CN111047018A - 一种低轨卫星移动通信资源智慧调度方法 - Google Patents

一种低轨卫星移动通信资源智慧调度方法 Download PDF

Info

Publication number
CN111047018A
CN111047018A CN202010035289.6A CN202010035289A CN111047018A CN 111047018 A CN111047018 A CN 111047018A CN 202010035289 A CN202010035289 A CN 202010035289A CN 111047018 A CN111047018 A CN 111047018A
Authority
CN
China
Prior art keywords
low
deep learning
orbit satellite
sample
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010035289.6A
Other languages
English (en)
Inventor
刘鸿鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfanghong Satellite Mobile Communication Co Ltd
Original Assignee
Dongfanghong Satellite Mobile Communication Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dongfanghong Satellite Mobile Communication Co Ltd filed Critical Dongfanghong Satellite Mobile Communication Co Ltd
Priority to CN202010035289.6A priority Critical patent/CN111047018A/zh
Publication of CN111047018A publication Critical patent/CN111047018A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18519—Operations control, administration or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明公开了一种低轨卫星移动通信资源智慧调度方法，包括以下步骤：S1：初始化深度学习网络参数；S2：输入先验低轨卫星样本数据，用深度学习网络训练方法对样本数据进行拟合；S3：分析样本偏差，若拟合偏差大于0.01，则表明现在的深度学习网络属于欠拟合状态，并转向步骤S2；否则，进入步骤S4；S4：再次收集低轨卫星样本数据并进行状态标志作为测试样本；S5：分析样本方差，如果拟合方差大于0.005，说明现在样本处于过拟合状态，需要对深度学习网络进行正则化处理，处理完成后并转向步骤S2；否则，进入步骤S6；S6：输入低轨卫星需要预测的样本数据，得到低轨卫星分配网络资源策略。能够更好实现低轨卫星移动通信资源智慧调度。

