CN113473496A - 一种提高工业无线网络速度的方法 - Google Patents
一种提高工业无线网络速度的方法 Download PDFInfo
- Publication number
- CN113473496A CN113473496A CN202110612627.2A CN202110612627A CN113473496A CN 113473496 A CN113473496 A CN 113473496A CN 202110612627 A CN202110612627 A CN 202110612627A CN 113473496 A CN113473496 A CN 113473496A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- tensor
- output
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000013215 result calculation Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 19
- 210000002364 input neuron Anatomy 0.000 claims description 12
- 230000001131 transforming effect Effects 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims 2
- 230000001149 cognitive effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种提高工业无线网络速度的方法，包括以下步骤：数据预处理网络对输入数据进行处理，得到第一中间结果；数据计算网络利用三个数据计算子网络对第一中间结果进行计算，得到第二中间结果；结果计算网络利用功率计算函数和功率调整函数对第二中间结果进行计算，得到每根天线对每位用户的频谱能量分配结果。本发明降低了运算复杂度，提高了频谱效率，从而提高了网络速度。
Description
技术领域
本发明属于无线通信技术领域，涉及一种提高工业无线网络速度的方法。
背景技术
在金属物体密度高、多径效应重的工厂环境中，无线信道具有很强的动态性和时变性。在这样的环境下，基于时间解耦的接入技术会导致服务延迟，不适合为时延敏感的工业应用程序提供服务。现有的基于多输入输出(MIMO)技术的方法虽然可以提高网络吞吐量，但同时具有很高的复杂度。神经网络模型经训练可以达到更高的性能，并且在推理阶段下，在多项式时间内即可完成运算，具有较高的计算效率，有效地降低了计算复杂度，可以有效地满足工业应用对实时性的要求。
发明内容
为解决上述问题，本发明提出了一种提高工业无线网络速度的方法，包括以下步骤：
S1，数据预处理网络对输入数据进行处理，得到第一中间结果；
S2，数据计算网络利用三个数据计算子网络对第一中间结果进行计算，得到第二中间结果；
S3，结果计算网络利用功率计算函数和功率调整函数对第二中间结果进行计算，得到每根天线对每位用户的频谱能量分配结果。
优选地，方法对应的系统包括数据预处理网络、第一数据计算子网络、第二数据计算子网络、第三数据计算子网络和结果计算网络，其中，数据预处理网络与第一数据计算子网络、第二数据计算子网络和第三数据计算子网络均连接，第一数据计算子网络、第二数据计算子网络和第三数据计算子网络均与结果计算网络连接。
优选地，所述数据预处理网络数据首先输入两个串联的神经元数量为N，激活函数为CRelu的复数全连接层；将其输出输入第一注意力层，得到预处理后的数据
优选地，所述第一注意力层将输入数据分为两部分，输入数据的前K行表示为H；输入数据的最后一行表示为h0，首先将h0输入卷积核数量为Nc，卷积核大小为1×1，步长为1，对输入张量进行零填充的复数卷积层，将该层的输出数据进行转置，得到的结果记为qT；将H输入神经元数量为Nc，激活函数为CRelu的复数全连接层，其输出记为f；将qT和f相乘，其结果输入CSoftmax层，得到中间结果α；最后，将α和H相乘，得到输出
优选地，所述第一数据计算子网络中数据首先输入神经元数量为N，激活函数为CRelu的复数全连接层；将其输出变形为大小为L×W×K的张量，输入第二注意力层，得到输出
将
输入三个串联的卷积核数量为K，卷积核大小为1×1，步长为1，激活函数为CRelu，使用零填充的复数卷积层；将其输出展平为大小为(N×K)×1的张量；将该张量输入神经元数量为(N-1)×K，激活函数为CRelu的全连接层；最后，将全连接层的输出变形为大小为K×(N-1)的二维张量，并将该二维张量按行输入RSoftmax层，得到中间结果
优选地，所述第二注意力层将输入分别输入三个独立的，神经元数量为K，激活函数为CRelu复数全连接层，得到输出
对
进行转置，并将其转置与
