-
公开(公告)号：CN114531726B
公开(公告)日：2024-03-29
申请号：CN202110738351.2
申请日：2021-06-30
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
IPC: H04W52/26 , H04W52/24 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于密集无线网络的功率控制方法，属于通信系统物理层技术领域，包括如下步骤：1)收集训练数据集；2)确定训练集和测试集的分割比例；3)构建DRSN框架，并初始化神经网络权重；4)将训练数据集输入至神经网络构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；6)测试阶段由测试集作为输入数据测试性能。本发明克服了深度神经网络对大规模网络学习能力弱，极大程度上防止了“梯度消失”和“梯度爆炸”现象的出现。
-
公开(公告)号：CN113453358B
公开(公告)日：2022-09-23
申请号：CN202110654301.6
申请日：2021-06-11
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
IPC: H04W72/04 , H04W72/08 , H04B17/382
Abstract: 本发明公开了一种无线携能D2D网络的联合资源分配方法，属于通信系统技术领域，本发明采用强化学习框架，智能地分配资源块以及功率分流比例，在基站和D2D最大发射功率以及蜂窝用户最低速率要求的约束下，最大化D2D能效，解决了传统算法无法处理复杂通信环境的困境，通信系统中D2D用户通过采用多智能体强化学习框架，对资源块和功率分流比例进行分配，解决以能效为目标函数的非凸问题。该发明可以提高D2D通信的总能效，实现更快的收敛速度。
-
公开(公告)号：CN113642388A
公开(公告)日：2021-11-12
申请号：CN202110757098.5
申请日：2021-07-05
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
Abstract: 本发明公开了一种基于YOLOv3改进的口罩佩戴智能检测方法，属于通信信道编码的译码技术领域，包括口罩数据集图像信息的获取；将口罩数据集划分为独立不重复的验证集和测试集；口罩数据集图像的特征提取；口罩数据集基于Darknet53(加PyConv)的模型构建。本发明采用Darknet53进行口罩检测模型的构建，提供了一种智能口罩佩戴检测方法；由于场景较为复杂，原始YOLOv3算法表现并不理想，尤其在被遮挡目标和小目标检测上，检测效果较差。在此基础上再加入金字塔卷积(Pyramidal Convolution)，可以更好地捕捉不同层级的细节信息，从而实现准确的定位和分类是否佩戴口罩。本发明可以有效地检测出人员是否佩戴口罩；同时在一定程度上可以缓解人员交叉感染的风险，保障人员生命安全。
-
公开(公告)号：CN113543342A
公开(公告)日：2021-10-22
申请号：CN202110756466.4
申请日：2021-07-05
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
Abstract: 本发明公开了基于NOMA‑MEC强化学习资源分配与任务卸载方法，属于移动通信网络技术领域，把网络系统中的每个移动设备都看做独立的智能体，采用基于Actor‑Critic网络结构的MADDPG方法，让每个移动设备都能学习到合适的策略，以达到最小化时延与能耗，移动设备采用NOMA技术和强化学习框架，通过对随机到达的任务和有限的子载波信道资源进行合理智能的分配，以得到最优策略。该发明有效地解决了移动设备中存在的任务量巨大的问题，同时降低整个通信过程中的时延，并在不同环境下得到最佳的资源分配方式，提高了信道资源利用效率。
-
公开(公告)号：CN113543342B
公开(公告)日：2024-03-29
申请号：CN202110756466.4
申请日：2021-07-05
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
IPC: H04W72/53 , H04W72/0453 , H04W24/02 , H04W16/22
Abstract: 本发明公开了基于NOMA‑MEC强化学习资源分配与任务卸载方法，属于移动通信网络技术领域，把网络系统中的每个移动设备都看做独立的智能体，采用基于Actor‑Critic网络结构的MADDPG方法，让每个移动设备都能学习到合适的策略，以达到最小化时延与能耗，移动设备采用NOMA技术和强化学习框架，通过对随机到达的任务和有限的子载波信道资源进行合理智能的分配，以得到最优策略。该发明有效地解决了移动设备中存在的任务量巨大的问题，同时降低整个通信过程中的时延，并在不同环境下得到最佳的资源分配方式，提高了信道资源利用效率。
