-
公开(公告)号：CN119254646A
公开(公告)日：2025-01-03
申请号：CN202411339134.6
申请日：2024-09-25
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于多智能体强化学习的通信网络智能管理系统，包括通信协议模块、状态感知模块、数据存储和分析模块、智能体模块、自动化决策模块和资源管理模块；通信协议模块根据网络环境和性能要求定义并管理各智能体之间的通信标准和规则，状态感知模块基于传感器实时收集网络设备的网络流量数据，数据存储和分析模块对网络流量数据进行处理，智能体模块基于处理后的网络流量数据，利用深度神经网络和强化学习模型获取最优流量调整策略，自动化决策模块生成网络管理决策，根据该决策自动调整网络配置、优化资源分配和预防潜在故障，资源管理模块动态调整网络资源的配置。本发明减少对人工干预的依赖，显著提高了网络管理的效率和响应速度。
-
公开(公告)号：CN118211086A
公开(公告)日：2024-06-18
申请号：CN202410310944.2
申请日：2024-03-19
Applicant: 南京信息工程大学
IPC: G06F18/23 , G06F18/214 , G06F18/10 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于异构模型重组的个性化分层联邦学习环境监测方法，首先通过移动监测终端实时获取城市环境监测相关数据，并将数据上传至边缘节点；然后边缘节点对数据进行预处理和解析；在边缘节点进行异构模型重组和数据模型训练，异构模型重组包括边缘节点更新和移动监测终端更新；最后将训练后的数据模型上传至云端，通过训练后的数据模型进行数据预测及预警。本发明采用分层联邦学习架构，上层的边缘节点云端之间的模型采用异步聚合，通过无等待通信提高学习效率；下层的移动终端和边缘节点之间的模型采用同步聚合，确保高精度和快速收敛。提出的异构模型重组技术，有效地减轻使用分布与移动终端数据不同的公共数据库所带来的不利影响。
-
公开(公告)号：CN119129706A
公开(公告)日：2024-12-13
申请号：CN202411134963.0
申请日：2024-08-19
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种基于GRU神经网络和差分隐私联邦学习的气象监测方法，包括：采集本地的气象数据生成气象时序数据序列；根据客户端自身异质性选择合适的模型结构，进行基于GRU神经网络的本地气象监测模型训练，通过LPDP‑FedProx联邦学习算法对本地模型进行参数更新；中央服务器获取客户端的模型参数后根据全局模型加权平均聚合算法进行模型的聚合和更新；客户端接收更新后的全局模型参数进行下一轮的本地训练，直至得到最佳的监测模型。本发明将个性化的差分隐私算法与FedProx联邦学习算法结合，提出了LPDP‑FedProx联邦学习算法，构建了一种能够有效处理异构数据的联邦学习框架，有效保护本地数据的隐私，提高联邦学习的安全性。
-
公开(公告)号：CN118298222A
公开(公告)日：2024-07-05
申请号：CN202410383908.9
申请日：2024-04-01
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/80 , G06V10/52 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/048 , G01W1/10
Abstract: 本发明公开了一种基于多尺度注意力和卷积融合的短临降水预测方法，包括：1、设计基于Transformer的多尺度架构，该架构包括气象数据和地理信息两种输入数据，为它们各自设计了嵌入层；2、使用自适应位置编码代替传统的固定位置编码，提高了模型的泛化能力；3、通过融合注意力层能够在模型中有效地综合气象数据和地理信息之间的特征信息，自动地学习不同数据之间关联性，从而更好地利用气象数据和地理信息之间的关系，提高预测性能；4、多头注意力层能够并行地学习多组注意力权重，从不同的角度关注输入序列的不同部分；5、引入卷积神经网络，有助于更好地捕捉局部时空关系，使得模型能够更有效地理解复杂的时空模式。
-
-
-
Search Results
4
records
(took 0.031 seconds)
