-
公开(公告)号：CN114423028B
公开(公告)日：2023-08-04
申请号：CN202210110869.6
申请日：2022-01-29
Applicant: 南京邮电大学
Abstract: 基于多智能体深度强化学习的CoMP‑NOMA协作成簇与功率分配方法，区分边缘用户和中心用户，并在此基础上进行以小区为中心的NOMA用户分簇，与传统方法相比，大大提高了系统的频谱效率；提出了一种功率划分方法，根据每个用户的解码顺序设计功率范围；通过对网络输出进行相应的线性变换，使得用户功率在最大基站功率约束的情况下满足SIC解码的必要条件，从而达到辅助MADDPG网络，加快网络收敛的效果。
-
公开(公告)号：CN114614920B
公开(公告)日：2023-06-30
申请号：CN202210245167.9
申请日：2022-03-10
Applicant: 南京邮电大学
IPC: H04B17/29 , H04B17/391 , G06F18/241 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于学习因子图的数据与模型联合驱动的信号检测方法，通过收集通信的发送数据X与接收数据Y；搭建CNN‑BiLSTM网络作为分类神经网络；使用基于Akaike信息准则的混合高斯模型去拟合信道接收数据Y的分布，得到边缘概率密度；模式识别网络重构训练集，对CNN‑BiLSTM网络进行线下训练，得到条件概率密度；计算得到通过因子图的消息传递算法实现信号检测所需要的因子节点；根据有限记忆信道的记忆长度与学习到的因子节点在学习因子图上进行前向后向的消息传递算法，实现最大后验概率准则下的信号检测；该方法能够在不需要信道知识的无信道模型中实现接近最优的信号检测性能，具有更准确的检测结果，且对不确定性训练的具有优秀的鲁棒性。
-
公开(公告)号：CN112601284A
公开(公告)日：2021-04-02
申请号：CN202011416092.3
申请日：2020-12-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于多智能体深度强化学习的下行多小区OFDMA资源分配方法。属于无线通信领域；具体步骤如下：1、构建多智能体网络；2、建立每个接收用户的信噪比及每个小区获得数据速率；3、状态获取；4、子信道分配；5、功率分配；6、反馈获取和参数更新。本发明是一种基于多智能体深度强化学习的方法，设计了多个DDQN网络和多个DDPG网络来联合解决子信道分配和功率分配问题，并采用集中训练、分散执行的模式，此方法降低了网络的输入输出维度、信令开销以及计算复杂度，可以有效地得到最优资源分配方案，与传统强化学习方法相比，提高了下行OFDMA系统中各小区的传输速率，进而提高了整个网络的性能。
-
Patent Agency Ranking
公开(公告)号：CN114189870B
公开(公告)日：2025-04-08
申请号：CN202111512524.5
申请日：2021-12-08
Applicant: 南京邮电大学
IPC: H04W16/10 , H04W72/044 , H04W72/0453 , G06N3/092
Abstract: 本发明是一种基于多智能体深度强化学习的多小区多业务资源分配方法，适用于多小区eMBB和URLLC用户系统的资源分配问题。包括如下步骤：步骤1：构建用于解决多小区eMBB和URLLC用户系统资源分配的多智能体网络；步骤2：状态获取；步骤3：子信道分配和功率分配；步骤4：反馈获取和参数更新；步骤5：决策驱动机制。该方法有效降低了网络的输入输出维度、信令开销以及计算复杂度，很好地保证了多小区eMBB和URLLC用户的服务满意度水平，进而提高了整个系统的性能。
-
公开(公告)号：CN114423028A
公开(公告)日：2022-04-29
申请号：CN202210110869.6
申请日：2022-01-29
Applicant: 南京邮电大学
Abstract: 基于多智能体深度强化学习的CoMP‑NOMA协作成簇与功率分配方法，区分边缘用户和中心用户，并在此基础上进行以小区为中心的NOMA用户分簇，与传统方法相比，大大提高了系统的频谱效率；提出了一种功率划分方法，根据每个用户的解码顺序设计功率范围；通过对网络输出进行相应的线性变换，使得用户功率在最大基站功率约束的情况下满足SIC解码的必要条件，从而达到辅助MADDPG网络，加快网络收敛的效果。
-
公开(公告)号：CN112601284B
公开(公告)日：2023-02-28
申请号：CN202011416092.3
申请日：2020-12-07
Applicant: 南京邮电大学
IPC: H04W72/0453 , H04W72/044 , H04W72/541 , H04W72/542 , H04W72/53
Abstract: 本发明公开了一种基于多智能体深度强化学习的下行多小区OFDMA资源分配方法。属于无线通信领域；具体步骤如下：1、构建多智能体网络；2、建立每个接收用户的信噪比及每个小区获得数据速率；3、状态获取；4、子信道分配；5、功率分配；6、反馈获取和参数更新。本发明是一种基于多智能体深度强化学习的方法，设计了多个DDQN网络和多个DDPG网络来联合解决子信道分配和功率分配问题，并采用集中训练、分散执行的模式，此方法降低了网络的输入输出维度、信令开销以及计算复杂度，可以有效地得到最优资源分配方案，与传统强化学习方法相比，提高了下行OFDMA系统中各小区的传输速率，进而提高了整个网络的性能。
-
公开(公告)号：CN114189870A
公开(公告)日：2022-03-15
申请号：CN202111512524.5
申请日：2021-12-08
Applicant: 南京邮电大学
Abstract: 本发明是一种基于多智能体深度强化学习的多小区多业务资源分配方法，适用于多小区eMBB和URLLC用户系统的资源分配问题。包括如下步骤：步骤1：构建用于解决多小区eMBB和URLLC用户系统资源分配的多智能体网络；步骤2：状态获取；步骤3：子信道分配和功率分配；步骤4：反馈获取和参数更新；步骤5：决策驱动机制。该方法有效降低了网络的输入输出维度、信令开销以及计算复杂度，很好地保证了多小区eMBB和URLLC用户的服务满意度水平，进而提高了整个系统的性能。
-
公开(公告)号：CN114614920A
公开(公告)日：2022-06-10
申请号：CN202210245167.9
申请日：2022-03-10
Applicant: 南京邮电大学
IPC: H04B17/29 , H04B17/391 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于学习因子图的数据与模型联合驱动的信号检测方法，通过收集通信的发送数据X与接收数据Y；搭建CNN‑BiLSTM网络作为分类神经网络；使用基于Akaike信息准则的混合高斯模型去拟合信道接收数据Y的分布，得到边缘概率密度；模式识别网络重构训练集，对CNN‑BiLSTM网络进行线下训练，得到条件概率密度；计算得到通过因子图的消息传递算法实现信号检测所需要的因子节点；根据有限记忆信道的记忆长度与学习到的因子节点在学习因子图上进行前向后向的消息传递算法，实现最大后验概率准则下的信号检测；该方法能够在不需要信道知识的无信道模型中实现接近最优的信号检测性能，具有更准确的检测结果，且对不确定性训练的具有优秀的鲁棒性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
