-
公开(公告)号：CN118972889A
公开(公告)日：2024-11-15
申请号：CN202310545030.X
申请日：2023-05-15
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司 , 东南大学
IPC: H04W24/06 , H04L41/147 , H04L41/14 , H04L41/142
Abstract: 本发明公开了一种流量预测方法、装置、计算设备和存储介质，该方法包括：获取无线网络的采样数据，对采样数据进行数据筛选，得到流量特征数据；将流量特征数据进行归一化处理后按照时间顺序划分成训练集数据、验证集数据和测试集数据；构建初始流量预测模型；将训练集数据和验证集数据输入初始流量预测模型进行训练，得到目标流量预测模型；将测试集数据输入目标流量预测模型进行流量预测，得到流量预测结果。本发明通过对采样数据中的无效数据清洗、有效数据筛选与数据归一化处理后，对采样数据应用训练后的流量预测模型进行流量数据特征提取与预测，提升采样数据的有效性，从而提高小区下行流量预测的准确率。
-
公开(公告)号：CN114913390A
公开(公告)日：2022-08-16
申请号：CN202210486378.1
申请日：2022-05-06
Applicant: 东南大学
IPC: G06V10/774 , G06K9/62 , G06N20/00
Abstract: 本发明公开了一种基于条件GAN的数据增广改善个性化联邦学习性能方法，包括以下步骤，建立个性化联邦学习pFedMe模型；建立条件GAN模型，进而将其以个性化联邦学习的方式加入到pFdeMe模型中，得到基于条件GAN的pFedMe模型；获取CIFAR10数据集，并通过上述基于条件GAN的pFedMe模型，实现数据增广；得到基于条件GAN的数据增广方法在测试集上的准确率。通过本发明可以获取条件GAN有效提升个性化联邦学习性能的方式，对于使用条件GAN对模型进行数据增广具有实际价值。
-
Patent Agency Ranking
公开(公告)号：CN113114314B
公开(公告)日：2022-03-11
申请号：CN202110404637.7
申请日：2021-04-15
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , H04W24/02 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融合深度自编码器与混类增强的大规模MIMO网络性能提升方法，包括如下步骤，在大规模MIMO网络场景下，建立基于深度神经网络的功率分配模型，并获取用户设备的位置作为所述功率分配模型的输入样本，分配结果作为输出样本；对大规模MIMO网络的功率分配模型的输入样本和输出样本运用自编码器进行数据增广，并将增广数据集送入MIMO网络的功率分配模型进行训练；构建融合深度自编码器与混类增强的数据增广模型，进一步改善数据增广的性能。通过本发明能够在原始训练集与自编码器生成训练集上运用混类增强的方法来解决数据集大小大于阈值时自编码器无法提升模型性能的问题，从而进一步提升大规模MIMO模型性能和用户服务质量。
-
公开(公告)号：CN114913390B
公开(公告)日：2025-04-01
申请号：CN202210486378.1
申请日：2022-05-06
Applicant: 东南大学
IPC: G06V10/774 , G06V10/82 , G06N3/045 , G06N3/084 , G06N3/0475 , G06N3/094 , G06N3/098
Abstract: 本发明公开了一种基于条件GAN的数据增广改善个性化联邦学习性能方法，包括以下步骤，建立个性化联邦学习pFedMe模型；建立条件GAN模型，进而将其以个性化联邦学习的方式加入到pFdeMe模型中，得到基于条件GAN的pFedMe模型；获取CIFAR10数据集，并通过上述基于条件GAN的pFedMe模型，实现数据增广；得到基于条件GAN的数据增广方法在测试集上的准确率。通过本发明可以获取条件GAN有效提升个性化联邦学习性能的方式，对于使用条件GAN对模型进行数据增广具有实际价值。
-
公开(公告)号：CN116389199A
公开(公告)日：2023-07-04
申请号：CN202310319664.3
申请日：2023-03-29
Applicant: 东南大学
IPC: H04L25/02 , H04B7/0426
Abstract: 本发明提供了一种基于GAN的数据增广改善信道估计和功率分配性能方法，属于深度学习辅助无线通信领域。利用生成对抗网络为信道估计和大规模MIMO功率问题提供增广数据，并研究此增广方案的性能极限，提出基于生成对抗网络的数据增广算法性能存在最大可支持的数据集大小。本发明在信道估计任务中，将无线通信系统的导频矢量和真实的信道矩阵作为训练集；在大规模MIMO功率任务中，将用户设备的位置和相应的功率分配结果作为训练集。研究指出生成对抗网络增广数据的效果与数据集的大小有关，这对使用生成对抗网络对模型进行数据增广具有实际价值。
-
公开(公告)号：CN113114314A
公开(公告)日：2021-07-13
申请号：CN202110404637.7
申请日：2021-04-15
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , H04W24/02 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融合深度自编码器与混类增强的大规模MIMO网络性能提升方法，包括如下步骤，在大规模MIMO网络场景下，建立基于深度神经网络的功率分配模型，并获取用户设备的位置作为所述功率分配模型的输入样本，分配结果作为输出样本；对大规模MIMO网络的功率分配模型的输入样本和输出样本运用自编码器进行数据增广，并将增广数据集送入MIMO网络的功率分配模型进行训练；构建融合深度自编码器与混类增强的数据增广模型，进一步改善数据增广的性能。通过本发明能够在原始训练集与自编码器生成训练集上运用混类增强的方法来解决数据集大小大于阈值时自编码器无法提升模型性能的问题，从而进一步提升大规模MIMO模型性能和用户服务质量。
-
公开(公告)号：CN113112003A
公开(公告)日：2021-07-13
申请号：CN202110404444.1
申请日：2021-04-15
Applicant: 东南大学
Abstract: 本发明公开了一种在无线通信场景下基于自编码器的最优数据增广改善深度学习信道估计性能的方法，包括以下步骤，建立两个用于信道估计的基本卷积神经网络模型；获取无线通信信道估计的训练集，并基于自编码器进行数据增广，得到增广数据；增广数据通过信道估计基本卷积神经网络模型，得到基于自编码器的数据增广方法在测试集上的均方误差值与数据集大小的关系；基于步骤3中少量的实验数据，提出一种简单的直线交点检测方法，获取自编码器提升无线通信信道估计模型性能时的数据集大小的阈值。通过本发明可以获取自编码器最大限度提升无线通信系统性能时的数据集阈值，对于使用自编码器对模型进行数据增广具有实际价值。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