Description

一种低轨卫星移动通信资源智慧调度方法
技术领域
本发明涉及空天地海一体化通信技术领域，尤其涉及一种低轨卫星移动通信资源智慧调度方法。
背景技术
空天地海一体化信息网络是维护和拓展国家核心安全利益，实现全球互联互通的重大信息基础设施，是以天基网络为主体，地面网络为基础，可支持陆、海、空、天各类用户随遇接入、按需服务的信息网络。作为具有战略意义的国家信息基础设施，空天地海一体化信息网络对于维护国家利益、促进经济发展具有重要作用。
低轨卫星通信作为空天地海一体化信息网络中的重要组成部分，具有许多其他地面传输设备所不具备的优越性：相对于地面无线通信系统，低轨卫星通信系统覆盖面广；相对于高轨卫星通信系统、中轨卫星通信系统，低轨卫星通信系统组网灵活，卫星运行轨道低，星地链路传输时延较小，并且可以与高轨卫星、中轨卫星等轨道卫星组成天基系统。
然而，随着社会的进步及通信技术的发展，人们对通信质量要求也越来越高，同时，由于低轨卫星通信系统的频带资源及功率受限，也使得下行链路用户功率分配，载波分配和比特分配等资源分配也变得复杂，如何合理利用有限的低轨卫星资源为更多的用户提供更好的通信体验。对此需设计有效的资源调度策略来合理的调度星上的资源，以此实现更快地将资源分发给申请的用户终端。但是，在实际低轨卫星通信环境下，传统的低轨卫星资源分配机制由于自身的局限性不能完全适应复杂、动态的资源分配问题，容易引发负载不均衡，从而对低轨卫星移动通信的服务性能和资源利用效率产生影响。
发明内容
针对上述现有技术的不足，本专利申请所要解决的技术问题是：如何提供一种低轨卫星移动通信资源智慧调度方法，能够利用深度学习网络进行特征提取、融合，实现低轨卫星移动通信资源智慧调度。
为了实现上述目的，本发明采用了如下技术方案：
一种低轨卫星移动通信资源智慧调度方法，包括以下步骤：
S1：初始化深度学习网络参数；
S2：输入先验低轨卫星样本数据，用深度学习网络训练方法对样本数据进行拟合，并对样本偏差进行预测；
S3：分析样本偏差，若拟合偏差大于0.01，则表明现在的深度学习网络属于欠拟合状态，需要扩大深度学习网络训练的次数，并转向步骤S2；否则，进入步骤S4；
S4：再次收集低轨卫星样本数据并进行状态标志作为测试样本，并运用神经网络对样本数据进行预测；
S5：分析样本方差，如果拟合方差大于0.005，说明现在样本处于过拟合状态，需要对深度学习网络进行正则化处理，处理完成后并转向步骤S2；否则，进入步骤S6；
S6：输入低轨卫星需要预测的样本数据，利用深度学习网络输出低轨卫星分配网络资源策略。
进一步的，所述深度学习网络训练的方法流程如下：
A1：每个训练样本为
Figure BDA0002365793470000031
Figure BDA0002365793470000032
为训练样本的特征，
Figure BDA0002365793470000033
为训练样本的目标值；将输入向量
Figure BDA0002365793470000034
的每个元素xi的值赋给神经网络的输入层的神经元；
A2：计算第二层的每个神经元的输出值构成的输出向量为
Figure BDA0002365793470000035
其计算表达式为：
Figure BDA0002365793470000036
其中，
Figure BDA0002365793470000037
为第二层的每个神经元的系数；fnetwork(*)为激活函数；
A3：依次根据fnetwork(*)向前计算第k层的每个神经元的值构成的输出向量
Figure BDA0002365793470000038
其计算表达式为：
Figure BDA0002365793470000039
其中，
Figure BDA00023657934700000310
为第k层的每个神经元的系数；
A4：最后一层为输出层的所有神经元的值计算完毕，最后将输出的每个神经元的值串在一起就得到了输出向量
Figure BDA00023657934700000311
A5：计算输出层的误差项
Figure BDA00023657934700000312
其计算表达式为：
Figure BDA00023657934700000313
其中，f′network(*)为激活函数fnetwork(*)的导数；
A6：然后反向依次计算每个隐藏层的误差项，直到与输入层相连的隐藏层，其计算表达式为：
Figure BDA00023657934700000314
其中，
Figure BDA0002365793470000041
为第k层误差向量值，
Figure BDA0002365793470000042
为
Figure BDA0002365793470000043
的转置；
A7：对深度学习网络的每一层系数更新，其计算表达式为：
Figure BDA0002365793470000044
其中，η为学习因子。
进一步的，所述激活函数fnetwork(*)为：
Figure BDA0002365793470000045
其中，exp(*)为指数函数。
进一步的，所述对深度学习网络进行正则化处理，正则化处理为：
Figure BDA0002365793470000046
其中，N为样本数，λ为正则化因子，对任意s输入sgn(*)，则有
Figure BDA0002365793470000047
进一步的，所述学习因子η＝0.01。
进一步的，所述正则化因子λ＝0.58。
本发明所述一种低轨卫星移动通信资源智慧调度方法，采用以上技术方案与现有技术相比，具有以下技术效果：
