-
公开(公告)号：CN119316034A
公开(公告)日：2025-01-14
申请号：CN202411419118.8
申请日：2024-10-12
Applicant: 桂林电子科技大学
IPC: H04B7/185 , H04L41/0894
Abstract: 本发明公开了一种面向LSNs的绿色计算业务聚集策略，该策略通过构建三层网络架构，将控制卫星、业务卫星和用户设备协同工作，并利用马尔可夫决策过程（Markov Decision Process，MDP）与双深度 Q 网络（Double Deep Q‑Network，Double DQN）优化业务调度和卫星状态管理。仿真结果验证了在低业务量时，可节省47.87%的能耗，在高业务量时，可节约4.36%的能耗，体现了业务聚集策略的有效性。
-
公开(公告)号：CN119788153A
公开(公告)日：2025-04-08
申请号：CN202411814050.3
申请日：2024-12-10
Applicant: 桂林电子科技大学
IPC: H04B7/185 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06Q50/06
Abstract: 本发明公开了一种基于数据预测匹配的LEO卫星寿命优化方法。首先，为了衡量LEO卫星寿命的优化效果和地面业务处理的能力，利用指标计算LEO卫星的平均寿命与累计处理业务的能量的乘积，用于衡量不同算法在优化LEO卫星寿命和处理业务能力方面的效果。其次利用卷积神经网络‑长短期记忆网络（CNN‑LSTM）算法预测LEO卫星轨道内的太阳辐射能量。此外，通过STK软件仿真得到LEO卫星的星下轨迹，并根据星下轨迹建立LEO卫星业务需求能看模型，然后利用LSTM‑RF算法预测LEO卫星的业务需求能量。最后，基于李雅普诺夫理论将LEO卫星的能量管理问题从随机优化问题转化为每个时隙的确定优化问题，并利用改进型自适应模型预测控制（AMPC）算法进行求解，获取LEO卫星各个时隙的能量管理决策。仿真实验结果表明，本发明相对于MPC算法、Game Theory算法和Greedy Algorithm算法的效果分别提升了10.79%、25.22%和58.16%，能够显著提升LEO卫星的寿命和业务处理能力，显著降低其运营成本。
-
公开(公告)号：CN119693816A
公开(公告)日：2025-03-25
申请号：CN202411865499.2
申请日：2024-12-18
Applicant: 桂林电子科技大学
Abstract: 本发明针对低轨道卫星（Low Earth Orbit,LEO）面临的计算资源有限和能量受限的挑战，提出了一种基于马尔可夫决策过程‑深度Q网络（Markov Decision Process‑Deep Q Network,MDP‑DQN）的轻量级自适应图像推理策略。引入推理精度‑能量效率（Accuracy‑Energy Efficiency,AEE）指标，用于评估图像推理性能。仿真结果表明，与马尔可夫决策过程‑Q学习（Markov Decision Process‑Q Learning,MDP‑QL）相比，该策略的AEE提升了6.09%，与马尔可夫决策过程‑策略梯度（Markov Decision Process‑Policy Gradient,MDP‑PG）相比，AEE提升了12.2%。
-
公开(公告)号：CN119692479A
公开(公告)日：2025-03-25
申请号：CN202411874354.9
申请日：2024-12-18
Applicant: 桂林电子科技大学
Abstract: 针对低轨道卫星（Low Earth Orbit,LEO）计算受限、能量受限且供应不稳定、以及任务需求多变的特点，本发明提出了一种LEO多模型参数动态推理策略，以优化推理效率并提高系统的任务响应能力。该策略基于马尔可夫决策过程（Markov Decision Process,MDP），结合深度强化学习（Deep Q Network,DQN），实现了对卫星推理模型参数的动态适配。通过引入多模型切换与参数调节机制，本文在推理精度、计算能耗和响应时延之间达成了有效平衡。在仿真实验中，提出的策略相比传统固定模式提升了用户满意度（Quality of Experience,QoE）约25.2%，相比随机模式提升QoE约63.9%，推理精度达到76.5%，同时计算能耗和响应时延分别维持在2.3 J和2.1 ms。
-
-
-
Search Results
4
records
(took 0.018 seconds)
