-
公开(公告)号：CN116703765A
公开(公告)日：2023-09-05
申请号：CN202310653152.0
申请日：2023-06-05
Applicant: 南京邮电大学
IPC: G06T5/00 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种基于SqueezeNet的生成对抗网络图像去雾方法及装置，方法包括：将采集的有雾图像输入构建的基于SqueezeNet的生成对抗网络模型中，输出去雾后的无雾图像；其中，所述基于SqueezeNet的生成对抗网络模型包括生成器网络和判别器网络。本发明通过特征提取网络SqueezeNet提取雾密度特征，使去雾网络能够自动调整不同浓度区域的权重，更有效地分离雾霾和图像内容，实现在真实场景中对不同浓度雾霾的非均匀处理。改进的注意力块使去雾网络能够提取到图像的关键特征，提高了去雾网络的性能。引入感知损失帮助恢复更多的图像细节信息，避免了传统卷积神经网络导致的图像空间细节丢失的问题。
-
公开(公告)号：CN112882815A
公开(公告)日：2021-06-01
申请号：CN202110307183.1
申请日：2021-03-23
Applicant: 南京邮电大学
Abstract: 基于深度强化学习的多用户边缘计算优化调度方法，步骤为：计算出用户任务的本地计算延迟和边缘计算延迟；根据本地计算延迟和边缘计算延迟建立计算任务卸载目标函数，将目标函数划分为两个子问题：（1）任务调度；（2）卸载决策和边缘服务器选择；利用任务调度算法获得子问题（1）的最优解，利用深度强化学习方法获得子问题（2）的最优解，结合两个子问题的最优解形成最优的多用户边缘计算调度方案。本发明适用于大量用户任务卸载、多MEC服务器服务的情况，利用深度强化学习算法在动态环境中快速、准确地获得用户最优卸载决策和边缘服务器选择策略，通过对卸载到边缘服务器的任务进行合理排序，进一步降低任务的计算时延，同时保障服务器性能。
-
公开(公告)号：CN118524382A
公开(公告)日：2024-08-20
申请号：CN202410978787.2
申请日：2024-07-22
Applicant: 南京邮电大学
IPC: H04W8/24 , H04W4/70 , H04M1/72415 , H04M1/72454 , H04L1/00 , G01S7/00
Abstract: 本发明属于物联网与通感一体化技术领域，公开了一种基于马达振动的手机用户与毫米波雷达间的通信方法，发送方首先采用脉冲宽度和幅度调制技术设计一种振动模式，然后控制智能手机马达产生相应的振动信号，接收方毫米波雷达不断发送毫米波信号并分析接收到的反射信号，根据手机马达振动特性锁定目标振动对象，即发送方，进而对振动信号进行恢复及解码，最终获取到发送方所传递的信息或指令。本发明在无任何硬件修改的情况下，建立了手机用户与毫米波雷达间的信道，进而实现了商用毫米波雷达的通感一体化，丰富了毫米波雷达的应用场景。
-
公开(公告)号：CN114173357A
公开(公告)日：2022-03-11
申请号：CN202111485531.0
申请日：2021-12-07
Applicant: 南京邮电大学
Abstract: 一种面向多类型业务时延需求的移动边缘计算资源分配方法，保证用户时延约束的同时降低系统总计算时间，适用于具有不同时延要求的任务的边缘卸载计算。首先，根据各个任务的时延约束求出其参与资源分配时的补偿系数，构建多任务边缘计算资源分配优化问题；接着，使用拉格朗日乘数法求解优化问题，获得无成本约束下的最优计算资源分配方案；然后，考虑用户的支付成本，更新计算资源分配方案；最后，搜索之前未达到支付成本的用户任务，将其按照时延和计算资源需求量降序排序并补偿分配计算资源，形成最终的计算资源分配方案。本方法涉及不同时延要求的任务的计算资源分配，适用于多MEC服务器场景，能够提高边缘服务器的计算效率，以提高任务完成率。
-
公开(公告)号：CN114173357B
公开(公告)日：2023-09-01
申请号：CN202111485531.0
申请日：2021-12-07
Applicant: 南京邮电大学
Abstract: 一种面向多类型业务时延需求的移动边缘计算资源分配方法，保证用户时延约束的同时降低系统总计算时间，适用于具有不同时延要求的任务的边缘卸载计算。首先，根据各个任务的时延约束求出其参与资源分配时的补偿系数，构建多任务边缘计算资源分配优化问题；接着，使用拉格朗日乘数法求解优化问题，获得无成本约束下的最优计算资源分配方案；然后，考虑用户的支付成本，更新计算资源分配方案；最后，搜索之前未达到支付成本的用户任务，将其按照时延和计算资源需求量降序排序并补偿分配计算资源，形成最终的计算资源分配方案。本方法涉及不同时延要求的任务的计算资源分配，适用于多MEC服务器场景，能够提高边缘服务器的计算效率，以提高任务完成率。
-
