-
公开(公告)号：CN101998420A
公开(公告)日：2011-03-30
申请号：CN201010544390.0
申请日：2010-11-12
Applicant: 北京邮电大学
CPC classification number: H04W24/10 , H04B7/024 , H04B7/0626 , H04W72/0426 , H04W92/20
Abstract: 本发明公开了一种协作多点通信中的协作小区集合建立方法，包括步骤：协作多点通信进程的触发及启动；根据UE测量测量小区集合中各小区的信道状态信息确认候选协作小区集合；向确认的候选协作小区集合中的协作小区所属eNodeB发送协作小区集合建立请求；接收到协作小区集合建立请求的协作小区所属eNodeB向UE所在服务小区所属eNodeB对协作小区集合建立请求作出响应，向UE所在服务小区所属eNodeB发送协作小区集合建立响应；UE所在服务小区所属eNodeB根据协作小区集合建立响应信息确定UE的协作小区集合；根据协作多点通信模式，共享协作小区集合所属UE的数据信息以及业务承载信息。本发明在保证协作多点联合传输的同时，减小了信息交互的时延并降低通信系统的开销和复杂度。
-
公开(公告)号：CN114943342B
公开(公告)日：2025-01-03
申请号：CN202210532203.X
申请日：2022-05-09
Applicant: 北京邮电大学
IPC: G06N20/00 , G06F18/214 , G06F18/23
Abstract: 本发明公开了一种联邦学习系统的优化方法，属于大规模分布式边缘智能学习领域，具体为：服务器创建全局模型初始化后下发至所有用户端；各用户端分别利用各自隐私数据集进行训练，得到个性化的本地模型，随后进入联邦学习的循环过程，每一轮循环皆如下：服务器对用户端进行聚类，结合用户端的贡献度选择上行传输用户端集合，集合中各用户端压缩本地模型并上传；服务器利用联邦平均方法以及无标签数据集对本地模型进行聚合和对齐，以更新全局模型并压缩后下发到根据用户需求选择的下行传输用户端集合中；各用户端用隐私数据集再次训练为新的个性化模型，循环直至本地模型及全局模型皆收敛。因此，本发明提升了通信效率，实现了联邦学习的高效训练。
-
公开(公告)号：CN114826949B
公开(公告)日：2023-06-09
申请号：CN202210499844.X
申请日：2022-05-04
Applicant: 北京邮电大学
IPC: H04L41/147 , H04L41/14 , H04L43/08
Abstract: 本发明公开了一种通信网络状况预测方法，属于信息技术领域；具体包括：实时获取通信网络各节点状况，并划分为短期数据，长期数据与典型数据；将短期通信状况数据输入到预先训练的自注意力神经网络中，得到通信网络节点间影响特征，并经全连接自编码器得到通信网络节点间影响特征向量；将典型数据输入到预先训练的卷积自编码器中，得到通信网络状况观测特征向量；将两个向量连接，并聚类获得每一类节点的类别特征向量。最后，结合长期历史数据以及各节点的类别特征向量输入到图递归神经网络中，得到未来时刻通信网络状况预测值；本发明有效避免不同类型数据对模型性能的干扰，提高模型预测准确性。
-
公开(公告)号：CN112541638B
公开(公告)日：2022-07-12
申请号：CN202011519013.1
申请日：2020-12-21
Applicant: 北京邮电大学
Abstract: 本发明实施例提供的一种网联车车辆行程时间估计方法，应用于信息技术领域，将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中，根据路网中各路线的空间特征更新道路动态特征向量与静态特征的向量后，将更新后的动态特征向量输入到预先训练的循环神经网络中，得到路网中各路线的时间特征，再次更新动态特征向量；将路网中各路线中两次更新后的动态特征向量和路网中各路线的一次更新后的静态特征向量输入到基于图神经网络的注意力机制网络中，得到并根据路网中各路线的轨迹影响力得分和路网结构，抽取目标路线对应的路网子图；通过将子图转化为子图向量，然后计算得到目标路线预测行程时间，可以提高行程时间的计算的准确性。
-
公开(公告)号：CN111565065B
公开(公告)日：2021-06-04
申请号：CN202010211292.9
申请日：2020-03-24
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种无人机基站部署方法、装置及电子设备，获取用户位置信息；将所述用户位置信息输入预先训练得到的神经网络模型，得到无人机的部署位置信息，以使所述无人机基于所述部署位置信息完成无人机基站部署操作；其中，所述神经网络模型是根据样本用户位置信息，以及与所述样本用户位置信息对应的最优无人机部署位置信息训练得到的。本发明实施例中，预先对神经网络模型进行训练，当用户位置改变时，仅需将改变后的用户位置再输入至上述训练得到的神经网络模型中，即可得到无人机的部署位置信息，即：实际部署过程中，无需进行迭代训练，因此，提高了获取无人机部署位置信息的效率，进而提高了无人机基站部署的效率。
