-
公开(公告)号：CN120046110A
公开(公告)日：2025-05-27
申请号：CN202510183178.2
申请日：2025-02-19
Applicant: 东南大学
IPC: G06F18/25 , G06F18/10 , G06F18/213 , G06N3/0442 , G06N3/042 , G06N3/047 , G06N3/045 , G06N3/048 , G08G1/01
Abstract: 本发明公开了一种基于多视图空间补丁自注意力的流量预测方法，属于图神经网络领域。该方法综合了来自不同角度的数据，以构建一个更全面的表示。多个时间步长的网络流量数据通过补丁操作分割成小块，使用空间‑补丁块自注意力共同考虑时空相关性。本发明以网络流量与网络拓扑结构为输入，在经过迭代训练后，能输出各节点未来的流量预测值，与其它预测方法相比，具有优越的预测性能和计算效率。
-
公开(公告)号：CN114204971B
公开(公告)日：2024-01-30
申请号：CN202111504444.5
申请日：2021-12-10
Applicant: 东南大学
IPC: H04B7/06 , H04B7/08 , H04B7/0456 , G06N20/20
Abstract: 本发明公开了一种迭代的聚合波束成形设计和用户设备选择方法，该方法针对一个边缘智能系统，将中心节点和用户设备共同完成机器学习任务的问题建模为一个分布式联邦学习模型，并采用了空中计算技术来提高通信效率，但是该技术会引入聚合误差，因此，本发明通过优化中心节点的波束成形矢量和用户设备选择方案，来减小均方误差，提升模型的学习性能。在选择的用户设备数固定时，本发明与随机用户设备选择方案和基于信道的用户设备选择策略相比能取得更低的聚合误差，进而获得更好的学习性能。
-
公开(公告)号：CN115460232A
公开(公告)日：2022-12-09
申请号：CN202211136348.4
申请日：2022-09-19
Applicant: 东南大学
IPC: H04L67/1097 , H04W8/20 , G06N20/00 , G06N7/00
Abstract: 本发明公开了一种基于因果强化学习的边缘缓存方法，在边缘缓存系统中，流行的内容可以缓存在网络边缘附近，例如基站中，这样可以大大减少网络的重复流量并缩短传输延迟，但是如何优化基站中缓存的内容是一个关键的问题。因此，本发明的方法利用了观察数据并考虑了隐藏状态的影响，通过优化基站中缓存的文件内容，最大化命中率，减少存储开销和延迟。相比于其他没有利用观察数据或没有考虑隐藏状态的方法，本发明的方法能够大大提高初始时刻的命中率。
-
Patent Agency Ranking
公开(公告)号：CN114189899A
公开(公告)日：2022-03-15
申请号：CN202111503756.4
申请日：2021-12-10
Applicant: 东南大学
Abstract: 本发明公开了一种基于随机聚合波束成形的用户设备选择方法，在联邦学习聚合模型时，采用空中计算技术提高通信效率，由此产生的聚合误差对最终学习性能存在影响。问题的目标是通过选择用户设备和设计聚合波束成形矢量实现聚合误差最小化和用户设备数最大化两个目标。然后提出了一种基于随机聚合波束成形的用户设备选择方法。在用户设备数量增大时，本发明的算法与原有算法相比能取得更低的聚合误差和选择更多的用户设备，进而获得更好的学习性能。
-
公开(公告)号：CN115460232B
公开(公告)日：2025-04-25
申请号：CN202211136348.4
申请日：2022-09-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于因果强化学习的边缘缓存方法，在边缘缓存系统中，流行的内容可以缓存在网络边缘附近，例如基站中，这样可以大大减少网络的重复流量并缩短传输延迟，但是如何优化基站中缓存的内容是一个关键的问题。因此，本发明的方法利用了观察数据并考虑了隐藏状态的影响，通过优化基站中缓存的文件内容，最大化命中率，减少存储开销和延迟。相比于其他没有利用观察数据或没有考虑隐藏状态的方法，本发明的方法能够大大提高初始时刻的命中率。
-
公开(公告)号：CN118138465A
公开(公告)日：2024-06-04
申请号：CN202410255543.1
申请日：2024-03-06
Applicant: 东南大学
IPC: H04L41/12 , H04L41/16 , H04W24/02 , G06F18/241 , G06N5/022 , G06F18/15 , G06N3/0895 , G06N3/045 , G06F18/25
Abstract: 本发明涉及一种无线通信网络结构识别方法、装置及存储介质，其中方法包括：步骤S1：建立无线知识图谱，并分别按照时序和关系属性对无线知识图谱进行切片分割，其中，无线知识图谱为根据专家知识建立的网线通信网络结构描述图；步骤S2：将各时序切分时段的无线通信数据作为对应于该时段的快拍数据，分别基于各快拍数据得到各对应于各快拍的包含单一关系属性的参照图和学习图初始矩阵；步骤S3：对参照图和学习图进行边级和时间级的融合，生成具有融合信息的参照图和学习图矩阵；步骤S4：对得到的具有融合信息的参照图和学习图进行预处理，对预处理后的参照图和学习图进行对比损失计算；步骤S5：以最小化对比损失为优化目标，迭代学习直至模型收敛或达到预设的停止条件，迭代过程中对参照图进行更新；步骤S6：基于最终的参照图得到无线网络结构识别结果。与现有技术相比，本发明可以挖掘出专家知识遗漏的关联信息，从而识别出更加准确的无线通信网络结构。
-
公开(公告)号：CN114189899B
公开(公告)日：2023-03-31
申请号：CN202111503756.4
申请日：2021-12-10
Applicant: 东南大学
Abstract: 本发明公开了一种基于随机聚合波束成形的用户设备选择方法，在联邦学习聚合模型时，采用空中计算技术提高通信效率，由此产生的聚合误差对最终学习性能存在影响。问题的目标是通过选择用户设备和设计聚合波束成形矢量实现聚合误差最小化和用户设备数最大化两个目标。然后提出了一种基于随机聚合波束成形的用户设备选择方法。在用户设备数量增大时，本发明的算法与原有算法相比能取得更低的聚合误差和选择更多的用户设备，进而获得更好的学习性能。
-
公开(公告)号：CN114204971A
公开(公告)日：2022-03-18
申请号：CN202111504444.5
申请日：2021-12-10
Applicant: 东南大学
IPC: H04B7/06 , H04B7/08 , H04B7/0456 , G06N20/20
Abstract: 本发明公开了一种迭代的聚合波束成形设计和用户设备选择方法，该方法针对一个边缘智能系统，将中心节点和用户设备共同完成机器学习任务的问题建模为一个分布式联邦学习模型，并采用了空中计算技术来提高通信效率，但是该技术会引入聚合误差，因此，本发明通过优化中心节点的波束成形矢量和用户设备选择方案，来减小均方误差，提升模型的学习性能。在选择的用户设备数固定时，本发明与随机用户设备选择方案和基于信道的用户设备选择策略相比能取得更低的聚合误差，进而获得更好的学习性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