-
Patent Agency Ranking
公开(公告)号：CN113453358A
公开(公告)日：2021-09-28
申请号：CN202110654301.6
申请日：2021-06-11
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
IPC: H04W72/04 , H04W72/08 , H04B17/382
Abstract: 本发明公开了一种无线携能D2D网络的联合资源分配方法，属于通信系统技术领域，本发明采用强化学习框架，智能地分配资源块以及功率分流比例，在基站和D2D最大发射功率以及蜂窝用户最低速率要求的约束下，最大化D2D能效，解决了传统算法无法处理复杂通信环境的困境，通信系统中D2D用户通过采用多智能体强化学习框架，对资源块和功率分流比例进行分配，解决以能效为目标函数的非凸问题。该发明可以提高D2D通信的总能效，实现更快的收敛速度。
-
公开(公告)号：CN114531726A
公开(公告)日：2022-05-24
申请号：CN202110738351.2
申请日：2021-06-30
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展江苏股份公司
Abstract: 本发明公开了基于密集无线网络的功率控制策略，属于通信系统物理层技术领域，包括如下步骤：1)收集训练数据集；2)确定训练集和测试集的分割比例；3)构建DRSN框架，并初始化神经网络权重；4)将训练数据集输入至神经网络构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；6)测试阶段由测试集作为输入数据测试性能。本发明克服了深度神经网络对大规模网络学习能力弱，极大程度上防止了“梯度消失”和“梯度爆炸”现象的出现。
-
公开(公告)号：CN113473580B
公开(公告)日：2024-04-26
申请号：CN202110526421.8
申请日：2021-05-14
Applicant: 南京信息工程大学滨江学院
Abstract: 本发明公开了异构网络中基于深度学习的用户关联联合功率分配方法，属于通信系统技术领域，包括如下步骤：步骤1：通信建模，建立异构网络模型；步骤2：数据集收集；步骤3：构建神经网络；步骤4：训练神经网络，并确定优化算法为Adam；步骤5：满足所有迭代次数时保存网络。本发明的异构网络中基于深度学习的用户关联联合功率分配方法，在异构网络中，用神经网络以监督学习的方式联合优化用户关联和功率分配，实现对传统算法的高度拟合，同时保证低的计算复杂度，提供实时可靠的在线决策。
-
公开(公告)号：CN112350737B
公开(公告)日：2023-12-12
申请号：CN202011319358.2
申请日：2020-11-23
Applicant: 南京信息工程大学滨江学院 , 中科怡海高新技术发展有限公司
IPC: H03M13/11
Abstract: 本发明公开了一种基于LDPC码的分组信息更新的传输方法，包括如下步骤：对变量节点进行分组；计算变量分组更新前后的矢量距离；得到矢量距离最大的变量分组，将其信息传递给相应的校验节点；更新获得信息的校验节点的信息，并传递给相应的变量节点；将更新后的变量分组矢量距离值归0；继续计算变量分组更新前后的矢量距离直至满足迭代停止的条件；迭代停止，译码输出。本发明提供的一种基于LDPC码的分组信息更新的传输方法克服了目前单个节点SS模式存在的纠高阶调制比特错误的能力较弱、未考虑节点之间的信息关联不足的缺陷，同时实现加快收敛速度，提高译码性能。
-
公开(公告)号：CN113473580A
公开(公告)日：2021-10-01
申请号：CN202110526421.8
申请日：2021-05-14
Applicant: 南京信息工程大学滨江学院
Abstract: 本发明公开了异构网络中基于深度学习的用户关联联合功率分配策略，属于通信系统技术领域，包括如下步骤：步骤1：通信建模，建立异构网络模型；步骤2：数据集收集；步骤3：构建神经网络；步骤4：训练神经网络，并确定优化算法为Adam；步骤5：满足所有迭代次数时保存网络。本发明的异构网络中基于深度学习的用户关联联合功率分配策略，在异构网络中，用神经网络以监督学习的方式联合优化用户关联和功率分配，实现对传统算法的高度拟合，同时保证低的计算复杂度，提供实时可靠的在线决策。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.06 seconds)
