-
公开(公告)号：CN114995989A
公开(公告)日：2022-09-02
申请号：CN202210378563.9
申请日：2022-04-12
Applicant: 燕山大学
Abstract: 本发明公开基于自组织神经网络的多水下机器人任务分配方法及系统，属于多智能体系统协同控制技术领域，该方法根据洋流影响、资源消耗、负载均衡和资源有限多重约束，构建多重约束的多异构水下机器人系统任务分配优化模型，其中，任务分配优化模型为自组织神经网络；任务分配优化模型通过机器人路径点对应的神经元竞争与学习，完成任务分配，最终生成每个机器人所需的环形路径。求解速度快、求解精度高的优点，能在有限迭代次数内提供良好的任务分配方案，由其在复杂的大规模任务场景中，本发明所提出方法的优势更为明显。
-
公开(公告)号：CN114895246A
公开(公告)日：2022-08-12
申请号：CN202210315177.5
申请日：2022-03-28
Applicant: 燕山大学
Abstract: 本发明公开了一种基于两步卡尔曼滤波的非视距水下航行器定位方法，该方法首先利用第一步卡尔曼滤波对测量值进行状态预测并利用卡尔曼滤波新息去识别当前测量值是否受到非视距（NLOS）误差干扰，如测量值不受NLOS误差干扰则继续第一步卡尔曼滤波得到状态估计；对于受到NLOS误差干扰的测量值，利用第一步卡尔曼滤波的预测结果对NLOS误差进行估计，然后对NLOS误差估计值进行第二步卡尔曼滤波并将滤波结果带入第一步卡尔曼滤波更新步进行状态估计；最后使用CHAN氏算法进行位置求解；本发明不需要NLOS误差的先验统计知识即可对连续NLOS误差进行实时消除，能够明显提高水下环境中水下航行器的定位精度。
-
公开(公告)号：CN113612853B
公开(公告)日：2022-05-10
申请号：CN202110933912.4
申请日：2021-08-16
Applicant: 燕山大学
IPC: H04L67/12 , H04L67/10 , H04L41/14 , H04L43/0829
Abstract: 本发明公开了一种联合边缘计算的网络资源调度方法，本发明采用协作中继传输方式，确保用户端数据正确传输，降低了数据包丢失率，通过嵌入边缘计算技术，将边缘节点作为数据转发中继，将测量数据信息在边缘端进行计算处理，随后只将决策结论上传至电力公司，减少了电力公司需要购买的中继的带宽，通过对偶分解法得到了边缘节点算力资源ξi和带宽资源Wi的最优分配结果，采用边缘节点作为中继的数据传输方式降低了电力公司的成本并提升了中继的收益。
-
公开(公告)号：CN111885671B
公开(公告)日：2022-04-15
申请号：CN202010694039.3
申请日：2020-07-17
Applicant: 燕山大学
Abstract: 本发明提供一种基于深度强化学习的水下联合中继选择和功率分配方法，包括：创建包括一个源节点u、N个候选中继节点r1,r2…rN和一个目的节点d的拓扑结构；广播信号给候选中继节点和目的节点，同时源节点根据状态信息进行中继选择和功率分配；选中的中继节点转发信号给目的节点；目的节点将状态信息反馈给源节点；采用深度强化学习方法，使源节点不断与环境进行交互得到所需状态信息，通过策略优化离线学习的方式，使源节点在试错中学习到经验用于决策。本发明方法基于信道状态信息和中继选择信息，利用深度强化学习来进行中继选择和功率的分配。把源节点视为深度强化学习中的智能体，利用源节点和环境不断交互学习来增强系统的决策能力，易于实现。
-
公开(公告)号：CN111860984B
公开(公告)日：2022-03-11
申请号：CN202010642900.1
申请日：2020-07-06
Applicant: 燕山大学
Abstract: 本发明公开了一种基于改进遗传算法的多异构无人机任务分配方法，属于无人机技术领域，该方法通过综合考虑资源消耗、任务完成效果和负载均衡、资源有限、任务优先级等多重约束，建立了任务分配优化模型；采用矩阵编码方式将每个可行的任务分配方案编码为一个完整的染色体；针对现有遗传算法求解精度不足、求解速度过慢的问题，提出了模糊精英度的概念，并在此基础上对各遗传操作进行改进，利用改进后的遗传算法对构建的优化模型进行求解，在有限的迭代次数内获得最优的任务分配方案。本发明在多智能体协同控制领域有良好的通用性，具有求解速度快、求解精度高的优点，能够有效解决具有多重约束的多异构无人机系统的任务分配问题。
-
Patent Agency Ranking
公开(公告)号：CN111885671A
公开(公告)日：2020-11-03
申请号：CN202010694039.3
申请日：2020-07-17
Applicant: 燕山大学
