CN114615261B - 基于神经网络的无线供能边缘计算网络的任务卸载方法 - Google Patents

基于神经网络的无线供能边缘计算网络的任务卸载方法 Download PDF

Info

Publication number
CN114615261B
CN114615261B CN202210087830.7A CN202210087830A CN114615261B CN 114615261 B CN114615261 B CN 114615261B CN 202210087830 A CN202210087830 A CN 202210087830A CN 114615261 B CN114615261 B CN 114615261B
Authority
CN
China
Prior art keywords
energy
wireless
task
energy supply
duration
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.)
Active
Application number
CN202210087830.7A
Other languages
English (en)
Other versions
CN114615261A (zh
Inventor
池凯凯
顾慧
张书彬
朱斌成
黄亮
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202210087830.7A priority Critical patent/CN114615261B/zh
Publication of CN114615261A publication Critical patent/CN114615261A/zh
Application granted granted Critical
Publication of CN114615261B publication Critical patent/CN114615261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/001—Energy harvesting or scavenging
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/005—Mechanical details of housing or structure aiming to accommodate the power transfer means, e.g. mechanical integration of coils, antennas or transducers into emitting or receiving devices
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/80—Circuit arrangements or systems for wireless supply or distribution of electric power involving the exchange of data, concerning supply or distribution of electric power, between transmitting devices and receiving devices

Landscapes

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

Abstract

本发明公开了一种基于神经网络的无线供能边缘计算网络的任务卸载方法，构建以无线设备信道增益为输入、供能时长比例为输出的全连接神经网络模型，将当前无线设备信道增益输入到训练好的所述全连接神经网络模型，得到供能时长比例，进而确定供能时长。然后在确定的供能时长情况下，通过最大化所有无线设备的总计算速率，得到每个无线设备任务卸载通信时长和所占用的能量分配比例，进而配置无线供能边缘计算网络按照所得到的任务卸载通信时长和任务卸载通信所占用的能量分配比例进行工作。本发明决策出部分卸载的能量分配和时间分配方案，同时也得到较高的网络计算速率。

