-
公开(公告)号：CN113537514A
公开(公告)日：2021-10-22
申请号：CN202110847621.3
申请日：2021-07-27
Applicant: 北京邮电大学
Abstract: 一种高能效的基于数字孪生的联邦学习框架，涉及工业物联网的联邦学习技术领域，解决现有工业物联网系统中利用数字孪生和联邦学习技术存在能量消耗及降低模型收敛速度和训练模型的质量等问题，在联邦学习的每次迭代过程中，工业物联网设备用于根据部署在宏基站中的策略选择不同的训练方式进行训练，小型基站用于将工业物联网设备上传的模型按比例融合并传递到宏基站的参数融合器上进行最终的参数融合，宏基站用于实现信道分配及控制工业物联网设备选择本地训练或选择小型基站的服务器连接到数字空间的虚拟对象，并使用小型基站的附属服务器来训练模型；宏基站将全局模型广播至所有的工业物联网设备，直至全局模型达到预设的准确率或者模型收敛。
-
Patent Agency Ranking
公开(公告)号：CN116257335A
公开(公告)日：2023-06-13
申请号：CN202211613821.3
申请日：2022-12-15
Applicant: 北京邮电大学
Abstract: 本发明公开了一种无人机辅助MEC系统联合任务调度及运动轨迹优化方法，在充分考虑到在动态环境中(地面终端设备及无人机均处于动态移动的条件下)移动设备位置发生变化和计算任务部分卸载的情况，通过联合优化用户调度及计算任务卸载方式选择，无人机运动参数(包括飞行角度、飞行速度)和功率分配，将通信、计算与运动联合优化，有效降低了终端设备的计算任务处理时延，提升了无人机辅助边缘计算系统的卸载效率。并在仿真实验中与DQN等基线算法进行对比，发现DDPG算法在处理时延上有显著的提高。
-
公开(公告)号：CN116055488B
公开(公告)日：2025-05-09
申请号：CN202310037908.9
申请日：2023-01-10
Applicant: 北京邮电大学
Abstract: 本发明公开了一种面向物联网中基于区块链技术的联邦学习能效优化方法，考虑到物联网中异构设备之间的去中心化联邦学习范例，建立一个基于区块链的联邦学习框架，其中所有的物联网设备都有机会以去中心化的方式参与联邦学习模型的构建过程。在框架中，设计了一种针对局部模型基于委员会机制的本地模型动态聚合方式来解决恶意节点的问题，提升了联邦学习模型性能。此外，针对面向物联网中联邦学习和区块链联合的资源分配，量化了基于区块链技术联邦学习的时延和能耗，提出联合信道分配、区块链主节点选择及区块大小调整的优化方法，在保证联邦学习性能的同时降低系统的能耗。
-
公开(公告)号：CN113537514B
公开(公告)日：2023-07-25
申请号：CN202110847621.3
申请日：2021-07-27
Applicant: 北京邮电大学
Abstract: 一种高能效的基于数字孪生的联邦学习框架，涉及工业物联网的联邦学习技术领域，解决现有工业物联网系统中利用数字孪生和联邦学习技术存在能量消耗及降低模型收敛速度和训练模型的质量等问题，在联邦学习的每次迭代过程中，工业物联网设备用于根据部署在宏基站中的策略选择不同的训练方式进行训练，小型基站用于将工业物联网设备上传的模型按比例融合并传递到宏基站的参数融合器上进行最终的参数融合，宏基站用于实现信道分配及控制工业物联网设备选择本地训练或选择小型基站的服务器连接到数字空间的虚拟对象，并使用小型基站的附属服务器来训练模型；宏基站将全局模型广播至所有的工业物联网设备，直至全局模型达到预设的准确率或者模型收敛。
-
公开(公告)号：CN117785442A
公开(公告)日：2024-03-29
申请号：CN202311691056.1
申请日：2023-12-11
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于计算卸载的无人机轨迹规划系统及其应用方法，包括：多架无人机和多个地面终端设备；通过多架无人机向多个地面终端设备提供通信和计算服务，联合优化无人机轨迹、计算任务卸载策略和计算资源分配，达到最大任务处理时延最小化，通过系统模型的建立、无人机移动模型的建立、通信模型的建立、计算模型的建立、优化目标及方法，使处理任务所需的延迟最小化；本发明充分考虑轨迹、计算任务分配和通信资源管理等问题，通过比较不同基线算法的仿真实验，证明了采用的方案在处理时延方面优于其他基线算法，适合推广应用。
-
公开(公告)号：CN116055488A
公开(公告)日：2023-05-02
申请号：CN202310037908.9
申请日：2023-01-10
Applicant: 北京邮电大学
Abstract: 本发明公开了一种面向物联网中基于区块链技术的联邦学习能效优化方法，考虑到物联网中异构设备之间的去中心化联邦学习范例，建立一个基于区块链的联邦学习框架，其中所有的物联网设备都有机会以去中心化的方式参与联邦学习模型的构建过程。在框架中，设计了一种针对局部模型基于委员会机制的本地模型动态聚合方式来解决恶意节点的问题，提升了联邦学习模型性能。此外，针对面向物联网中联邦学习和区块链联合的资源分配，量化了基于区块链技术联邦学习的时延和能耗，提出联合信道分配、区块链主节点选择及区块大小调整的优化方法，在保证联邦学习性能的同时降低系统的能耗。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