相乘，按行输入CSoftmax层，得到中间结果β，将β与
相乘，得到输出
优选地，所述第二数据计算子网络中数据首先输入神经元数量为N，激活函数为CRelu的复数全连接层；将其输出变形为大小为L×W×K的张量，输入第二注意力层，得到输出
将
展平为大小为(N×K)×1的张量；将该张量输入神经元数量为K的全连接层；最后，将全连接层的输出输入RSigmoid层，得到中间结果
优选地，所述第三数据计算子网络中数据首先输入神经元数量为N，激活函数为CRelu的复数全连接层；将其输出变形为大小为L×W×K的张量，输入第二注意力层，得到输出
将
展平为大小为(N×K)×1的张量；将该张量输入神经元数量为K，激活函数为RSoftmax的全连接层，得到中间结果
将该张量输入神经元数量为1，激活函数为RSigmoid的全连接层，得到中间结果
优选地，所述结果计算网络中，通过功率计算函数计算功率分配初步结果；通过功率调整函数计算功率分配最终结果。
本发明有益效果至少包括：提供一种提高工业无线网络速度的方法，通过数据预处理网络对输入数据进行处理，得到第一中间结果；数据计算网络利用三个数据计算子网络对第一中间结果进行计算，得到第二中间结果；结果计算网络利用功率计算函数和功率调整函数对第二中间结果进行计算，得到每根天线对每位用户的频谱能量分配结果。相较于传统方法，该方法降低了运算复杂度，提高了频谱效率，从而提高了网络速度。
附图说明
图1为本发明实施例的提高工业无线网络速度的方法的工业无线网络模型示意图；
图2为本申请一实施例提高工业无线网络速度的方法的神经网络整体结构示意图；
图3为本申请一实施例提高工业无线网络速度的方法的数据预处理网络示意图；
图4为本申请一实施例提高工业无线网络速度的方法的第一注意力层结构示意图；
图5为本申请一实施例提高工业无线网络速度的方法的第一数据计算子网络示意图；
图6为本申请一实施例提高工业无线网络速度的方法的第二数据计算子网络示意图；
图7为本申请一实施例提高工业无线网络速度的方法的第三数据计算子网络示意图；
图8为本申请一实施例提高工业无线网络速度的方法的第二注意力层结构示意图；
图9为本申请一实施例提高工业无线网络速度的方法的结果计算网络示意图；
图10为本申请一实施例提高工业无线网络速度的方法的CRelu函数示意图；
图11为本申请一实施例提高工业无线网络速度的方法的RSigmoid函数示意图；
图12为本申请一实施例提高工业无线网络速度的方法的RSoftmax和CSoftmax函数示意图。
图13为本申请一实施例提高工业无线网络速度的方法的复数神经网络在测试集上的曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明假设该工业无线网络配备一个认知无线电基站CR-BS和一个主基站PR-BS，如图1所示。其中，认知无线电基站配备Nt根天线，与K个配备单根的天线认知用户(CR用户)进行通信；主基站配备单根天线，与一个配备单根天线的主用户(PR用户)进行通信。认知无线电基站总功率应不大于Pt，主基站和认知无线电基站之间的通信会互相干扰。其中，主基站对认知无线电基站的干扰没有限制，认知无线电基站对主基站的干扰应小于预定义的阈值Ith。hk，i代表认知无线电基站第i根天线对第k个认知用户的增益；h0，i代表认知无线电基站第i根天线对主用户的干扰；gk代表主基站对第k个认知用户的干扰；g0代表主基站对主用户的增益；1≤k≤K，1≤i≤Nt。
本发明所建立的复数神经网络模型由数据预处理网络10、数据计算网络和结果计算网络30构成，其整体结构如图2所示。其中，首先将数据输入数据预处理网络10，得到中间数据
分别输入三个数据计算网络，得到四组中间结果，分别为：
其中，pk,i为第i个天线对应用户k分配到的功率；pk为用户K分配到的所有功率；pk’为用户k所能分配到的最大功率；pt为所能分配的最大功率；将四组中间结果输入结果计算网络30，得到最终功率分配结果
本实施例中的工业无线网络配置为：Nt＝99，N＝9。
本实施例所建立的复数神经网络模型输入数据为大小为10×100的矩阵，包括hk，i，h0，i，gk，g0；输出数据为大小9×99的矩阵，为
数据预处理网络10结构如图3所示。数据首先输入两个串联的神经元数量为100，激活函数为CRelu(Complex Rectified Linear Unit)的复数全连接层；将其输出输入第一注意力层，得到预处理后的数据
第一注意力层的结构如图4所示。该层将输入数据分为两部分，输入数据的前K行表示为H；输入数据的最后一行表示为h0。在该层中，首先将h0输入卷积核数量为4，卷积核大小为1×1，步长为1，对输入张量进行零填充的复数卷积层，将该层的输出数据进行转置，得到的结果记为qT；将H输入神经元数量为4，激活函数为CRelu的复数全连接层，其输出记为f；将qT和f相乘，其结果输入CSoftmax(Complex Softmax)层，得到中间结果α；最后，将α和H相乘，得到输出
数据计算网络包含三个子网络。
