模块和数据转发模块五个模块。根据维护在数据库中的可接收信号强度预测当前连接网络在未来一段时间内的可接收信号强度，从而判断出是否需要进行网络切换。并通过隐马尔科夫模型中的元素以及车辆的观测状态信息，得到车辆从一个网络切换至另一个网络的概率，判决出最佳的目标网络。切换完成后，根据切换前后的网络信息修改隐马尔科夫模型。改善了现有的网络切换算法切换时延高、丢包率高以及容易发生“乒乓效应”的问题。
-
公开(公告)号：CN113947210A
公开(公告)日：2022-01-18
申请号：CN202111169752.7
申请日：2021-10-08
Applicant: 东北大学
IPC: G06N20/00
Abstract: 本发明属于边缘计算技术领域，提供了一种移动边缘计算中的云边端联邦学习方法，以降低通信轮次，提高所提出的三层边缘计算架构中的训练的机器学习模型可靠性。通过让边缘服务器参与联邦学习训练过程，通过动态调整终端设备中的训练轮次来最小化边缘服务器和终端设备之间的通信轮次。通过最小化边缘服务器和终端设备之间的通信轮次降低了在传输模型过程中由于信道带宽等因素导致的模型参数丢失问题。
-
-
-
-
Search Results
5
records
(took 0.021 seconds)