1)本发明的一种低轨卫星移动通信资源智慧调度方法，该方法采用深度学习网络训练技术，可以直接根据输入进行控制，是一种更接近人类思维方式的人工智能方法；
2)本发明的一种低轨卫星移动通信资源智慧调度方法，该方法能够利用深度学习网络进行特征提取、融合，实现低轨卫星移动通信资源智慧调度；
3)本发明的本发明的一种低轨卫星移动通信资源智慧调度方法，该方法用神经网络对数据进行预测和方差分析；
4)本发明的本发明的一种低轨卫星移动通信资源智慧调度方法，对深度学习网络进行正则化处理，能够提高训练速度和性能。
本发明公开了一种低轨卫星移动通信资源智慧调度方法，该方法是一种基于深度学习网络的资源调度算法的设计框架，通过大量的先验低轨卫星数据对深度学习网络进行训练，通过训练迭代求解该网络最小均方误差下的最优参数。最后输入低轨卫星需要预测的数据利用深度学习网络进行特征提取、融合，实现低轨卫星移动通信资源智慧调度，能够很好的解决低轨卫星移动通信系统大型、复杂、动态的资源分配问题。
附图说明：
图1是本发明一种低轨卫星移动通信资源智慧调度方法的实现流程图；
图2是本发明一种低轨卫星移动通信资源智慧调度方法中的深度学习网络图，其中a为输入层，b为隐藏层，c为输出层。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1，一种低轨卫星移动通信资源智慧调度方法，该方法是一种基于深度学习网络的资源调度算法的设计框架，通过大量的先验低轨卫星数据对深度学习网络进行训练，通过训练迭代求解该网络最小均方误差下的最优参数。最后输入低轨卫星需要预测的数据利用深度学习网络进行特征提取、融合，实现低轨卫星移动通信资源智慧调度。包括以下步骤：
S1：初始化深度学习网络参数；根据低轨卫星数据样本的规模及实时性要求，确定深度学习网络的隐藏层数量及其节点数量，并初始化网络参数；
S2：输入先验低轨卫星样本数据，用深度学习网络训练方法对样本数据进行拟合，并对样本偏差进行预测；
S3：分析样本偏差，若拟合偏差大于0.01，则表明现在的深度学习网络属于欠拟合状态，需要扩大深度学习网络训练的次数，并转向步骤S2；否则，进入步骤S4；
S4：再次收集低轨卫星样本数据并进行状态标志作为测试样本，并运用神经网络对样本数据进行预测；
S5：分析样本方差，如果拟合方差大于0.005，说明现在样本处于过拟合状态，需要对深度学习网络进行正则化处理，能够提高训练速度和性能，处理完成后并转向步骤S2；否则，进入步骤S6；
S6：输入低轨卫星需要预测的样本数据，利用深度学习网络输出低轨卫星分配网络资源策略。
本发明的一种低轨卫星移动通信资源智慧调度方法，该方法采用深度学习网络训练技术，可以直接根据输入进行控制，是一种更接近人类思维方式的人工智能方法。该方法能够利用深度学习网络进行特征提取、融合，实现低轨卫星移动通信资源智慧调度。
本实施例中，所述深度学习网络训练的方法流程如下：
A1：每个训练样本为
Figure BDA0002365793470000061
Figure BDA0002365793470000062
为训练样本的特征，
Figure BDA0002365793470000063
为训练样本的目标值；将输入向量
Figure BDA0002365793470000071
的每个元素xi的值赋给神经网络的输入层的神经元；
A2：计算第二层的每个神经元的输出值构成的输出向量为
Figure BDA0002365793470000072
其计算表达式为：
Figure BDA0002365793470000073
其中，
Figure BDA0002365793470000074
为第二层的每个神经元的系数；fnetwork(*)为激活函数；
A3：依次根据fnetwork(*)向前计算第k层的每个神经元的值构成的输出向量
Figure BDA0002365793470000075
其计算表达式为：
Figure BDA0002365793470000076
其中，
Figure BDA0002365793470000077
为第k层的每个神经元的系数；
A4：最后一层为输出层的所有神经元的值计算完毕，最后将输出的每个神经元的值串在一起就得到了输出向量
Figure BDA0002365793470000078
A5：计算输出层的误差项
Figure BDA0002365793470000079
其计算表达式为：
Figure BDA00023657934700000710
其中，f′network(*)为激活函数fnetwork(*)的导数；
A6：然后反向依次计算每个隐藏层的误差项，直到与输入层相连的隐藏层，其计算表达式为：
Figure BDA00023657934700000711
其中，
Figure BDA00023657934700000712
为第k层误差向量值，
Figure BDA00023657934700000713
为
Figure BDA00023657934700000714
的转置；
A7：对深度学习网络的每一层系数更新，其计算表达式为：
Figure BDA00023657934700000715
其中，η为学习因子。
本实施例中，所述激活函数fnetwork(*)为：
Figure BDA0002365793470000081
其中，exp(*)为指数函数。
本实施例中，所述对深度学习网络进行正则化处理，正则化处理为：
Figure BDA0002365793470000082