Description

基于神经网络的无线供能边缘计算网络的任务卸载方法
技术领域
本申请属于无线供能技术领域，尤其涉及一种基于神经网络的无线供能边缘计算网络的任务卸载分配方法。
背景技术
随着物联网(IoT)的发展，产生了各种新兴的技术，伴随着技术产生了各种新的应用，让人与机器之间的交互越来越多。这些新兴技术应用实时性要求很高，依赖于大规模设备的实时通信和计算。在物联网网络中，需要部署大量负责计算和通信的无线设备，物联网设备的电池容量是有限的，例如传感器。此外，低计算能量也无法支持高性能计算的应用。因此，解决这两个性能限制问题是现代物联网技术研究中的一个关键问题。
无线供能边缘计算网络(WP-MEC)可以解决上述的两个性能限制问题。能量发射器和边缘计算服务器被部署在移动网络边缘，无线设备通过捕获射频能量，依靠收集的能量，将计算任务卸载到网关的边缘计算服务器上，并在本地计算其余任务。无线能量传输与移动边缘计算的结合实现了可持续的网络运行，显著延长了无线网络的寿命，并且增强了无线边缘设备的计算和通信能量。
部分卸载是指任务可以分为两部分，一部分在无线设备本地执行，另一部分卸载到边缘计算服务器进行计算。在边缘计算网络中，需要考虑无线设备的卸载策略，如在一个时间帧内的通信时间分配等，这将导致一个网络是否高效，评估一个网络是否高效也有很多指标，如最小时延，最大速率等。
目前大部分无线供能的移动边缘计算网络的时间分配方法大多使用传统优化方法，但其通常都是复杂难解的，需要通过多次迭代才能得到最优解，会消耗很多时间，这对于时延敏感型的边缘计算应用是难以接受的。
发明内容
本申请的目的是提供一种基于神经网络的无线供能边缘计算网络的任务卸载分配方法，适用在使用时分复用(TDMA)的通信方式和部分卸载模式下，决策出无线能量传输(WPT)边缘计算网络的无线能量捕获时长和计算任务卸载方案，以达到较高的计算速率。
为了实现上述目的，本申请技术方案如下：
一种基于神经网络的无线供能边缘计算网络的任务卸载方法，所述无线供能边缘计算网络包括无线设备和网关，所述网关包括射频能量发射器和边缘计算服务器，所述基于神经网络的无线供能边缘计算网络的任务卸载方法，包括：
构建以无线设备信道增益为输入、供能时长比例为输出的全连接神经网络模型，将当前无线设备信道增益输入到训练好的所述全连接神经网络模型，得到供能时长比例，进而确定供能时长；
在确定的供能时长情况下，通过最大化所有无线设备的总计算速率，得到每个无线设备任务卸载通信时长和任务卸载通信所占用的能量分配比例；
根据所述供能时长，所述射频能量发射器对无线设备在每个时间帧开始时进行无线供能；
配置每个无线设备在每个时间帧内以所述每个无线设备任务卸载通信时长和任务卸载通信所占用的能量分配比例进行任务卸载通信，配置每个无线设备在每个时间帧内以剩余能量进行本地任务计算。
进一步的，所述全连接神经网络模型包括1个输入层、2个隐藏层和1个输出层，第一隐藏层为120个神经元，第二隐藏层为80个神经元，输出层有1个神经元，其中激活函数为Sigmoid函数。
进一步的，其特征在于，所述在确定的供能时长情况下，通过最大化所有无线设备的总计算速率，得到每个无线设备任务卸载通信时长和任务卸载通信所占用的能量分配比例，包括：
计算所有无线设备的总计算速率Q(x,t)公式如下：
其中，φ是无线设备本地处理一比特任务所需的CPU周期数，ke是无线设备的计算能效系数，B是无线通信带宽，N0是噪声功率，ti为第i个无线设备的任务卸载通信时长比例，N为无线设备的数量，a为供能时长比例，供能时长为aT，T为时间帧时长，xi是用于任务卸载通信的能量比例，μ是能量捕获效率，P是射频能量发射器的射频能量发射功率，hi是第i个设备在当前时间帧下的信道增益，且满足0≤ti≤1、 和0≤xi≤1；
采用求解凸优化问题的方法对所述总计算速率Q(x,t)求解，得到在给定供能时长比例a下的最大化Q(x,t)的任务卸载通信所占用的能量分配比例和任务卸载通信时长。
进一步的，其特征在于，所述全连接神经网络模型在训练时，训练样本包括信道增益及其对应的标签，所述标签为供能时长比例，所述供能时长比例通过按0.01的步长在[0,1]中取值，对于每个供能时长比例的取值，计算所有无线设备的总计算速率，取总计算速率最大时的供能时长比例取值作为该信道增益样本对应的标签。
进一步的，所有无线设备通过时分复用的方式来进行任务卸载通信。
本申请提出的一种基于神经网络的无线供能边缘计算网络的任务卸载分配方法，相比于传统的优化方法，可以解决一个复杂的非凸问题，利用训练好的神经网络模型能够在TDMA的通信方式下，决策出部分卸载的能量分配和时间分配方案，同时也得到较高的网络计算速率。
附图说明
图1为基于TDMA的无线供能边缘计算网络示意图；
图2为本申请任务卸载分配方法流程图；
图3为本申请实施例神经网络模型结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
如图1所示，无线供能边缘计算网络包括无线设备和网关，网关包括射频能量发射器和边缘计算服务器，射频能量发射器用于为无线设备供能，边缘计算服务器用于计算从无线设备卸载的任务。
在一个实施例中，如图2所示，提供了一种基于神经网络的无线供能边缘计算网络的任务卸载方法，包括：
步骤S1、构建以无线设备信道增益为输入、供能时长比例为输出的全连接神经网络模型，将当前无线设备信道增益输入到训练好的所述全连接神经网络模型，得到供能时长比例，进而确定供能时长。
本实施例以一个网关和10个无线设备构成的无线供能边缘计算网络为例进行说明。网关集成了射频能量发射器和边缘计算服务器，无线设备的任务计算是基于时间帧来工作的，T是一个时间帧的长度。
在每一个时间帧的开始，网关给10个无线设备进行无线供能，无线供能时长为a倍的帧长，即供能时长为aT，0<a<1。
第i个无线设备捕获到的能量表示为Ei＝μPhiaT，其中μ是能量捕获效率，P是射频能量发射器的射频能量发射功率，hi是第i个设备在当前时间帧下的信道增益，i∈{1,2,…,10}，h＝[h1,h2,…,h10]表示在一个时间帧内10个无线设备的信道增益。
本申请通过全连接神经网络模型来获得供能时长比例，采集5000个时间帧下的信道增益样本，得到h1,h2,…,h5000，越接近第5000个时间帧，神经网络能输出更优的供能时长比例a值。构建以信道增益h为输入、供能时长比例a为输出的全连接神经网络模型，所述全连接神经网络模型如图3所示，包括1个输入层、2个隐藏层和1个输出层，第一隐藏层为120个神经元，第二隐藏层为80个神经元，输出层有1个神经元，其中激活函数为Sigmoid函数：
用如下方法对每个信道增益样本hj确定其对应的供能时长比例的较优取值：
