-
公开(公告)号：CN114844538A
公开(公告)日：2022-08-02
申请号：CN202210474863.7
申请日：2022-04-29
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426
Abstract: 本发明公开了一种基于宽学习的毫米波MIMO用户增量协作波束选择方法，包括：针对多点协作毫米波大规模MIMO场景的下行波束选择问题，各用户收集下行宽波束响应与传输窄波束响应，训练本地宽学习网络，并基于预测的窄波束响应进行波束选择。进一步，通过将各用户本地网络的训练问题建模为具有一致性约束的分布式优化问题，利用相邻用户间的D2D通信，可实现训练数据的有效共享。进一步，设计协作模式下用户本地网络的增量式更新方式，可有效降低网络的训练复杂度。本发明充分利用分布式宽学习在小样本条件下挖掘多基站宽波束响应与传输窄波束响应关系的能力，可实现快时变场景多点协作毫米波大规模系统的低复杂度低开销波束选择。
-
Patent Agency Ranking
公开(公告)号：CN113364854A
公开(公告)日：2021-09-07
申请号：CN202110616233.4
申请日：2021-06-02
Applicant: 东南大学
Abstract: 本发明公开了一种移动边缘计算网络中基于分布式强化学习的隐私保护动态边缘缓存设计方法，具体为：首先将用户内容流行度动态性建模成无模型的马尔科夫链，然后将系统中各用户设备和服务器设备的缓存命中率最大化问题构建成一个隐私保护约束下的分布式优化问题。接着将该分布式优化问题转化为分布式无模型马尔科夫决策过程问题，并引入一种联邦学习方法用于隐私保护约束下的流行度预测。最后通过原分布式优化问题的转化，得到动作空间，状态空间和奖励函数系统配置。通过迭代学习，获得隐私保护约束下各个设备的动态变换缓存设计方法。实现移动边缘计算网络中用户隐私保护约束下的内容缓存动态更新，保护用户隐私的同时，获得更高的缓存命中率。
-
公开(公告)号：CN113364854B
公开(公告)日：2022-07-15
申请号：CN202110616233.4
申请日：2021-06-02
Applicant: 东南大学
IPC: H04L67/568 , H04L67/5682 , H04L67/10 , H04W28/14 , H04L41/147 , H04L41/142 , H04L9/40
Abstract: 本发明公开了一种移动边缘计算网络中基于分布式强化学习的隐私保护动态边缘缓存设计方法，具体为：首先将用户内容流行度动态性建模成无模型的马尔科夫链，然后将系统中各用户设备和服务器设备的缓存命中率最大化问题构建成一个隐私保护约束下的分布式优化问题。接着将该分布式优化问题转化为分布式无模型马尔科夫决策过程问题，并引入一种联邦学习方法用于隐私保护约束下的流行度预测。最后通过原分布式优化问题的转化，得到动作空间，状态空间和奖励函数系统配置。通过迭代学习，获得隐私保护约束下各个设备的动态变换缓存设计方法。实现移动边缘计算网络中用户隐私保护约束下的内容缓存动态更新，保护用户隐私的同时，获得更高的缓存命中率。
-
公开(公告)号：CN115664471A
公开(公告)日：2023-01-31
申请号：CN202211057673.1
申请日：2022-08-31
Applicant: 东南大学
IPC: H04B7/024 , H04B7/0452 , H04B7/0456 , H04W24/02 , H04W24/06 , H04W72/044
Abstract: 本发明提供了基于宽学习的毫米波MIMO基站协作波束选择方法，针对多点协作毫米波MIMO场景的下行波束选择问题，借鉴纵向联邦学习框架，将原集中式的多基站上行宽波束响应与最佳传输窄波束的映射问题，通过垂直切割数据特征空间，转化为分布式学习问题，并设计了具体的基站协作分布式波束选择框架。通过挖掘训练过程中间参数的稀疏性，降低了前传链路的通信开销。设计协作模式下基站本地网络的增量式更新方式，有效降低了网络的更新复杂度。本发明充分利用分布式宽学习在小样本条件下挖掘多基站宽波束响应与传输窄波束响应关系的能力，可实现多基站协作毫米波MIMO系统的低开销波束选择，缓解当前方案对中央处理单元单一引擎性能及前传链路带宽的较高要求。
-
公开(公告)号：CN115664471B
公开(公告)日：2024-01-02
申请号：CN202211057673.1
申请日：2022-08-31
Applicant: 东南大学
IPC: H04B7/024 , H04B7/0452 , H04B7/0456 , H04W24/02 , H04W24/06 , H04W72/044
Abstract: 本发明提供了基于宽学习的毫米波MIMO基站协作波束选择方法，针对多点协作毫米波MIMO场景的下行波束选择问题，借鉴纵向联邦学习框架，将原集中式的多基站上行宽波束响应与最佳传输窄波束的映射问题，通过垂直切割数据特征空间，转化为分布式学习问题，并设计了具体的基站协作分布式波束选择框架。通过挖掘训练过程中间参数的稀疏性，降低了前传链路的通信开销。设计协作模式下基站本地网络的增量式更新方式，有效降低了网络的更新复杂度。本发明充分利用分布式宽学习在小样本条件下挖掘多基站宽波束响应与传输窄波束响应关系的能力，可实现多基站协作毫米波MIMO系统的低开销波束(56)对比文件Cheng Zhang，etc..Channel Beam PatternExtension for Massive MIMO via DeepGaussian Process Regression《. 2021 IEEE/CIC International Conference onCommunications in China (ICCC)》.2021,第172-177页.
-
公开(公告)号：CN114844538B
公开(公告)日：2023-05-05
申请号：CN202210474863.7
申请日：2022-04-29
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426
Abstract: 本发明公开了一种基于宽学习的毫米波MIMO用户增量协作波束选择方法，包括：针对多点协作毫米波大规模MIMO场景的下行波束选择问题，各用户收集下行宽波束响应与传输窄波束响应，训练本地宽学习网络，并基于预测的窄波束响应进行波束选择。进一步，通过将各用户本地网络的训练问题建模为具有一致性约束的分布式优化问题，利用相邻用户间的D2D通信，可实现训练数据的有效共享。进一步，设计协作模式下用户本地网络的增量式更新方式，可有效降低网络的训练复杂度。本发明充分利用分布式宽学习在小样本条件下挖掘多基站宽波束响应与传输窄波束响应关系的能力，可实现快时变场景多点协作毫米波大规模系统的低复杂度低开销波束选择。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