其中，N为样本数，λ为正则化因子，对任意s输入sgn(*)，则有
Figure BDA0002365793470000083
本实施例中，所述学习因子η＝0.01。所述正则化因子λ＝0.58。
本发明公开了一种低轨卫星移动通信资源智慧调度方法，该方法是一种基于深度学习网络的资源调度算法的设计框架，通过大量的先验低轨卫星数据对深度学习网络进行训练，通过训练迭代求解该网络最小均方误差下的最优参数。最后输入低轨卫星需要预测的数据利用深度学习网络进行特征提取、融合，实现低轨卫星移动通信资源智慧调度，能够很好的解决低轨卫星移动通信系统大型、复杂、动态的资源分配问题。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种低轨卫星移动通信资源智慧调度方法，其特征在于：包括以下步骤：
S1：初始化深度学习网络参数；
S2：输入先验低轨卫星样本数据，用深度学习网络训练方法对样本数据进行拟合，并对样本偏差进行预测；
S3：分析样本偏差，若拟合偏差大于0.01，则表明现在的深度学习网络属于欠拟合状态，需要扩大深度学习网络训练的次数，并转向步骤S2；否则，进入步骤S4；
S4：再次收集低轨卫星样本数据并进行状态标志作为测试样本，并运用神经网络对样本数据进行预测；
S5：分析样本方差，如果拟合方差大于0.005，说明现在样本处于过拟合状态，需要对深度学习网络进行正则化处理，处理完成后并转向步骤S2；否则，进入步骤S6；
S6：输入低轨卫星需要预测的样本数据，利用深度学习网络输出低轨卫星分配网络资源策略。
2.根据权利要求1所述的一种低轨卫星移动通信资源智慧调度方法，其特征在于，所述深度学习网络训练的方法流程如下：
A1：每个训练样本为
Figure FDA0002365793460000011
Figure FDA0002365793460000012
为训练样本的特征，
Figure FDA0002365793460000013
为训练样本的目标值；将输入向量
Figure FDA0002365793460000014
的每个元素xi的值赋给神经网络的输入层的神经元；
A2：计算第二层的每个神经元的输出值构成的输出向量为
Figure FDA0002365793460000015
其计算表达式为：
Figure FDA0002365793460000016
其中，
Figure FDA0002365793460000017
为第二层的每个神经元的系数；fnetwork(*)为激活函数；
A3：依次根据fnetwork(*)向前计算第k层的每个神经元的值构成的输出向量
Figure FDA0002365793460000021
其计算表达式为：
Figure FDA0002365793460000022
其中，
Figure FDA0002365793460000023
为第k层的每个神经元的系数；
A4：最后一层为输出层的所有神经元的值计算完毕，最后将输出的每个神经元的值串在一起就得到了输出向量
Figure FDA0002365793460000024
A5：计算输出层的误差项
Figure FDA0002365793460000025
其计算表达式为：
Figure FDA0002365793460000026
其中，f′network(*)为激活函数fnetwork(*)的导数；
A6：然后反向依次计算每个隐藏层的误差项，直到与输入层相连的隐藏层，其计算表达式为：
Figure FDA0002365793460000027
其中，
Figure FDA0002365793460000028
为第k层误差向量值，
Figure FDA0002365793460000029
为
Figure FDA00023657934600000210
的转置；
A7：对深度学习网络的每一层系数更新，其计算表达式为：
Figure FDA00023657934600000211
其中，η为学习因子。
3.根据权利要求2所述的一种低轨卫星移动通信资源智慧调度方法，其特征在于，所述激活函数fnetwork(*)为：
Figure FDA00023657934600000212
其中，exp(*)为指数函数。
4.根据权利要求1所述的一种低轨卫星移动通信资源智慧调度方法，其特征在于，所述对深度学习网络进行正则化处理，正则化处理为：
Figure FDA0002365793460000031
其中，N为样本数，λ为正则化因子，对任意s输入sgn(*)，则有
Figure FDA0002365793460000032
5.根据权利要求2所述的一种低轨卫星移动通信资源智慧调度方法，其特征在于，所述学习因子η＝0.01。
6.根据权利要求4所述的一种低轨卫星移动通信资源智慧调度方法，其特征在于，所述正则化因子λ＝0.58。
CN202010035289.6A 2020-01-14 2020-01-14 一种低轨卫星移动通信资源智慧调度方法 Pending CN111047018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010035289.6A CN111047018A (zh) 2020-01-14 2020-01-14 一种低轨卫星移动通信资源智慧调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010035289.6A CN111047018A (zh) 2020-01-14 2020-01-14 一种低轨卫星移动通信资源智慧调度方法