对于一个信道增益样本hj，j∈{1,2,…,5000}，使用一维穷搜索来找到较好的供能时长比例，按0.01的步长在[0,1]中取值，即a的不同取值为0.01,0.02,…,0.99，对于每个a的取值，计算所有无线设备的总计算速率，取总计算速率最大时的a值作为该信道增益样本对应的标签a值。从而以信道增益及其对应的标签a值为一个训练样本，将5000个训练样本输入到全连接神经网络模型进行训练，训练得到训练好的全连接神经网络模型。
需要说明的是，关于神经网络模型的训练，已经是本领域比较成熟的技术，这里不再赘述。一维穷搜索所采用的步长可以根据实际情况来设定为其他值，例如0.02等。
在得到训练好的全连接神经网络模型后，则将当前所有无线设备信道增益输入到全连接神经网络模型，从而得到当前时间帧的供能时长比例a，及对应的供能时长aT。
步骤S2、在确定的供能时长情况下，通过最大化所有无线设备总计算速率，得到每个无线设备任务卸载通信时长和任务卸载通信所占用的能量分配比例。
本实施例中，在每一时间帧内，第i个设备用(1-xi)Ei的能量进行T时长的本地计算，xi是用于任务卸载通信的能量比例，1-xi是用于本地计算的能量比例。
在每一时间帧里剩余的时长(1-a)T内，10个设备使用一部分捕获能量基于无线通信来进行任务卸载，10个设备的任务卸载通信是基于时分复用的方式，第i个无线设备用xiEi的能量来进行任务卸载通信，10个无线设备的卸载能量分配比例为x＝[x1,x2,…x10]，第i个设备的通信时长为ti倍的帧长，10个无线设备的通信时长为t＝[t1T,t2T,…t10T]。
对于某个给定的供能时长比例a，边缘计算网络的10个无线设备的总计算速率Q(x,t)为：
其中，φ是无线设备本地处理一比特任务所需的CPU周期数，ke是无线设备的计算能效系数，B是无线通信带宽，N0是噪声功率；Q(x,t)为一个关于xi、ti的凹函数，且要满足0≤ti≤1、和0≤xi≤1；采用内点法、拉格朗日对偶方法等已有求解凸优化问题的方法得到在给定a下的最大化Q(x,t)的能量分配比例x和通信时长t。
其中N为无线设备的数量，ti为第i个无线设备的任务卸载通信时长比例，第i个无线设备的通信时长为tiT。xi是任务卸载通信所占用的能量比例。
步骤S3、根据所述供能时长，所述射频能量发射器对无线设备在每个时间帧开始时进行无线供能。
在当前时间帧开始后的供能时长aT内，属于供能时间，射频能量发射器对无线设备进行无线供能。
步骤S4、配置每个无线设备在每个时间帧内以所述每个无线设备任务卸载通信时长和任务卸载通信所占用的能量分配比例进行任务卸载通信，配置每个无线设备在每个时间帧内以剩余能量进行本地任务计算。
本申请根据计算得到的供能时长、每个无线设备任务卸载通信时长和所占用的能量分配比例，进而配置无线供能边缘计算网络进行工作。
每个无线设备按照计算得到的任务卸载通信时长，进行任务卸载。所有无线设备通过时分复用的方式来进行任务卸载通信，第i个无线设备的通信时长为tiT。并且以计算得到的用于任务卸载通信的能量比例来进行能量分配，第i个无线设备用xiEi的能量来进行任务卸载通信。
每个无线设备还进行本地任务的计算，在整个时间帧内，都可以用剩余能量进行本地任务计算，剩余能量为。第i个设备用(1-xi)Ei的能量进行T时长的本地计算。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种基于神经网络的无线供能边缘计算网络的任务卸载方法，所述无线供能边缘计算网络包括无线设备和网关，所述网关包括射频能量发射器和边缘计算服务器，其特征在于，所述基于神经网络的无线供能边缘计算网络的任务卸载方法，包括：
构建以无线设备信道增益为输入、供能时长比例为输出的全连接神经网络模型，将当前无线设备信道增益输入到训练好的所述全连接神经网络模型，得到供能时长比例，进而确定供能时长；
在确定的供能时长情况下，通过最大化所有无线设备的总计算速率，得到每个无线设备任务卸载通信时长和任务卸载通信所占用的能量分配比例；
根据所述供能时长，所述射频能量发射器对无线设备在每个时间帧开始时进行无线供能；
配置每个无线设备在每个时间帧内以所述每个无线设备任务卸载通信时长和任务卸载通信所占用的能量分配比例进行任务卸载通信，配置每个无线设备在每个时间帧内以剩余能量进行本地任务计算；
其中，所述在确定的供能时长情况下，通过最大化所有无线设备的总计算速率，得到每个无线设备任务卸载通信时长和任务卸载通信所占用的能量分配比例，包括：
计算所有无线设备的总计算速率Q(x,t)公式如下：
其中，φ是无线设备本地处理一比特任务所需的CPU周期数，ke是无线设备的计算能效系数，B是无线通信带宽，N0是噪声功率，ti为第i个无线设备的任务卸载通信时长比例，N为无线设备的数量，a为供能时长比例，供能时长为aT，T为时间帧时长，xi是第i个无线设备用于任务卸载通信的能量比例，μ是能量捕获效率，P是射频能量发射器的射频能量发射功率，hi是第i个设备在当前时间帧下的信道增益，且满足0≤ti≤1、和0≤xi≤1；
采用求解凸优化问题的方法对所述总计算速率Q(x,t)求解，得到在给定供能时长比例a下的最大化Q(x,t)的任务卸载通信所占用的能量分配比例和任务卸载通信时长；
所述全连接神经网络模型在训练时，训练样本包括信道增益及其对应的标签，所述标签为供能时长比例，所述供能时长比例通过按0.01的步长在[0,1]中取值，对于每个供能时长比例的取值，计算所有无线设备的总计算速率，取总计算速率最大时的供能时长比例取值作为该信道增益样本对应的标签。
2.根据权利要求1所述的基于神经网络的无线供能边缘计算网络的任务卸载方法，其特征在于，所述全连接神经网络模型包括1个输入层、2个隐藏层和1个输出层，第一隐藏层为120个神经元，第二隐藏层为80个神经元，输出层有1个神经元，其中激活函数为Sigmoid函数。
3.根据权利要求1所述的基于神经网络的无线供能边缘计算网络的任务卸载方法，其特征在于，所有无线设备通过时分复用的方式来进行任务卸载通信。
CN202210087830.7A 2022-01-25 2022-01-25 基于神经网络的无线供能边缘计算网络的任务卸载方法 Active CN114615261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210087830.7A CN114615261B (zh) 2022-01-25 2022-01-25 基于神经网络的无线供能边缘计算网络的任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210087830.7A CN114615261B (zh) 2022-01-25 2022-01-25 基于神经网络的无线供能边缘计算网络的任务卸载方法

