-
公开(公告)号：CN112202538A
公开(公告)日：2021-01-08
申请号：CN202010995868.5
申请日：2020-09-21
申请人： 齐齐哈尔大学
摘要： 本专利提出了一种保障公平度阈值的人工蜂群OFDMA资源分配方法，属移动通信技术领域。本专利首先通过对蜜源个体进行分组并为不同的蜜源分组设置不同的蜜源更新度，有效地将基于速率比例公平的贪婪算法嵌入到人工蜂群算法中，然后根据蜜源更新度对蜜源个体的相应维度进行标记，并在标记的维度上进行蜜源个体的邻域搜索和更新计算，最后通过蜜源个体适应度的引导，既可以较小的蜜源更新度达到较高的公平度阈值，又可以较大的蜜源更新度达到较低的公平度阈值，因而能够根据子载波分配实现所要求的公平度阈值并最大化OFDMA系统的和速率。
-
公开(公告)号：CN117119486A
公开(公告)日：2023-11-24
申请号：CN202311031560.9
申请日：2023-08-16
申请人： 齐齐哈尔大学
摘要： 本发明公开了一种保障多小区蜂窝网长期用户速率的深度无监督学习资源分配方法，属于无线通信技术领域。本发明构建了一个深度神经网络，同时输出功率分配变量、功率控制变量和信道分配变量，并通过输出的功率分配变量、功率控制变量和信道分配变量，获得信道分配方案和功率分配方案；构建存储池，对深度神经网络同时进行训练和测试，在训练中采用拉格朗日损失函数对深度神经网络进行无监督学习。本发明具有提高用户速率、长期稳定性、自适应性和智能化、节省能源和可扩展性等优点。通过优化资源分配和网络性能，提升蜂窝网的运行效率和用户体验。
-
公开(公告)号：CN111930501B
公开(公告)日：2022-08-26
申请号：CN202010719735.5
申请日：2020-07-23
申请人： 齐齐哈尔大学
摘要： 本发明公开了一种面向多小区网络的基于无监督学习的无线资源分配方法，属于无线通信技术领域。具体包括以下步骤：构建信道功率控制神经网络和0‑1信道分配神经网络，采用系统容量与能量效率的线性加权和的负期望作为损失函数，首先利用无监督学习对信道功率控制神经网络进行训练，再将训练好的信道功率控制神经网络接入到0‑1信道分配神经网络之后，利用无监督学习对0‑1信道分配神经网络进行训练。本发明通过对信道功率和信道分配的无监督学习，最大化系统容量与能量效率的线性加权和的期望，满足了新一代无线通信网络对高速率、低延时、低功耗和动态化的要求。
-
公开(公告)号：CN112202538B
公开(公告)日：2023-08-22
申请号：CN202010995868.5
申请日：2020-09-21
申请人： 齐齐哈尔大学
IPC分类号： H04L5/00 , H04W72/0453
摘要： 本专利提出了一种保障公平度阈值的人工蜂群OFDMA资源分配方法，属移动通信技术领域。本专利首先通过对蜜源个体进行分组并为不同的蜜源分组设置不同的蜜源更新度，有效地将基于速率比例公平的贪婪算法嵌入到人工蜂群算法中，然后根据蜜源更新度对蜜源个体的相应维度进行标记，并在标记的维度上进行蜜源个体的邻域搜索和更新计算，最后通过蜜源个体适应度的引导，既可以较小的蜜源更新度达到较高的公平度阈值，又可以较大的蜜源更新度达到较低的公平度阈值，因而能够根据子载波分配实现所要求的公平度阈值并最大化OFDMA系统的和速率。
-
公开(公告)号：CN115811788B
公开(公告)日：2023-07-18
申请号：CN202211475457.9
申请日：2022-11-23
申请人： 齐齐哈尔大学
IPC分类号： H04W72/044 , H04W72/53 , G06N3/048 , G06N3/088 , G06N3/092
摘要： 本发明公开了一种深度强化学习联合无监督学习的D2D网络分布式资源分配方法，属于无线通信技术领域。构建信道分配神经网络，在发射机智能体上分布式执行，其输入为发射机智能体收集到的所有信道的本地信息集、输出为信道分配方案；构建信道功率控制神经网络，在发射机智能体上分布式执行，其输入为由信道分配神经网络输出的信道分配方案所确定的一组本地信息集、输出为优化的信道功率；利用深度强化学习和深度无监督学习分别对信道分配神经网络和信道功率控制神经网络进行集中式训练；训练完成后对发射机智能体上的网络进行更新并继续分布式执行。本发明与传统的集中式和分布式算法相比，能够有效地提高收敛速度，并最大化传输速率。
-
公开(公告)号：CN108964812A
公开(公告)日：2018-12-07
申请号：CN201810431122.4
申请日：2018-10-13
申请人： 齐齐哈尔大学
IPC分类号： H04B17/382 , H04L12/24
