-
公开(公告)号：CN108769993A
公开(公告)日：2018-11-06
申请号：CN201810458873.5
申请日：2018-05-15
Applicant: 南京邮电大学
CPC classification number: H04W12/12 , G06K9/6268
Abstract: 本发明公开了一种基于生成对抗网络的通信网络异常用户检测方法，首先对异常用户的数据进行规则化，得到维度和量级均一致的数据；对生成对抗网络进行训练，即对生成器和鉴别器进行训练，实现对异常用户的过采样；将生成器生成的数据与正常用户组成训练数据集，利用深度全连接神经网络对训练数据集进行分类，判断用户类型；本发明通过生成对抗网络中神经网络之间的相互博弈式训练方式，实现对异常用户数据分布的逼近，实现异常用户检测，解决训练数据集中比例不均衡影响分类模型训练效果的技术问题。
-
公开(公告)号：CN102104631B
公开(公告)日：2014-06-04
申请号：CN201110049080.6
申请日：2011-02-28
Applicant: 南京邮电大学
IPC: H04L29/08
Abstract: 本发明提出一种基于云端计算技术的知识系统中的服务质量保障方法，云端计算模型是由服务器集群和网络边缘节点联合构成的更广泛的公用虚拟资源池。在该平台上构建一种的知识系统可将网络中的各类文献、知识信息有序的组织在一起，充分考虑网络边缘节点上可以利用的资源。为了改善用户的使用体验，基于云端计算技术的知识系统中的服务质量保障方法，在有限的资源情况下，保障不同等级的用户可以获得有差异性的服务质量。本发明所提出的服务质量保障方法通过综合区分基于云端计算技术的知识系统中用户与资源类型，并设定服务器负载阈值，动态的将来自不同用户的不同服务请求调度到不同节点上。
-
Patent Agency Ranking
公开(公告)号：CN108684043B
公开(公告)日：2021-09-28
申请号：CN201810461226.X
申请日：2018-05-15
Applicant: 南京邮电大学
IPC: H04W12/122 , H04W12/67
Abstract: 本发明公开了一种基于最小风险的深度神经网络的异常用户检测方法，首先对异常用户的数据进行预处理，得到异常用户和正常用户数据量一致的数据；其次利用Mini‑batch梯度下降方法对深度神经网络进行训练并结合NOMA通信系统中不同异常用户的危害程度高低，构建基于最小风险的决策表；最后将决策表设定的不同决策对应的损失函数引入深度神经网络，构建基于最小风险的神经网络异常用户检测方法。本发明通过深度神经网络对高维数据强大的表示和分析能力，解决基于大数据的NOMA系统异常用户检测问题、将最小风险代价引入到深度神经网络训练中，解决了NOMA系统中各类异常用户的危害程度的差异性问题，有望为异常用户检测提供新的思路和理论创新。
-
公开(公告)号：CN108737057B
公开(公告)日：2021-09-17
申请号：CN201810391479.4
申请日：2018-04-27
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于深度学习的多载波认知非正交多址接入技术（Non‑Orthogonal Multiple Access,NOMA）资源分配方法，包括以下步骤：（1）多载波认知NOMA系统的场景模型建立；（2）用户调度和资源分配策略的数学描述；（3）基于联合分配的深度神经网络和深度学习算法设计。本发明在建立基于多载波认知NOMA的下行系统后，创新地提出符合该场景的频谱共享策略，并合理建立优化目标和约束条件的数学表达式，实现了基于深度学习的多载波认知NOMA用户调度和资源分配策略，满足了用户多方面传输需求的同时，更好地实现了多载波认知NOMA下行系统的低功耗资源分配。
-
公开(公告)号：CN108737057A
公开(公告)日：2018-11-02
申请号：CN201810391479.4
申请日：2018-04-27
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于深度学习的多载波认知非正交多址接入技术（Non-Orthogonal Multiple Access,NOMA）资源分配方法，包括以下步骤：（1）多载波认知NOMA系统的场景模型建立；（2）用户调度和资源分配策略的数学描述；（3）基于联合分配的深度神经网络和深度学习算法设计。本发明在建立基于多载波认知NOMA的下行系统后，创新地提出符合该场景的频谱共享策略，并合理建立优化目标和约束条件的数学表达式，实现了基于深度学习的多载波认知NOMA用户调度和资源分配策略，满足了用户多方面传输需求的同时，更好地实现了多载波认知NOMA下行系统的低功耗资源分配。
-
公开(公告)号：CN108684043A
公开(公告)日：2018-10-19
申请号：CN201810461226.X
申请日：2018-05-15
Applicant: 南京邮电大学
IPC: H04W12/12
CPC classification number: H04W12/12
Abstract: 本发明公开了一种基于最小风险的深度神经网络的异常用户检测方法，首先对异常用户的数据进行预处理，得到异常用户和正常用户数据量一致的数据；其次利用Mini‑batch梯度下降方法对深度神经网络进行训练并结合NOMA通信系统中不同异常用户的危害程度高低，构建基于最小风险的决策表；最后将决策表设定的不同决策对应的损失函数引入深度神经网络，构建基于最小风险的神经网络异常用户检测方法。本发明通过深度神经网络对高维数据强大的表示和分析能力，解决基于大数据的NOMA系统异常用户检测问题、将最小风险代价引入到深度神经网络训练中，解决了NOMA系统中各类异常用户的危害程度的差异性问题，有望为异常用户检测提供新的思路和理论创新。
-
公开(公告)号：CN102104631A
公开(公告)日：2011-06-22
申请号：CN201110049080.6
申请日：2011-02-28
Applicant: 南京邮电大学
IPC: H04L29/08
Abstract: 本发明提出一种基于云端计算技术的知识系统中的服务质量保障方法，云端计算模型是由服务器集群和网络边缘节点联合构成的更广泛的公用虚拟资源池。在该平台上构建一种的知识系统可将网络中的各类文献、知识信息有序的组织在一起，充分考虑网络边缘节点上可以利用的资源。为了改善用户的使用体验，基于云端计算技术的知识系统中的服务质量保障方法，在有限的资源情况下，保障不同等级的用户可以获得有差异性的服务质量。本发明所提出的服务质量保障方法通过综合区分基于云端计算技术的知识系统中用户与资源类型，并设定服务器负载阈值，动态的将来自不同用户的不同服务请求调度到不同节点上。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
