-
公开(公告)号：CN112492645B
公开(公告)日：2022-05-03
申请号：CN202011313084.6
申请日：2020-11-20
Applicant: 重庆邮电大学
IPC: H04W28/02
Abstract: 本发明请求保护一种UHWNs中基于异构边缘云的协作垂直切换方法，由无线局域网和异构蜂窝网络融合而成的超密集异构无线网络中，针对设备数量急剧增加且网络架构更加复杂，导致垂直切换判决难的问题，首先，通过分析超密集异构无线网络的切换问题，提出了一个结合D2D网络和边缘云计算思想的异构网络架构；其次，基于所提的网络架构场景，进一步提出了一个三级协作的垂直切换算法，通过D2D网络、配置边缘云服务器的微基站和宏基站之间的三级协作，提升综合切换性能；最后，实验仿真表明，该算法在保证终端服务质量的同时，使更多的终端能够快速的接入到合适的网络，提高整个系统中终端选网的综合效益。
-
Patent Agency Ranking
公开(公告)号：CN113242584A
公开(公告)日：2021-08-10
申请号：CN202110690355.8
申请日：2021-06-22
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种超密集异构无线网络中基于神经网络的网络选择方法，属于移动通信领域，具体包括以下步骤：首先，基于网络参数，预测未来终端从接入网络中所得到的累计传输速率，将其定义为终端所获得的网络收益。其次，根据网络收益是否小于阈值来判断是否触发网络判决，以缓解因网络高动态性导致的终端频繁切换问题。最后，使用鲸鱼算法优化后的神经网络，将接收信号强度和休眠概率作为输入，得到输出值进行最终切换判决。仿真结果表明，该算法能够自适应高动态性网络环境触发切换，在减少不必要切换的同时提升终端满意度，提升系统整体性能。
-
公开(公告)号：CN112492645A
公开(公告)日：2021-03-12
申请号：CN202011313084.6
申请日：2020-11-20
Applicant: 重庆邮电大学
IPC: H04W28/02
Abstract: 本发明请求保护一种UHWNs中基于异构边缘云的协作垂直切换方法，由无线局域网和异构蜂窝网络融合而成的超密集异构无线网络中，针对设备数量急剧增加且网络架构更加复杂，导致垂直切换判决难的问题，首先，通过分析超密集异构无线网络的切换问题，提出了一个结合D2D网络和边缘云计算思想的异构网络架构；其次，基于所提的网络架构场景，进一步提出了一个三级协作的垂直切换算法，通过D2D网络、配置边缘云服务器的微基站和宏基站之间的三级协作，提升综合切换性能；最后，实验仿真表明，该算法在保证终端服务质量的同时，使更多的终端能够快速的接入到合适的网络，提高整个系统中终端选网的综合效益。
-
公开(公告)号：CN112367683B
公开(公告)日：2022-07-01
申请号：CN202011286673.X
申请日：2020-11-17
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于改进深度Q学习的网络选择方法。在引入休眠机制的超密集异构无线网络中，针对网络动态性增强，导致切换性能下降的问题，提出一种基于改进深度Q学习的网络选择算法。首先，根据网络的动态性分析，构建深度Q学习选网模型；其次，将深度Q学习选网模型中线下训练模块的训练样本与权值，通过迁移学习，将其迁移到线上决策模块中；最后，利用迁移的训练样本及权值加速训练神经网络，得到最佳选网策略。实验结果表明，本发明显著改善了因休眠机制导致的高动态性网络切换性能下降问题，同时降低了传统深度Q学习算法在线上选网过程中的时间复杂度。
-
公开(公告)号：CN113242584B
公开(公告)日：2022-03-22
申请号：CN202110690355.8
申请日：2021-06-22
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种超密集异构无线网络中基于神经网络的网络选择方法，属于移动通信领域，具体包括以下步骤：首先，基于网络参数，预测未来终端从接入网络中所得到的累计传输速率，将其定义为终端所获得的网络收益。其次，根据网络收益是否小于阈值来判断是否触发网络判决，以缓解因网络高动态性导致的终端频繁切换问题。最后，使用鲸鱼算法优化后的神经网络，将接收信号强度和休眠概率作为输入，得到输出值进行最终切换判决。仿真结果表明，该算法能够自适应高动态性网络环境触发切换，在减少不必要切换的同时提升终端满意度，提升系统整体性能。
-
公开(公告)号：CN112367683A
公开(公告)日：2021-02-12
申请号：CN202011286673.X
申请日：2020-11-17
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于改进深度Q学习的网络选择方法。在引入休眠机制的超密集异构无线网络中，针对网络动态性增强，导致切换性能下降的问题，提出一种基于改进深度Q学习的网络选择算法。首先，根据网络的动态性分析，构建深度Q学习选网模型；其次，将深度Q学习选网模型中线下训练模块的训练样本与权值，通过迁移学习，将其迁移到线上决策模块中；最后，利用迁移的训练样本及权值加速训练神经网络，得到最佳选网策略。实验结果表明，本发明显著改善了因休眠机制导致的高动态性网络切换性能下降问题，同时降低了传统深度Q学习算法在线上选网过程中的时间复杂度。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