第一数据计算子网络21结构如图5所示。数据首先输入神经元数量为100，激活函数为CRelu的复数全连接层；将其输出变形为大小为10×10×9的张量，输入第二注意力层，得到输出
将
输入三个串联的卷积核数量为9，卷积核大小为1×1，步长为1，激活函数为CRelu，使用零填充的复数卷积层；将其输出展平为大小为900×1的张量；将该张量输入神经元数量为891，激活函数为CRelu的全连接层；最后，将全连接层的输出变形为大小为9×99的二维张量，并将该二维张量按行输入RSoftmax(Real Softmax)层，得到中间结果
第二数据计算子网络22结构如图6所示。数据首先输入神经元数量为100，激活函数为CRelu的复数全连接层；将其输出变形为大小为10×10×9的张量，输入第二注意力层，得到输出
将
展平为大小为900×1的张量；将该张量输入神经元数量为9的全连接层；最后，将全连接层的输出输入RSigmoid(Real Sigmoid)层，得到中间结果
第三数据计算子网络23结构如图7所示。数据首先输入神经元数量为100，激活函数为CRelu的复数全连接层；将其输出变形为大小为10×10×9的张量，输入第二注意力层，得到输出
将
展平为大小为900×1的张量；将该张量输入神经元数量为9，激活函数为RSoftmax的全连接层1，得到中间结果
将该张量输入神经元数量为1，激活函数为RSigmoid的全连接层2，得到中间结果
第二注意力层结构如图8所示，将输入分别输入三个独立的，神经元数量为9，激活函数为CRelu复数全连接层，得到输出
对
进行转置，并将其转置与
相乘，按行输入CSoftmax层，得到中间结果β。将β与
相乘，得到输出
结果计算网络30如图9所示，包含功率计算函数和功率调整函数。其中功率计算函数定义为：
功率调整函数定义为：
其中，ICR为所有CR用户对PR用户的干扰总和；Ith为CR用户对PR用户的干扰上限在结果计算网络30中，首先根据功率计算函数计算每用户每根天线的功率
然后将
输入功率调整函数，得到最终的功率预测值
本实施例所定义的复数神经网络模型的优化目标为在满足C1，C2两个约束条件下最大化SECR。约束C1代表认知用户功率分配总和应不大于Pt；约束C2代表认知用户对主用户的干扰应小于Ith；应用功率计算函数即可满足约束C1，应用功率调整函数即可满足约束C2。评估量SECR代表在功率分配预测值为
时，认知无线电的频谱效率；在SECR定义式中σ2代表环境噪音，ε代表主用户对认知用户的干扰，其定义为ε＝‖gk‖PPR，其中PPR代表主用户的功率。SECR数值越大代表频谱效率越高。
由于在神经网络优化过程中，优化目标为最小化损失函数，因此在本实施例中损失函数定义为：
LOSS＝-SECR (4)
本实施例中针对复数定义的网络层包括：复数全连接层、复数卷积层、复数Dropout层和复数激活层。这些网络层与已有的实数域相应网络层实现具有相同的内部结构，所不同的是，这些层内部权重为复数，并能处理复数数据。
本实施例定义了如下激活函数：CRelu、RSigmoid、RSoftmax和CSoftmax。
其中CRelu激活函数定义为在输入z＝x+jy的实部和虚部上分别执行RELU激活函数，如图10所示；
RSigmoid激活函数定义为在z＝x+jy的幅度上执行Sigmoid函数，如图11所示；
RSoftmax函数定义为在输入z＝x+jy的幅度上执行Softmax函数；
CSoftmax函数定义为在输入z＝x+jy的实部和虚部上分别执行Softmax函数，如图12所示。
本实施例中复数神经网络的训练过程包含以下步骤：
1)训练样本输入模型；
2)模型通过正向传播过程计算功率分配结果；
3)通过损失函数计算损失值；
4)运用链式法则计算损失函数关于神经网络每一层的梯度；
5)应用复数梯度下降法更新神经网络每一层的权重；
6)重复1～5步，直到损失值小于预定义的阈值。
本实施例在Ith＝1e-6，PPR＝1e-4，σ2＝1e-9的情况下进行实验，其在测试集的表现如图13所示。图中展示了
从0dB增长到50dB时频谱效率的变化情况。实验结果表明，本发明提出的复数神经网络有效地提高了频谱效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种提高工业无线网络速度的方法，其特征在于，包括以下步骤：
S1，数据预处理网络对输入数据进行处理，得到第一中间结果；
S2，数据计算网络利用三个数据计算子网络对第一中间结果进行计算，得到第二中间结果；
S3，结果计算网络利用功率计算函数和功率调整函数对第二中间结果进行计算，得到每根天线对每位用户的频谱能量分配结果。
2.根据权利要求1所述的提高工业无线网络速度的方法，其特征在于，方法对应的系统包括数据预处理网络、第一数据计算子网络、第二数据计算子网络、第三数据计算子网络和结果计算网络，其中，数据预处理网络与第一数据计算子网络、第二数据计算子网络和第三数据计算子网络均连接，第一数据计算子网络、第二数据计算子网络和第三数据计算子网络均与结果计算网络连接。
