-
公开(公告)号：CN110336861B
公开(公告)日：2020-06-30
申请号：CN201910525775.3
申请日：2019-06-18
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于双层无人机的移动边缘计算系统的卸载任务分配方法，移动边缘计算系统，包括二个安装有移动边缘计算服务器的高空平台无人机和多个低空平台无人机，利用二个高空平台无人机来执行低空平台无人机卸载的计算任务；卸载任务分配方法为：通过博弈对低空平台无人机和高空平台无人机的计算任务卸载分配问题进行建模，基于价格建立博弈上层高空无人机的效用函数以及下层低空平台无人机的成本函数；对建模之后得到的具有均衡约束的均衡规划问题进行求解：在固定上层领导者的策略的基础上，先求解博弈下层多个用户的优化问题的均衡解，再求解上层多无人机基站的均衡解。解决了现有无人机执行计算密集型和延迟敏感任务时存在的问题。
-
公开(公告)号：CN110619885B
公开(公告)日：2022-02-11
申请号：CN201910755047.1
申请日：2019-08-15
Applicant: 西北工业大学
IPC: G10L21/02 , G10L21/0208 , G10L25/30 , G10L25/60 , G06N3/04
Abstract: 本发明公开了基于深度完全卷积神经网络的生成对抗网络语音增强方法，解决了现有高噪声环境下语音信号质量差的问题。该方法包括以下步骤：步骤一、构建一个数据集，包含含噪语音信号和纯净语音信号；获得所述含噪语音信号的语谱图，将语谱图作为生成对抗网络中生成器G的输入；步骤二、生成器G对步骤一所生成的语谱图进行处理，将生成器构建为编码器‑译码器结构，通过编码器部分获得潜在向量z，然后潜在向量z经过译码器部分获得语音信号的输出信号；步骤三、设置判别器D的结构，然后将所述步骤二中的输出信号和所述步骤一中的纯净语音信号作为判别器D的输入，两者不断交互对抗、训练，直至达到平衡，获得增强语音信号。
-
公开(公告)号：CN111212438B
公开(公告)日：2021-07-16
申请号：CN202010113438.6
申请日：2020-02-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种面向模式划分多址接入技术的无线携能下行链路通信场景的资源分配方法，通过提出了基于约束马尔可夫过程的Q学习算法，解决了在保证所有用户服务质量的前提下最小化发射端的传输总功率的问题，其中所提到的用户服务质量包括用户接收到的最小能量要求和最小数据速率要求。经验证，所提出的资源分配策略可以明显降低发射端的传输总功率。
-
Patent Agency Ranking
公开(公告)号：CN111212438A
公开(公告)日：2020-05-29
申请号：CN202010113438.6
申请日：2020-02-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种面向模式划分多址接入技术的无线携能下行链路通信场景的资源分配方法，通过提出了基于约束马尔可夫过程的Q学习算法，解决了在保证所有用户服务质量的前提下最小化发射端的传输总功率的问题，其中所提到的用户服务质量包括用户接收到的最小能量要求和最小数据速率要求。经验证，所提出的资源分配策略可以明显降低发射端的传输总功率。
-
公开(公告)号：CN110336861A
公开(公告)日：2019-10-15
申请号：CN201910525775.3
申请日：2019-06-18
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于双层无人机的移动边缘计算系统的卸载任务分配方法，移动边缘计算系统，包括二个安装有移动边缘计算服务器的高空平台无人机和多个低空平台无人机，利用二个高空平台无人机来执行低空平台无人机卸载的计算任务；卸载任务分配方法为：通过博弈对低空平台无人机和高空平台无人机的计算任务卸载分配问题进行建模，基于价格建立博弈上层高空无人机的效用函数以及下层低空平台无人机的成本函数；对建模之后得到的具有均衡约束的均衡规划问题进行求解：在固定上层领导者的策略的基础上，先求解博弈下层多个用户的优化问题的均衡解，再求解上层多无人机基站的均衡解。解决了现有无人机执行计算密集型和延迟敏感任务时存在的问题。
-
公开(公告)号：CN110113190A
公开(公告)日：2019-08-09
申请号：CN201910335485.2
申请日：2019-04-24
Applicant: 西北工业大学
Abstract: 本发明的目的是提供一种移动边缘计算场景中卸载时延优化方法，步骤一、构建系统模型：系统模型包括2M个用户和一个MEC服务器，每个用户有L个任务需要被卸载到MEC服务器进行计算，假设同时只允许两个用户采用混合NOMA策略同时卸载；步骤二、设定每一个用户作为一个执行者，每一个执行者按照DQN算法进行动作选择，即从其余2M-1个用户中选择一个作为自己的传输搭档同时进行卸载；步骤三、用DQN算法进行系统优化：所有用户搭档选择完成后，计算系统的总卸载时延，更新奖赏值，然后训练神经网络，用神经网络作为函数逼近器，更新Q函数；不断的对系统进行上述迭代优化，直至找到最优的时延。解决了现有多用户MEC场景下，时延消耗大的问题。
-
公开(公告)号：CN110113190B
公开(公告)日：2021-04-09
申请号：CN201910335485.2
申请日：2019-04-24
Applicant: 西北工业大学
Abstract: 本发明的目的是提供一种移动边缘计算场景中卸载时延优化方法，步骤一、构建系统模型：系统模型包括2M个用户和一个MEC服务器，每个用户有L个任务需要被卸载到MEC服务器进行计算，假设同时只允许两个用户采用混合NOMA策略同时卸载；步骤二、设定每一个用户作为一个执行者，每一个执行者按照DQN算法进行动作选择，即从其余2M‑1个用户中选择一个作为自己的传输搭档同时进行卸载；步骤三、用DQN算法进行系统优化：所有用户搭档选择完成后，计算系统的总卸载时延，更新奖赏值，然后训练神经网络，用神经网络作为函数逼近器，更新Q函数；不断的对系统进行上述迭代优化，直至找到最优的时延。解决了现有多用户MEC场景下，时延消耗大的问题。
-
公开(公告)号：CN110619885A
公开(公告)日：2019-12-27
申请号：CN201910755047.1
申请日：2019-08-15
Applicant: 西北工业大学
IPC: G10L21/02 , G10L21/0208 , G10L25/30 , G10L25/60 , G06N3/04
Abstract: 本发明公开了基于深度完全卷积神经网络的生成对抗网络语音增强方法，解决了现有高噪声环境下语音信号质量差的问题。该方法包括以下步骤：步骤一、构建一个数据集，包含含噪语音信号和纯净语音信号；获得所述含噪语音信号的语谱图，将语谱图作为生成对抗网络中生成器G的输入；步骤二、生成器G对步骤一所生成的语谱图进行处理，将生成器构建为编码器-译码器结构，通过编码器部分获得潜在向量z，然后潜在向量z经过译码器部分获得语音信号的输出信号；步骤三、设置判别器D的结构，然后将所述步骤二中的输出信号和所述步骤一中的纯净语音信号作为判别器D的输入，两者不断交互对抗、训练，直至达到平衡，获得增强语音信号。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
