-
公开(公告)号：CN115022952A
公开(公告)日：2022-09-06
申请号：CN202210946839.9
申请日：2022-08-09
申请人： 中国人民解放军国防科技大学
摘要： 本申请涉及一种对抗条件下的卫星通信功率资源分配方法。所述方法包括：基于布洛托博弈模型构建卫星通信功率资源分配模型，并根据所建模型以及所述初始策略集求解当前抗干扰方和干扰方子博弈的混合纳什均衡，再采用双隐喻算法进行迭代计算得到双方最优的功率资源分配策略。采用布洛托博弈资源分配模型，并使用双隐喻的均衡求解算法对卫星通信功率资源分配问题进行建模和求解，能够达到在博弈对抗中收敛到纳什均衡的要求，省去了一般解法中构造联合分布的复杂过程，并且结合卫星通信的实际应用需求，设计以信道数量为优化目标的效用函数，相较于以通信容量为优化目标的方法，该设计更符合实际，进一步实现卫星通信中高效的频谱利用率的现实问题。
-
公开(公告)号：CN115022952B
公开(公告)日：2022-10-25
申请号：CN202210946839.9
申请日：2022-08-09
申请人： 中国人民解放军国防科技大学
摘要： 本申请涉及一种对抗条件下的卫星通信功率资源分配方法。所述方法包括：基于布洛托博弈模型构建卫星通信功率资源分配模型，并根据所建模型以及所述初始策略集求解当前抗干扰方和干扰方子博弈的混合纳什均衡，再采用双隐喻算法进行迭代计算得到双方最优的功率资源分配策略。采用布洛托博弈资源分配模型，并使用双隐喻的均衡求解算法对卫星通信功率资源分配问题进行建模和求解，能够达到在博弈对抗中收敛到纳什均衡的要求，省去了一般解法中构造联合分布的复杂过程，并且结合卫星通信的实际应用需求，设计以信道数量为优化目标的效用函数，相较于以通信容量为优化目标的方法，该设计更符合实际，进一步实现卫星通信中高效的频谱利用率的现实问题。
-
公开(公告)号：CN115913343B
公开(公告)日：2023-04-28
申请号：CN202310220773.X
申请日：2023-03-09
申请人： 中国人民解放军国防科技大学
摘要： 本申请涉及一种卫星通信功率资源在线分配方法、装置、设备及存储介质。所述方法包括：通过根据通信信道数量以及总功率预算构建有向无环的图结构，将每次对抗阶段对各信道进行功率分配的问题转化为在图结构上选取最短路径的问题，在各阶段对抗后，采用在线无悔学习算法对图结构中的各边的权重进行更新，以影响下一轮次对抗中对各信道的功率分配。采用本方法可使得抗干扰方在与干扰方进行对抗时，有更多数量的传输信道完成信息传输，以增大通信容量，进一步实现卫星通信中高效的频谱利用率的现实问题。
-
公开(公告)号：CN114866356B
公开(公告)日：2022-09-20
申请号：CN202210791129.3
申请日：2022-07-06
申请人： 中国人民解放军国防科技大学
摘要： 本申请涉及策略博弈技术领域的一种基于元学习的策略博弈的行为预测方法和预测器。所述方法包括获取网络攻防博弈数据集，将数据集划分为用于测试训练好的行为预测模型效果的新任务和用于元学习的训练样本，采用元学习方法对构建的基于深度神经网络的行为预测模型进行训练，并利用训练好的行为预测模型在新任务中对网络攻防博弈中攻击者的战略行为进行预测。本方法采用无监督学习的任务分类方法和专家混合架构的元学习方法，能够在网络攻防博弈数据量较少的场景中明显提升网络攻防博弈中攻击者的战略行为预测精度和预测速度，取得较好的安全防御效果，并达到主动防御的功能，从而为及时有效的进行网络防御提供了重要的技术支持。
-
公开(公告)号：CN115913343A
公开(公告)日：2023-04-04
申请号：CN202310220773.X
申请日：2023-03-09
申请人： 中国人民解放军国防科技大学
摘要： 本申请涉及一种卫星通信功率资源在线分配方法、装置、设备及存储介质。所述方法包括：通过根据通信信道数量以及总功率预算构建有向无环的图结构，将每次对抗阶段对各信道进行功率分配的问题转化为在图结构上选取最短路径的问题，在各阶段对抗后，采用在线无悔学习算法对图结构中的各边的权重进行更新，以影响下一轮次对抗中对各信道的功率分配。采用本方法可使得抗干扰方在与干扰方进行对抗时，有更多数量的传输信道完成信息传输，以增大通信容量，进一步实现卫星通信中高效的频谱利用率的现实问题。
-
公开(公告)号：CN114866356A
公开(公告)日：2022-08-05
申请号：CN202210791129.3
申请日：2022-07-06
申请人： 中国人民解放军国防科技大学
摘要： 本申请涉及策略博弈技术领域的一种基于元学习的策略博弈的行为预测方法和预测器。所述方法包括获取网络攻防博弈数据集，将数据集划分为用于测试训练好的行为预测模型效果的新任务和用于元学习的训练样本，采用元学习方法对构建的基于深度神经网络的行为预测模型进行训练，并利用训练好的行为预测模型在新任务中对网络攻防博弈中攻击者的战略行为进行预测。本方法采用无监督学习的任务分类方法和专家混合架构的元学习方法，能够在网络攻防博弈数据量较少的场景中明显提升网络攻防博弈中攻击者的战略行为预测精度和预测速度，取得较好的安全防御效果，并达到主动防御的功能，从而为及时有效的进行网络防御提供了重要的技术支持。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.034 秒)