CPC分类号： H04L41/145 , H04B17/382 , H04L41/0823
摘要： 本专利提出了一种面向OFDMA蜂窝网络的信道分配方法，属移动通信技术领域。其实现步骤是：（1）用3种颜色对蜂窝网络进行着色，并找到彼此相邻的、信道需求数之和为最大的3色小区的信道需求数；（2）根据所找到的3色小区的信道需求数，产生编号从1开始且连续的OFDMA信道；（2）利用产生的OFDMA信道为蜂窝网络进行第一次OFDMA信道分配；（3）若第一次OFDMA信道分配不能满足所有小区对信道数的需求，则利用迟滞噪声混沌神经网络进行第二次OFDMA信道分配。本专利通过两次OFDMA信道分配，能够有效降低所需的OFDMA信道总数和动态信道分配的计算量，从而提高了OFDMA信道资源的利用率，保障了无线移动通信的实时性。
-
公开(公告)号：CN117119486B
公开(公告)日：2024-04-05
申请号：CN202311031560.9
申请日：2023-08-16
申请人： 齐齐哈尔大学
摘要： 本发明公开了一种保障多小区蜂窝网长期用户速率的深度无监督学习资源分配方法，属于无线通信技术领域。本发明构建了一个深度神经网络，同时输出功率分配变量、功率控制变量和信道分配变量，并通过输出的功率分配变量、功率控制变量和信道分配变量，获得信道分配方案和功率分配方案；构建存储池，对深度神经网络同时进行训练和测试，在训练中采用拉格朗日损失函数对深度神经网络进行无监督学习。本发明具有提高用户速率、长期稳定性、自适应性和智能化、节省能源和可扩展性等优点。通过优化资源分配和网络性能，提升蜂窝网的运行效率和用户体验。
-
公开(公告)号：CN111930501A
公开(公告)日：2020-11-13
申请号：CN202010719735.5
申请日：2020-07-23
申请人： 齐齐哈尔大学
摘要： 本发明公开了一种面向多小区网络的基于无监督学习的无线资源分配方法，属于无线通信技术领域。具体包括以下步骤：构建信道功率控制神经网络和0-1信道分配神经网络，采用系统容量与能量效率的线性加权和的负期望作为损失函数，首先利用无监督学习对信道功率控制神经网络进行训练，再将训练好的信道功率控制神经网络接入到0-1信道分配神经网络之后，利用无监督学习对0-1信道分配神经网络进行训练。本发明通过对信道功率和信道分配的无监督学习，最大化系统容量与能量效率的线性加权和的期望，满足了新一代无线通信网络对高速率、低延时、低功耗和动态化的要求。
-
公开(公告)号：CN108964812B
公开(公告)日：2020-10-09
申请号：CN201810431122.4
申请日：2018-10-13
申请人： 齐齐哈尔大学
IPC分类号： H04B17/382 , H04L12/24
摘要： 本专利提出了一种面向OFDMA蜂窝网络的信道分配方法，属移动通信技术领域。其实现步骤是：（1）用3种颜色对蜂窝网络进行着色，并找到彼此相邻的、信道需求数之和为最大的3色小区的信道需求数；（2）根据所找到的3色小区的信道需求数，产生编号从1开始且连续的OFDMA信道；（2）利用产生的OFDMA信道为蜂窝网络进行第一次OFDMA信道分配；（3）若第一次OFDMA信道分配不能满足所有小区对信道数的需求，则利用迟滞噪声混沌神经网络进行第二次OFDMA信道分配。本专利通过两次OFDMA信道分配，能够有效降低所需的OFDMA信道总数和动态信道分配的计算量，从而提高了OFDMA信道资源的利用率，保障了无线移动通信的实时性。
-
公开(公告)号：CN117202351A
公开(公告)日：2023-12-08
申请号：CN202311174418.X
申请日：2023-09-13
申请人： 齐齐哈尔大学
IPC分类号： H04W72/044 , H04W72/0453 , G06N3/08 , G06N3/088
摘要： 本发明公开了一种基于无监督学习的多小区蜂窝网分布式无线资源分配系统及方法，属于无线通信技术领域。本发明构建了一个深度神经网络，部署在集中计算单元和分布计算单元的小区基站上；分布计算单元的小区基站为集中计算单元提供信道增益信息，并通过深度神经网络为小区用户提供资源分配方案；集中计算单元通过集中训练单元和集中测试单元对深度神经网络进行集中式无监督训练和集中式测试，并利用神经网络参数缓存区收集训练所产生的深度神经网络参数、同步更新集中测试单元以及分布计算单元多小区基站的深度神经网络参数。本发明能够增强通信系统对延迟的适应能力，提高系统的能量效率，具有自适应性、智能化、节省能源和可扩展性等优点。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.025 秒)