Patent Agency Ranking
公开(公告)号：CN113220356A
公开(公告)日：2021-08-06
申请号：CN202110314191.9
申请日：2021-03-24
Applicant: 南京邮电大学
Abstract: 一种移动边缘计算中的用户计算任务卸载方法，适用于时延敏感应用程序的计算卸载。首先，根据子任务卸载的相关参数，构建有向无环任务关系图；接着，读取初始任务关系图的信息，确定任务卸载优先级和关键路径；然后，根据任务卸载和任务图更新策略，在能耗约束下，以最早完成时间算法，选择边缘服务器以及更新任务关系图，求得子任务完成时间和能耗；最后，求得总体完成时间和相应的卸载决策。本发明涉及包含多个顺序执行子任务的时延敏感计算任务的卸载，适用于多MEC服务器场景，本发明能够提高边缘服务器的利用率，同时保证各卸载任务的公平性和负载均衡性。
-
公开(公告)号：CN117224116A
公开(公告)日：2023-12-15
申请号：CN202311108432.X
申请日：2023-08-30
Applicant: 南京邮电大学
IPC: A61B5/11 , H04B17/309 , H04B17/391 , G06F18/15 , G06F18/20 , G06F18/22 , G06N3/0464 , G06N3/047 , G06N3/08 , G06N5/04
Abstract: 一种基于信道状态信息的久坐行为监测方法。实现的具体步骤如下：（1）采集人员进行起坐转换相关活动时的信道状态信息（CSI）原始数据；（2）对原始信道状态信息数据进行数据预处理；（3）计算每两个动作的信道状态信息序列的对称相似分数；（4）建立简化的基于一阶动态贝叶斯网络的起坐转换识别结果的错误检查与纠正模型；（5）根据步骤4中动态贝叶斯网络模型的参数，建立一个最优起坐动作转换推断算法以获得最有可能的起坐转换序列；（6）根据最终的起坐转换活动识别结果来计算坐姿行为的累计时间。本发明提出了一种鲁棒的久坐行为监测方法，实现对目标久坐时长的准确估计与对目标久坐行为的及时提醒。
-
公开(公告)号：CN113220356B
公开(公告)日：2023-06-30
申请号：CN202110314191.9
申请日：2021-03-24
Applicant: 南京邮电大学
Abstract: 一种移动边缘计算中的用户计算任务卸载方法，适用于时延敏感应用程序的计算卸载。首先，根据子任务卸载的相关参数，构建有向无环任务关系图；接着，读取初始任务关系图的信息，确定任务卸载优先级和关键路径；然后，根据任务卸载和任务图更新策略，在能耗约束下，以最早完成时间算法，选择边缘服务器以及更新任务关系图，求得子任务完成时间和能耗；最后，求得总体完成时间和相应的卸载决策。本发明涉及包含多个顺序执行子任务的时延敏感计算任务的卸载，适用于多MEC服务器场景，本发明能够提高边缘服务器的利用率，同时保证各卸载任务的公平性和负载均衡性。
-
公开(公告)号：CN115330620A
公开(公告)日：2022-11-11
申请号：CN202210961250.6
申请日：2022-08-11
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于循环生成对抗网络的图像去雾方法，属于图像处理技术领域。本发明包括：获取待处理的有雾图像；将待处理的有雾图像输入预先训练好的循环生成对抗网络中，获得所述待处理有雾图像对应的无雾图像；所述循环生成对抗网络包括生成器，生成器包括用于有雾图像生成无雾图像的去雾模块和图像有雾区域注意模块；去雾模块和图像有雾区域注意模块的输出结果相乘，得到最终输出的无雾图像。优点：基于循环生成对抗网络进行图像去雾，消除对成对数据集的要求，有雾图像特征提取充分，提升了去雾效果且最终得到的去雾图像自然均衡，减少了细节缺失。
-
公开(公告)号：CN112882815B
公开(公告)日：2022-10-25
申请号：CN202110307183.1
申请日：2021-03-23
Applicant: 南京邮电大学
Abstract: 基于深度强化学习的多用户边缘计算优化调度方法，步骤为：计算出用户任务的本地计算延迟和边缘计算延迟；根据本地计算延迟和边缘计算延迟建立计算任务卸载目标函数，将目标函数划分为两个子问题：（1）任务调度；（2）卸载决策和边缘服务器选择；利用任务调度算法获得子问题（1）的最优解，利用深度强化学习方法获得子问题（2）的最优解，结合两个子问题的最优解形成最优的多用户边缘计算调度方案。本发明适用于大量用户任务卸载、多MEC服务器服务的情况，利用深度强化学习算法在动态环境中快速、准确地获得用户最优卸载决策和边缘服务器选择策略，通过对卸载到边缘服务器的任务进行合理排序，进一步降低任务的计算时延，同时保障服务器性能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