Abstract: 本发明提供一种基于深度强化学习的水下联合中继选择和功率分配方法，包括：创建包括一个源节点u、N个候选中继节点r1,r2…rN和一个目的节点d的拓扑结构；广播信号给候选中继节点和目的节点，同时源节点根据状态信息进行中继选择和功率分配；选中的中继节点转发信号给目的节点；目的节点将状态信息反馈给源节点；采用深度强化学习方法，使源节点不断与环境进行交互得到所需状态信息，通过策略优化离线学习的方式，使源节点在试错中学习到经验用于决策。本发明方法基于信道状态信息和中继选择信息，利用深度强化学习来进行中继选择和功率的分配。把源节点视为深度强化学习中的智能体，利用源节点和环境不断交互学习来增强系统的决策能力，易于实现。
-
公开(公告)号：CN111860984A
公开(公告)日：2020-10-30
申请号：CN202010642900.1
申请日：2020-07-06
Applicant: 燕山大学
Abstract: 本发明公开了一种基于改进遗传算法的多异构无人机任务分配方法，属于无人机技术领域，该方法通过综合考虑资源消耗、任务完成效果和负载均衡、资源有限、任务优先级等多重约束，建立了任务分配优化模型；采用矩阵编码方式将每个可行的任务分配方案编码为一个完整的染色体；针对现有遗传算法求解精度不足、求解速度过慢的问题，提出了模糊精英度的概念，并在此基础上对各遗传操作进行改进，利用改进后的遗传算法对构建的优化模型进行求解，在有限的迭代次数内获得最优的任务分配方案。本发明在多智能体协同控制领域有良好的通用性，具有求解速度快、求解精度高的优点，能够有效解决具有多重约束的多异构无人机系统的任务分配问题。
-
公开(公告)号：CN105929405B
公开(公告)日：2019-02-01
申请号：CN201610237937.X
申请日：2016-04-15
Applicant: 燕山大学
Abstract: 本发明公开一种异步时钟下水下移动目标协同定位方法，包括以下步骤：四个潜器在水面上通过GPS进行自定位和时钟同步；1号潜器下潜到一定深度后进行自定位，估计水流速度并广播给其他潜器，随后继续下潜；另外三个潜器收到水流速度信息后下潜，并周期性地广播HELLO；目标收到HELLO后发送定位请求；每个潜器接收到定位请求后，进入等待模式，等待接收编号在它之前的潜器发来的时间戳，当它确认接收到全部的时间戳后，将自身记录的时间戳发送给编号在它之后的潜器和目标；目标接收到四个潜器发送的时间戳后，发送终止信息，并根据水流速度定位补偿，获取自身位置，定位结束。本发明可以在异步时钟及水流环境中，实现较高精度的目标定位。
-
公开(公告)号：CN106953678A
公开(公告)日：2017-07-14
申请号：CN201710248010.0
申请日：2017-04-17
Applicant: 燕山大学
CPC classification number: Y02D70/39 , H04B13/02 , H04B7/155 , H04B7/15592 , H04W40/22 , H04W52/0203 , H04W88/08
Abstract: 本发明公开了一种多中继协作的认知水声系统中继选择和功率优化方法，采用中继信任因子比重加权的协作感知方法和基于DF转发协议的水声多中继选择和功率优化方法，针对水声通信中频谱资源短缺、信道衰落及时延严重的情况，构建中继信任因子评价中继性能，中继通过比重加权的方式参与协作感知，有效地提高了感知准确性。同时，在多中继协作网络中，将网络干扰限制及剩余能量纳入效用函数，从功率优化和剩余能量消耗角度考虑，基于遗传算法进行中继选择和功率优化，使网络能耗更加均衡。
-
公开(公告)号：CN105242275A
公开(公告)日：2016-01-13
申请号：CN201510628535.8
申请日：2015-09-29
Applicant: 燕山大学
IPC: G01S15/66
CPC classification number: G01S15/66
Abstract: 一种基于一致性估计与休眠调度的水下目标协同追踪方法，包括以下步骤：部署两类水下传感器节点，设定节点初始时刻处于具有低频反射探测功能的休眠状态；休眠传感器节点周期性判断是否转为激活状态；进入唤醒状态的传感器，发送水声脉冲信号对目标进行探测，进而确定目标位置；为得到精确度较高的目标位置信息，对两类节点的观测信息进行一致性估计；根据预测到的目标运动轨迹，动态激活处于目标预测路径区域的传感器，并设定这些节点的工作循环周期与占空比，同时水下动态传感器动态调整位置以实现对目标持续、动态跟踪。本发明具有提高目标追踪的精度、减少能量消耗、延长网络的寿命等优点。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.022 seconds)