3.根据权利要求1所述的提高工业无线网络速度的方法，其特征在于，所述数据预处理网络数据首先输入两个串联的神经元数量为N，激活函数为CRelu的复数全连接层；将其输出输入第一注意力层，得到预处理后的数据
4.根据权利要求3所述的提高工业无线网络速度的方法，其特征在于，所述第一注意力层将输入数据分为两部分，输入数据的前K行表示为H；输入数据的最后一行表示为h0，首先将h0输入卷积核数量为Nc，卷积核大小为1×1，步长为1，对输入张量进行零填充的复数卷积层，将该层的输出数据进行转置，得到的结果记为qT；将H输入神经元数量为Nc，激活函数为CRelu的复数全连接层，其输出记为f；将qT和f相乘，其结果输入CSoftmax层，得到中间结果α；最后，将α和H相乘，得到输出
5.根据权利要求4所述的提高工业无线网络速度的方法，其特征在于，所述第一数据计算子网络中数据首先输入神经元数量为N，激活函数为CRelu的复数全连接层；将其输出变形为大小为L×W×K的张量，输入第二注意力层，得到输出
将
输入三个串联的卷积核数量为K，卷积核大小为1×1，步长为1，激活函数为CRelu，使用零填充的复数卷积层；将其输出展平为大小为(N×K)×1的张量；将该张量输入神经元数量为(N-1)×K，激活函数为CRelu的全连接层；最后，将全连接层的输出变形为大小为K×(N-1)的二维张量，并将该二维张量按行输入RSoftmax层，得到中间结果
6.根据权利要求5所述的提高工业无线网络速度的方法，其特征在于，所述第二注意力层将输入分别输入三个独立的，神经元数量为K，激活函数为CRelu复数全连接层，得到输出
对
进行转置，并将其转置与
相乘，按行输入CSoftmax层，得到中间结果β，将β与
相乘，得到输出
7.根据权利要求4所述的提高工业无线网络速度的方法，其特征在于，所述第二数据计算子网络中数据首先输入神经元数量为N，激活函数为CRelu的复数全连接层；将其输出变形为大小为L×W×K的张量，输入第二注意力层，得到输出
将
展平为大小为(N×K)×1的张量；将该张量输入神经元数量为K的全连接层；最后，将全连接层的输出输入RSigmoid层，得到中间结果
8.根据权利要求4所述的提高工业无线网络速度的方法，其特征在于，所述第三数据计算子网络中数据首先输入神经元数量为N，激活函数为CRelu的复数全连接层；将其输出变形为大小为L×W×K的张量，输入第二注意力层，得到输出
将
展平为大小为(N×K)×1的张量；将该张量输入神经元数量为K，激活函数为RSoftmax的全连接层，得到中间结果
将该张量输入神经元数量为1，激活函数为RSigmoid的全连接层，得到中间结果
9.根据权利要求1所述的提高工业无线网络速度的方法，其特征在于，所述结果计算网络中，通过功率计算函数计算功率分配初步结果；通过功率调整函数计算功率分配最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110612627.2A CN113473496B (zh) | 2021-06-02 | 2021-06-02 | 一种提高工业无线网络速度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110612627.2A CN113473496B (zh) | 2021-06-02 | 2021-06-02 | 一种提高工业无线网络速度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113473496A true CN113473496A (zh) | 2021-10-01 |
| CN113473496B CN113473496B (zh) | 2024-05-31 |
Family
ID=77872033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110612627.2A Active CN113473496B (zh) | 2021-06-02 | 2021-06-02 | 一种提高工业无线网络速度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113473496B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591883A (zh) * | 2023-11-29 | 2024-02-23 | 北京机械工业自动化研究所有限公司 | 工业分布式边缘智能模型执行方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107911242A (zh) * | 2017-11-15 | 2018-04-13 | 北京工业大学 | 一种基于工业无线网络的认知无线电与边缘计算方法 |
