一种基于元强化学习的全网多业务联合优化方法

    公开(公告)号:CN116996921B

    公开(公告)日:2024-01-02

    申请号:CN202311252903.4

    申请日:2023-09-27

    摘要: 本发明公开了一种基于元强化学习的全网多业务联合优化方法,包括以下步骤:S1.搭建包含无线接入网、传输网和核心网三层网络结构的5G通信平台,并确定联合优化的目标函数;S2.构建面向多业务的路由缓存模块;S3.构建元强化学习模型,包含 个Actor网络,一个Critic网络和一个任务经验集缓存模块;S4.基于元强化学习模型训练确定路由缓存模块参数;S5.进行5G全网的多业务联合优化。本发明通过控制通信全网在各层网管处的路由缓存方法,实现对多业务的全网联合优化。

    一种基于元强化学习的全网多业务联合优化方法

    公开(公告)号:CN116996921A

    公开(公告)日:2023-11-03

    申请号:CN202311252903.4

    申请日:2023-09-27

    摘要: 本发明公开了一种基于元强化学习的全网多业务联合优化方法,包括以下步骤:S1.搭建包含无线接入网、传输网和核心网三层网络结构的5G通信平台,并确定联合优化的目标函数;S2.构建面向多业务的路由缓存模块;S3.构建元强化学习模型,包含#imgabs0#个Actor网络,一个Critic网络和一个任务经验集缓存模块;S4.基于元强化学习模型训练确定路由缓存模块参数;S5.进行5G全网的多业务联合优化。本发明通过控制通信全网在各层网管处的路由缓存方法,实现对多业务的全网联合优化。

    数据传输方法、设备及存储介质
    35.
    发明公开

    公开(公告)号:CN116385856A

    公开(公告)日:2023-07-04

    申请号:CN202310355741.0

    申请日:2023-03-22

    摘要: 本发明属于数据传输领域,公开了一种数据传输方法、设备及存储介质。该方法包括:提取目标图片的视觉特征,并将所述视觉特征投影至潜在低维空间,得到潜在低维特征;基于多层级语义编码器,将所述潜在低维特征投影至语义特征空间,得到语义特征;基于第一语义知识库对所述语义特征进行类别判决,得到语义误差;根据所述语义误差确定所述目标图片的目标特征,并将所述目标特征发送至数据接收设备。由于本发明是提取目标图片的视觉特征,根据所述视觉特征对应的语义误差确定所述目标图片的目标特征,并将所述目标特征发送至数据接收设备。相对于现有的直接将目标图片发送至数据接收设备的方式,本发明上述方式能够降低传输时延,节省传输带宽。

    一种基于深度学习网络的图像及语义信息传输方法

    公开(公告)号:CN116029340A

    公开(公告)日:2023-04-28

    申请号:CN202310039257.7

    申请日:2023-01-13

    摘要: 本发明公开了一种基于深度学习网络的图像及语义信息传输方法,包括以下步骤:S1.给定发射端的数据处理模型:发射端基于神经网络,对图像进行特征向量提取后对特征向量进行量化,然后结合概率密度函数进行编码得到符号序列传输给接收端;S2.给定接收端的数据处理模型:接收端接收符号序列,进行解码并获取特征向量,根据特征向量恢复出图像信息,然后恢复出图像的语义信息;S3.进行神经网络参数训练;S4.对图像及语义信息进行传输。本发明在点对点信道条件下,基于神经网络对图像信息和图像的语义信息进行联合恢复,能够自适应的学习图像特征的分布,具有良好的图像恢复效果,并引入和训练了语义神经网络,具有较好的语义恢复效果。

    隐私模型训练的方法
    37.
    发明授权

    公开(公告)号:CN113094735B

    公开(公告)日:2023-03-31

    申请号:CN202110477135.7

    申请日:2021-04-29

    IPC分类号: G06F21/60 G06F21/62 G06F21/64

    摘要: 本申请涉及一种隐私模型训练的方法、装置、计算机设备和存储介质。一个实施例的方法包括:基于待训练模型发布模型训练任务;接收各用户终端发送的训练加入请求,根据各用户终端的训练加入请求的请求时间,生成用户集合发送给各用户终端;将用户集合中的用户划分用户分组;在任何一次迭代训练过程中,接收用户集合内的各用户终端发送的携带用户端密文、模型参数密文及训练迭代次数的模型训练密文;基于各用户终端所属的用户分组,对各用户终端的用户端密文进行密钥聚合处理,获得密钥聚合处理结果;在密钥聚合处理结果验证通过时,对各用户终端的模型参数密文进行模型聚合处理,获得模型聚合结果。采用本方法能够提高模型训练时的安全性和稳定性。

    基于分布式模型训练的用户认证方法及装置

    公开(公告)号:CN113094675B

    公开(公告)日:2023-03-28

    申请号:CN202110475267.6

    申请日:2021-04-29

    摘要: 本申请涉及一种基于分布式模型训练的用户认证方法、装置、计算机设备和存储介质。一个实施例中的方法包括:通过目标基站发布模型训练任务;通过所述目标基站接收各用户终端发送的训练加入请求,基于所述训练加入请求获取所述用户终端的共享秘密,所述用户终端的共享秘密根据所述用户终端的匿名用户信息以及分享密钥确定;基于所述目标基站的第一预定数目的加密密文,对各所述用户终端的共享秘密进行验证;用户终端的共享秘密验证通过时,对所述目标基站上传的第一密文部分进行解密,获得解密数值;基于所述解密数值和各所述用户终端的所述匿名用户信息,获得各所述用户终端的真实身份信息。采用本方法能够提高了用户的隐私安全。

    一种基于高精度电磁传播模型的路径损耗预测方法

    公开(公告)号:CN115310372A

    公开(公告)日:2022-11-08

    申请号:CN202211232558.3

    申请日:2022-10-10

    摘要: 本发明公开了一种基于高精度电磁传播模型的路径损耗预测方法,包括以下步骤:S1.对于一类物品中的每一个待测物体,获取该待测物体的地理环境信息和该待测物体的电磁传播模型,加入该类物品的样本集;S2.构建神经网络预测模型进行训练,得到成熟神经网络预测模型;S3.对于不同类别的物品S类物体,重复执行步骤S1~S2,得到每一类物体对应的成熟神经网络预测模型;S4.基于神经网络预测模型,对发射机经预测区域向接收机传播信息的路径损耗进行预测。本发明针对每一类物品建立了神经网络预测模型,并在此基础上对不同的物体进行双向反射透射分布函数值(BRTDF值)求解,基于光线追踪实现路径损耗预测,有效提高了预测精度。

    一种基于分层策略的异构任务调度方法

    公开(公告)号:CN114915665B

    公开(公告)日:2022-10-21

    申请号:CN202210821020.X

    申请日:2022-07-13

    发明人: 黄川 崔曙光 李然

    摘要: 本发明公开了一种基于分层策略的异构任务调度方法,包括以下步骤:S1.构建异构任务调度模型并确定调度的目标问题;S2.构建基于分层策略的异构任务调度的离线学习模型:第一层策略模块,包含K个完全相同的深度强化学习模块,即DRL模块,其中第k个模块称为DRLk;每一个DRL模块包含一个评估行动网络,一个评估价值网络,一个目标行动网络,一个目标价值网络和一个经历缓存模块,第二层策略模块的输入为,输出为;S3.进行离线训练得到成熟的模型;S4.对训练得到的模型进行在线应用,实现异构任务调度。本发明提供的异构任务调度方法,适用于存在高维状态和行动空间以及时变约束条件的马尔科夫决策过程,有效实现了异构任务的联合调度。