-
Patent Agency Ranking
公开(公告)号：CN112700049A
公开(公告)日：2021-04-23
申请号：CN202011643182.6
申请日：2020-12-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种订单派发方法及装置，其中，获取每一车辆实时的司乘信息；其中，司乘信息包括：司机信息和乘客订单信息；将实时的司乘信息输入至已训练神经网络模型，输出与司乘信息对应的各司乘对价值；其中，已训练神经网络模型是基于样本集训练得到的，样本集包括：历史的司乘信息；根据各司乘对价值，采用二分图的最佳匹配KM算法，对所有的司乘进行司乘匹配，得到与乘客订单匹配度最高的司机，以向与乘客订单匹配度最高的司机所在的车辆派发订单。以解决相关技术中司乘匹配仅以订单价格为依据，为乘车在其乘坐位置周围一定区域内的全部车辆进行车乘匹配，使得整个派单平台的订单完成的效率较低，影响整个平台的收益的技术问题。
-
公开(公告)号：CN112541638A
公开(公告)日：2021-03-23
申请号：CN202011519013.1
申请日：2020-12-21
Applicant: 北京邮电大学
Abstract: 本发明实施例提供的一种网联车车辆行程时间估计方法，应用于信息技术领域，将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中，根据路网中各路线的空间特征更新道路动态特征向量与静态特征的向量后，将更新后的动态特征向量输入到预先训练的循环神经网络中，得到路网中各路线的时间特征，再次更新动态特征向量；将路网中各路线中两次更新后的动态特征向量和路网中各路线的一次更新后的静态特征向量输入到基于图神经网络的注意力机制网络中，得到并根据路网中各路线的轨迹影响力得分和路网结构，抽取目标路线对应的路网子图；通过将子图转化为子图向量，然后计算得到目标路线预测行程时间，可以提高行程时间的计算的准确性。
-
公开(公告)号：CN112163480A
公开(公告)日：2021-01-01
申请号：CN202010972882.3
申请日：2020-09-16
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种行为识别方法及装置，可以获取包含有目标对象的多个目标视频帧；针对每一目标视频帧，将该目标视频帧输入至预先训练的二维坐标提取网络模型，得到该目标视频帧中各对象的二维图像信息；基于该目标视频帧的深度信息和该目标视频帧中各对象的二维图像信息，以及预先训练的三维坐标提取网络模型，确定该目标视频帧中各对象的三维图像信息；基于多个目标视频帧中各对象的三维图像信息，以及预先训练的行为预测网络模型，确定多个目标视频帧中目标对象的驾驶行为。基于上述处理，可以提高行为识别的准确度。
-
公开(公告)号：CN107563381B
公开(公告)日：2020-10-23
申请号：CN201710816619.3
申请日：2017-09-12
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明设计了一种基于全卷积网络的多特征融合的目标检测方法，其主要技术特点是：搭建具有六个卷积层组的全卷积神经网络；利用卷积神经网络的前五组卷积层提取图像特征，并将其输出进行融合，形成融合特征图；对融合后的特征图进行卷积处理，直接产生固定数目的不同大小的目标边框；计算卷积神经网络生成的目标边框与真实边框之间的分类误差与定位误差，利用随机梯度下降法降低训练误差，得到最终训练模型的参数，最后进行测试得到目标检测结果。本发明利用了深度卷积网络对目标的强大的表示能力，构建了用于目标检测的全卷积神经网络，提出了新的融合特征方法，提高了算法的检测速度和精度，获得了良好的目标检测结果。
-
公开(公告)号：CN111565065A
公开(公告)日：2020-08-21
申请号：CN202010211292.9
申请日：2020-03-24
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种无人机基站部署方法、装置及电子设备，获取用户位置信息；将所述用户位置信息输入预先训练得到的神经网络模型，得到无人机的部署位置信息，以使所述无人机基于所述部署位置信息完成无人机基站部署操作；其中，所述神经网络模型是根据样本用户位置信息，以及与所述样本用户位置信息对应的最优无人机部署位置信息训练得到的。本发明实施例中，预先对神经网络模型进行训练，当用户位置改变时，仅需将改变后的用户位置再输入至上述训练得到的神经网络模型中，即可得到无人机的部署位置信息，即：实际部署过程中，无需进行迭代训练，因此，提高了获取无人机部署位置信息的效率，进而提高了无人机基站部署的效率。
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.029 seconds)