| CN109359666A (zh) * | 2018-09-07 | 2019-02-19 | 佳都新太科技股份有限公司 | 一种基于多特征融合神经网络的车型识别方法及处理终端 |
| CN112153617A (zh) * | 2020-09-15 | 2020-12-29 | 南京信息工程大学滨江学院 | 一种基于集成神经网络的终端设备传输功率的控制方法 |
-
2021
- 2021-06-02 CN CN202110612627.2A patent/CN113473496B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107911242A (zh) * | 2017-11-15 | 2018-04-13 | 北京工业大学 | 一种基于工业无线网络的认知无线电与边缘计算方法 |
| CN109359666A (zh) * | 2018-09-07 | 2019-02-19 | 佳都新太科技股份有限公司 | 一种基于多特征融合神经网络的车型识别方法及处理终端 |
| CN112153617A (zh) * | 2020-09-15 | 2020-12-29 | 南京信息工程大学滨江学院 | 一种基于集成神经网络的终端设备传输功率的控制方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591883A (zh) * | 2023-11-29 | 2024-02-23 | 北京机械工业自动化研究所有限公司 | 工业分布式边缘智能模型执行方法和系统 |
| CN117591883B (zh) * | 2023-11-29 | 2024-09-06 | 北京机械工业自动化研究所有限公司 | 工业分布式边缘智能模型执行方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113473496B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
| CN111181612B (zh) | 一种大规模mimo系统的协作波束赋型方法 | |
| CN110738010A (zh) | 集成深度学习模型的风电场短期风速预测方法 | |
| CN112153616B (zh) | 一种基于深度学习的毫米波通信系统中的功率控制方法 | |
| CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
| CN113452642B (zh) | 一种可重构智能表面增强的siso-ofdm下行传输方法 | |
| CN107947761B (zh) | 基于最小均方四阶的变阈值比例更新自适应滤波方法 | |
| CN112153617B (zh) | 一种基于集成神经网络的终端设备传输功率的控制方法 | |
| CN109344751B (zh) | 一种车内噪声信号的重构方法 | |
| CN112861992B (zh) | 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法 | |
| CN113038612A (zh) | 基于深度学习的认知无线电功率控制方法 | |
| CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
| CN113473496A (zh) | 一种提高工业无线网络速度的方法 | |
| CN111010222B (zh) | 一种基于深度学习的大规模mimo下行用户调度方法 | |
| CN114219074A (zh) | 一种按需动态调整的无线通信网络资源分配算法 | |
| Ma et al. | On-demand resource management for 6G wireless networks using knowledge-assisted dynamic neural networks | |
| CN113449912B (zh) | 一种基于人工智能技术的空间负荷态势感知方法 | |
| CN117240331A (zh) | 一种基于图神经网络的无蜂窝网络下行预编码设计方法 | |
| CN115603795B (zh) | 一种dtp通道受限场景下的波束功率带宽分配方法 | |
| CN114880863B (zh) | 分布式可再生能源集群阻抗聚合模型自适应分频降阶方法 | |
| CN114531726B (zh) | 基于密集无线网络的功率控制方法 | |
| CN113242064B (zh) | 基于用户空域特征和信道预测的多小区调度方法 | |
| CN112134632B (zh) | 无人机通信系统平均容量评估方法及装置 | |
| CN114925940A (zh) | 一种基于负荷分解的节假日负荷预测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |