-
公开(公告)号：CN111988248B
公开(公告)日：2022-12-06
申请号：CN202010682300.8
申请日：2020-07-15
Applicant: 郑州轻工业大学
IPC: H04L25/03 , H04B7/0456
Abstract: 本发明公开了一种基于干扰通信对信息交互机制的接收方法及其装置；发射机与其对应接收机获取信道信息并初始化数据结构，选择与信道匹配的码字矩阵；发射机计算内外级联预编码IOP方法的内、外部预编码矩阵，并向其接收机发送参数向量信息，进行信息交互，实现参数同步；干扰通信对接收机接收方法：接收机根据其维护的数据结构的标志Flag，确定发射机采取的IOP方法；接收机根据参数同步后确定的IOP方法的内、外部预编码矩阵和所述数据结构中的取值设计滤波矩阵，重构输出信号，输出符合条件的数据。本发明设计了干扰通信对进行信息交互的数据结构与流程，并在此基础上给出发射机对应接收机的接收方法，实现接收机对多路数据的恢复。
-
公开(公告)号：CN114266301A
公开(公告)日：2022-04-01
申请号：CN202111542143.1
申请日：2021-12-16
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于图卷积神经网络的电力设备故障智能预测方法，步骤如下：采集待预测的电力设备的历史监测信息，对历史监测信息进行预处理，预处理后的监测信息和电力数据中心采集的数据集组成训练样本；构建图卷积神经网络，初始化神经网络参数；将监测信息作为图卷积神经网络的每个节点的输入，利用图卷积神经网络对监测信息进行故障分类；利用训练样本对步骤二构建的图卷积神经网络进行训练，得到优化图卷积神经网络模型；采集待检测设备的实时监测信息并进行预处理，将预处理后的监测信息输入到优化图卷积神经网络模型，获得故障预测结果。本发明具有较好的通用性，预测准确率较高，使用、部署和升级维护简单，无需硬件设备的升级改造。
-
公开(公告)号：CN111988255B
公开(公告)日：2022-12-09
申请号：CN202010689231.3
申请日：2020-07-15
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种基于分解和分布式调制的物理层安全传输方法及系统；控制器将高阶调制分解为多个正交相移键控调制，每个正交相移键控调制进一步分解为两个相互正交的二进制相移键控调制；将待发送的期望数据信息由两个二进制相移键控信号表示，并且分别由两个发射机负责发送，发射机之间共享信道状态信息，发射机对发送信号分别进行预处理后发送到目标接收机；目标接收机接收两个二进制相移键控信号的混合信号，滤波后恢复出期望数据信息。本发明对高阶调制进行分解和分布式调制并发送，每个分布式信号都不会携带目标接收机的完整期望数据信息，实现了数据的保密传输，并有效阻止窃听者获取期望数据信息，实现了期望数据信息的保密传输。
-
公开(公告)号：CN113255146A
公开(公告)日：2021-08-13
申请号：CN202110619655.7
申请日：2021-06-03
Applicant: 郑州轻工业大学
IPC: G06F30/20 , G06F30/17 , G06F119/14
Abstract: 本发明提出了一种基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法，用以解决现有的拉伸/压缩弹簧设计方法容易陷入局部最优解，造成寻优精度差，收敛速度慢的问题。本发明的步骤如下：建立以重量为目标函数的拉伸/压缩弹簧问题的数学模型；结合引力搜索策略和多领导者搜索策略，构建改进樽海鞘群优化算法；采用改进樽海鞘群优化算法对数学模型进行求解；根据求解数学模型的最佳决策变量输出弹簧的最佳结构设计方案。本发明的引力搜索策略摆脱了单一个体引导的局限性，提高了算法的探索能力；多群策略保持种群的多样性，有效平衡了探索与开发能力。本发明具有更好的解质量、收敛精度和稳定性，提高了樽海鞘群优化算法在复杂优化问题上的表现。
-
公开(公告)号：CN111988255A
公开(公告)日：2020-11-24
申请号：CN202010689231.3
申请日：2020-07-15
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种基于分解和分布式调制的物理层安全传输方法及系统；控制器将高阶调制分解为多个正交相移键控调制，每个正交相移键控调制进一步分解为两个相互正交的二进制相移键控调制；将待发送的期望数据信息由两个二进制相移键控信号表示，并且分别由两个发射机负责发送，发射机之间共享信道状态信息，发射机对发送信号分别进行预处理后发送到目标接收机；目标接收机接收两个二进制相移键控信号的混合信号，滤波后恢复出期望数据信息。本发明对高阶调制进行分解和分布式调制并发送，每个分布式信号都不会携带目标接收机的完整期望数据信息，实现了数据的保密传输，并有效阻止窃听者获取期望数据信息，实现了期望数据信息的保密传输。
-
Patent Agency Ranking
公开(公告)号：CN114266301B
公开(公告)日：2024-09-27
申请号：CN202111542143.1