Publications (1)

Publication Number Publication Date
CN111047018A true CN111047018A (zh) 2020-04-21

Family

ID=70244569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010035289.6A Pending CN111047018A (zh) 2020-01-14 2020-01-14 一种低轨卫星移动通信资源智慧调度方法

Country Status (1)

Country Link
CN (1) CN111047018A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111867104A (zh) * 2020-07-15 2020-10-30 中国科学院上海微系统与信息技术研究所 一种低轨卫星下行链路的功率分配方法及功率分配装置
CN114142911A (zh) * 2021-11-25 2022-03-04 中国电子科技集团公司第五十四研究所 一种基于多层传导深度策略算法的复杂星座构型设计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108563755A (zh) * 2018-04-16 2018-09-21 辽宁工程技术大学 一种基于双向循环神经网络的个性化推荐系统及方法
CN109145434A (zh) * 2018-08-16 2019-01-04 北京理工大学 一种利用改进bp神经网络预测广播星历轨道误差的方法
CN109714263A (zh) * 2019-01-18 2019-05-03 北京邮电大学 一种在卫星通信网络中的路径选择方法及装置
CN109889929A (zh) * 2018-12-20 2019-06-14 北京邮电大学 一种基于卫星光突发系统的数据传输方法
CN109960544A (zh) * 2019-03-26 2019-07-02 中国人民解放军国防科技大学 基于数据驱动型敏捷卫星任务并行调度方法
CN110300059A (zh) * 2019-07-19 2019-10-01 中国科学技术大学 最小化信息在轨传输时延的方法
CN110601777A (zh) * 2019-08-29 2019-12-20 浙江大学 一种低轨移动卫星星座下星地下行链路同频干扰估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108563755A (zh) * 2018-04-16 2018-09-21 辽宁工程技术大学 一种基于双向循环神经网络的个性化推荐系统及方法
CN109145434A (zh) * 2018-08-16 2019-01-04 北京理工大学 一种利用改进bp神经网络预测广播星历轨道误差的方法
CN109889929A (zh) * 2018-12-20 2019-06-14 北京邮电大学 一种基于卫星光突发系统的数据传输方法
CN109714263A (zh) * 2019-01-18 2019-05-03 北京邮电大学 一种在卫星通信网络中的路径选择方法及装置
CN109960544A (zh) * 2019-03-26 2019-07-02 中国人民解放军国防科技大学 基于数据驱动型敏捷卫星任务并行调度方法
CN110300059A (zh) * 2019-07-19 2019-10-01 中国科学技术大学 最小化信息在轨传输时延的方法
CN110601777A (zh) * 2019-08-29 2019-12-20 浙江大学 一种低轨移动卫星星座下星地下行链路同频干扰估计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
PD-PONY: "正则化与过拟合", 《HTTPS://BLOG.CSDN.NET/U012845311/ARTICLE/DETAILS/73554880》 *
唐亮 等: "全球小卫星现状及发展", 《国际太空》 *
朱至天 等: "太空互联网关键技术与应用分析", 《第十四届卫星通信学术年会论文集》 *
段凯峰: "面向低轨卫星的资源调度研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
黄韬 等: "未来网络发展趋势与展望", 《中国科学：信息科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111867104A (zh) * 2020-07-15 2020-10-30 中国科学院上海微系统与信息技术研究所 一种低轨卫星下行链路的功率分配方法及功率分配装置
CN111867104B (zh) * 2020-07-15 2022-11-29 中国科学院上海微系统与信息技术研究所 一种低轨卫星下行链路的功率分配方法及功率分配装置
CN114142911A (zh) * 2021-11-25 2022-03-04 中国电子科技集团公司第五十四研究所 一种基于多层传导深度策略算法的复杂星座构型设计方法

Similar Documents

Publication Publication Date Title
Zhao et al. Deep reinforcement learning based mobile edge computing for intelligent Internet of Things
Zhang et al. Aerial edge computing on orbit: A task offloading and allocation scheme
Mohandes Modeling global solar radiation using Particle Swarm Optimization (PSO)
CN110427261A (zh) 一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法
Zhao et al. Orbital collaborative learning in 6G space-air-ground integrated networks
Kavousi-Fard A hybrid accurate model for tidal current prediction
CN113794494B (zh) 一种面向低轨卫星网络的边缘计算系统及计算卸载优化方法
CN113296845A (zh) 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法
CN112788605B (zh) 基于双延迟深度确定性策略边缘计算资源调度方法和系统
CN111047018A (zh) 一种低轨卫星移动通信资源智慧调度方法
WO2021036414A1 (zh) 一种低轨移动卫星星座下星地下行链路同频干扰预测方法
CN109117894B (zh) 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法
CN111224905B (zh) 一种大规模物联网中基于卷积残差网络的多用户检测方法
CN112766600A (zh) 一种城市区域人群流量预测方法及系统
CN109389246B (zh) 一种基于神经网络的交通工具目的地区域范围预测方法
Mousavi et al. Design of an IoT-based flood early detection system using machine learning
Alharbi et al. Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning
CN113194493B (zh) 基于图神经网络的无线网络数据缺失属性恢复方法及装置
Zhang et al. Prediction of Tourist Quantity Based on RBF Neural Network.
CN109670582B (zh) 一种全定点化神经网络的设计方法
CN113691993B (zh) 基于图神经网络的5g连通簇基站群流量预测方法及系统
CN114217967A (zh) 基于多用户协同移动边缘计算系统的动态卸载方法及装置
He et al. Balancing total energy consumption and mean makespan in data offloading for space-air-ground integrated networks
CN117521752A (zh) 一种基于fpga的神经网络加速方法及系统
CN116170066A (zh) 一种面向低轨卫星物联网的负载预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421