一种基于神经网络多属性判决的垂直切换方法

    公开(公告)号:CN112312496B

    公开(公告)日:2022-05-24

    申请号:CN202011099898.4

    申请日:2020-10-15

    摘要: 本发明公开了一种基于神经网络多属性判决的垂直切换方法,具体涉及通信网络无缝隙切换技术领域。本发明通过设置UMTS,GSM,WLAN,4G,5G五大类网络共存的网络环境,构建其各自的三层BP神经网络模型,并进行输入层、隐层、输出层结构设计;终端采集六大属性元素的值输入模型进行训练、数值逼近与预测,最终对整个网络进行性能评估,得到切换成功率等相关数值,并根据评估分析结果为整个算法的运行流程提供反馈信息。该方法能够有效提高无线网络间的垂直切换成功率,降低“乒乓效应”,进而成功实现多元异构网络之间的无缝隙切换,使整个异构融合网络环境中的无线网的高质量运行得到有效维护。

    一种综采工作面全隔断式气幕控尘方法

    公开(公告)号:CN112483084A

    公开(公告)日:2021-03-12

    申请号:CN202011242974.2

    申请日:2020-11-10

    IPC分类号: E21C35/22

    摘要: 本发明公开了一种综采工作面全隔断式气幕控尘方法,属于采煤工作面降尘技术领域。其所采用的控尘系统包括除尘风机、控风装置及狭缝式出风风机,工作时除尘风机进风口吸入前后滚筒割煤产生的煤尘并进行过滤捕集,出风口出风经过控风装置形成扇形气幕,阻隔前后滚筒产生的煤尘向采煤机操作者运动,同时上风侧移架尘运动到扇形气幕处也会被阻挡。狭缝式出风风机出风口朝向采煤机操作者上方倾斜出风形成气幕,将两个扇形气幕的上方封闭起来,从而完全阻挡煤尘进入采煤机操作者工作区域,同时,部分被阻挡的煤尘会被风幕吹向采空区,减少工作面的煤尘浓度。本发明有效阻隔综采工作面采煤机割煤产生的煤尘,为采煤机操作者提供了清洁的工作环境。

    基于时空图常微分方程网络的PM2.5浓度预测方法

    公开(公告)号:CN114694767B

    公开(公告)日:2022-08-26

    申请号:CN202210603132.8

    申请日:2022-05-31

    摘要: 本发明公开了一种基于时空图常微分方程网络的PM2.5浓度预测方法,预测场景是工业园区,属于智能大气感知技术领域,包括如下步骤:在工业园区内设置若干气体监测站,通过各个气体监测站采集园区内PM2.5浓度、空气湿度、风向三种大气数据,并进行数据预处理和相关性分析;根据高斯扩散模型,融合监测站欧氏距离和风向数据构建邻接矩阵;把工业园区中所有气体监测站构建成图的形式;对空气湿度数据进行数据处理;构建时空图常微分方程网络模型;将PM2.5浓度数据、邻接矩阵以及空气湿度数据输入到时空图常微分方程网络进行模型训练。本发明提出的时空图常微分方程网络具有更高的模型训练效率,对PM2.5浓度具有更高的预测精度。

    一种车联网中边缘计算任务卸载方法

    公开(公告)号:CN114363857A

    公开(公告)日:2022-04-15

    申请号:CN202210274496.6

    申请日:2022-03-21

    IPC分类号: H04W4/40 H04W28/08 G06N3/08

    摘要: 本发明公开了一种车联网中边缘计算任务卸载方法,属于移动通信技术领域,包括如下步骤:结合小区用户附近基站、行驶的车辆和带有奖励机制的停车场建立一个新型场景;通过当前的状态对建立的新型场景进行数学建模;结合车辆边缘网络效用和任务处理时延建立目标函数;采用DQN对目标函数进行最优化处理,得出最终的卸载方案。本发明解决了边缘计算中的任务卸载问题,将决策过程表述为一个马尔可夫过程,通过设立结合车辆边缘网络效用和时延的目标函数,使得问题公式化,使用DQN解决目标函数的最优化问题,得出最终的卸载策略。本发明扩大了小区的计算资源,并且在保证了用户上网体验的情况下,使得运营商的效用最大化。

    一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法

    公开(公告)号:CN112532439A

    公开(公告)日:2021-03-19

    申请号:CN202011326835.8

    申请日:2020-11-24

    摘要: 本发明公开了一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法,属于智能通信技术领域,解决了无线蜂窝网络流量的预测问题。首先,将无线蜂窝流量数据按其周期特性分成近邻数据、日周期数据、周周期数据;然后通过conv‑LSTM结构或conv‑GRU结构对近邻数据、日周期数据、周周期数据进行建模;在经过attention层对三种特征数据自适应的分配不同权重,提高其特征提取能力,并抑制对预测时刻产生干扰的特征信息;最后,结合时间戳特征嵌入,多种跨域数据融合,共同辅助模型进行流量预测。该模型能够有效利用无线蜂窝流量数据的周期特性,在节省了模型训练时间、大大减少了工作量的同时,进一步提高了网路流量的预测性能。

    一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法

    公开(公告)号:CN112291807A

    公开(公告)日:2021-01-29

    申请号:CN202011099886.1

    申请日:2020-10-15

    摘要: 本发明公开了一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法,属于智能通信技术领域。本发明通过分析短信、电话、互联网三种业务间的相似性和不同区域间的相似性,融合多个跨域数据集并采用时空跨域神经网络模型对无线蜂窝流量进行预测;提出一种基于时空跨域神经网络模型(STC‑N)的跨业务和区域融合迁移学习策略,根据源域的数据特征提高目标域的预测精度。该方法可以验证考虑的数据集越全面,模型的预测精度越高;此外,提出的迁移学习策略可以降低构建深度学习模型所需的训练数据、计算能力和泛化能力。