申请日：2021-12-16
Applicant: 郑州轻工业大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/08 , G06Q50/06
Abstract: 本发明提出了一种基于图卷积神经网络的电力设备故障智能预测方法，步骤如下：采集待预测的电力设备的历史监测信息，对历史监测信息进行预处理，预处理后的监测信息和电力数据中心采集的数据集组成训练样本；构建图卷积神经网络，初始化神经网络参数；将监测信息作为图卷积神经网络的每个节点的输入，利用图卷积神经网络对监测信息进行故障分类；利用训练样本对步骤二构建的图卷积神经网络进行训练，得到优化图卷积神经网络模型；采集待检测设备的实时监测信息并进行预处理，将预处理后的监测信息输入到优化图卷积神经网络模型，获得故障预测结果。本发明具有较好的通用性，预测准确率较高，使用、部署和升级维护简单，无需硬件设备的升级改造。
-
公开(公告)号：CN115905568A
公开(公告)日：2023-04-04
申请号：CN202211450170.0
申请日：2022-11-19
IPC: G06F16/36 , G06F16/901 , G06N3/08 , G06N3/045 , G06N3/047
Abstract: 本发明提出了一种上下文感知的知识图谱补全方法，步骤为：根据实体对的知识图谱子图，边感知的关系消息传递机制计算不同实体的邻居边的权重，利用邻居关系权重对关系的状态进行加权结合，获取实体对的邻居边表示；上下文感知的路径注意机制学习实体对之间的关系路径得到实体对之间所有关系路径的表示；根据实体对的邻居边表示计算每条关系路径的权重，利用权重对关系路径的表示进行加权求和获得实体对的关系路径表示；计算实体对之间关系的概率分布，利用概率分布构建损失函数进行训练，得到补全模型。本发明可以捕获实体邻居边重要程度的差异，减轻了噪声路径的影响，实验结果表明，在链路预测任务上优于其他基线方法，且具有更好的解释能力。
-
公开(公告)号：CN111988248A
公开(公告)日：2020-11-24
申请号：CN202010682300.8
申请日：2020-07-15
Applicant: 郑州轻工业大学
IPC: H04L25/03 , H04B7/0456
Abstract: 本发明公开了一种基于干扰通信对信息交互机制的接收方法及其装置；发射机与其对应接收机获取信道信息并初始化数据结构，选择与信道匹配的码字矩阵；发射机计算内外级联预编码IOP方法的内、外部预编码矩阵，并向其接收机发送参数向量信息，进行信息交互，实现参数同步；干扰通信对接收机接收方法：接收机根据其维护的数据结构的标志Flag，确定发射机采取的IOP方法；接收机根据参数同步后确定的IOP方法的内、外部预编码矩阵和所述数据结构中的取值设计滤波矩阵，重构输出信号，输出符合条件的数据。本发明设计了干扰通信对进行信息交互的数据结构与流程，并在此基础上给出发射机对应接收机的接收方法，实现接收机对多路数据的恢复。
-
公开(公告)号：CN114884895B
公开(公告)日：2023-08-22
申请号：CN202210483572.4
申请日：2022-05-05
Applicant: 郑州轻工业大学
IPC: H04L47/2441 , H04L45/30 , H04L45/00 , G06N3/0464
Abstract: 本发明提出了一种基于深度强化学习的智能流量调度方法，其步骤为：实时采集数据中心网络拓扑中的流，根据不同类型的流特征将流分成大象流或老鼠流；分别建立大象流和老鼠流的节能和性能为联合优化目标的流量调度模型；建立基于CNN改进的DDPG智能路由流量调度框架并进行环境交互；状态映射：将三种状态信息共同作为状态集合CNN进行训练；动作映射：动作设置为流在时间和空间上均匀传输情况下每条路径节能和性能综合的权重，根据权重分别选取大象流或老鼠流的传输路径；奖励值映射：分别设计大象流和老鼠流的奖励值函数。本发明具有较好的收敛效率，有效提高了节能百分比和时延、吞吐量、丢包率等网络性能。
-
公开(公告)号：CN114884895A
公开(公告)日：2022-08-09
申请号：CN202210483572.4
申请日：2022-05-05
Applicant: 郑州轻工业大学
IPC: H04L47/2441 , H04L45/30 , H04L45/00 , G06N3/04
Abstract: 本发明提出了一种基于深度强化学习的智能流量调度方法，其步骤为：实时采集数据中心网络拓扑中的流，根据不同类型的流特征将流分成大象流或老鼠流；分别建立大象流和老鼠流的节能和性能为联合优化目标的流量调度模型；建立基于CNN改进的DDPG智能路由流量调度框架并进行环境交互；状态映射：将三种状态信息共同作为状态集合CNN进行训练；动作映射：动作设置为流在时间和空间上均匀传输情况下每条路径节能和性能综合的权重，根据权重分别选取大象流或老鼠流的传输路径；奖励值映射：分别设计大象流和老鼠流的奖励值函数。本发明具有较好的收敛效率，有效提高了节能百分比和时延、吞吐量、丢包率等网络性能。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