Publications (2)

Publication Number Publication Date
CN114615261A CN114615261A (zh) 2022-06-10
CN114615261B true CN114615261B (zh) 2024-03-26

Family

ID=81857505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210087830.7A Active CN114615261B (zh) 2022-01-25 2022-01-25 基于神经网络的无线供能边缘计算网络的任务卸载方法

Country Status (1)

Country Link
CN (1) CN114615261B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117729584B (zh) * 2023-12-18 2024-10-01 杭州惠嘉信息科技有限公司 基于神经网络的无人机输电线路巡回检测的任务卸载方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112954736A (zh) * 2019-12-10 2021-06-11 深圳先进技术研究院 基于策略的无线携能物联网设备的计算卸载
CN113727362A (zh) * 2021-05-31 2021-11-30 南京邮电大学 一种基于深度强化学习的无线供电系统的卸载策略方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112954736A (zh) * 2019-12-10 2021-06-11 深圳先进技术研究院 基于策略的无线携能物联网设备的计算卸载
CN113727362A (zh) * 2021-05-31 2021-11-30 南京邮电大学 一种基于深度强化学习的无线供电系统的卸载策略方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Computation Rate Maximization for Wireless Powered Mobile Edge Computing with NOMA;Ming Zeng等;2019 IEEE 20th International Symposium on "A World of Wireless, Mobile and Multimedia Networks" (WoWMoM);全文 *
Computation Rate Maximization for Wireless Powered Mobile-Edge Computing With Binary Computation Offloading;Suzhi Bi等;IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS;第17卷(第6期);第4177-4190页 *

Also Published As

Publication number Publication date
CN114615261A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
You et al. AI for 5G: research directions and paradigms
Mahmood et al. Optimal resource allocation and task segmentation in IoT enabled mobile edge cloud
Mahmood et al. Partial offloading in energy harvested mobile edge computing: A direct search approach
CN110018834A (zh) 一种混合移动云/边缘计算的任务卸载和数据缓存方法
CN112261674A (zh) 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法
CN112416603B (zh) 一种基于雾计算的联合优化系统和方法
CN114615261B (zh) 基于神经网络的无线供能边缘计算网络的任务卸载方法
CN115119234A (zh) 一种无线供能边缘计算网络中无线设备任务处理优化方法
Wu et al. Residual energy maximization for wireless powered mobile edge computing systems with mixed-offloading
CN113727362B (zh) 一种基于深度强化学习的无线供电系统的卸载策略方法
Park et al. Transmitter-oriented dual-mode SWIPT with deep-learning-based adaptive mode switching for IoT sensor networks
Li et al. Joint scheduling design in wireless powered MEC IoT networks aided by reconfigurable intelligent surface
Wu et al. Energy-efficient secure computation offloading in wireless powered mobile edge computing systems
Gu et al. Mobile edge computing via wireless power transfer over multiple fading blocks: An optimal stopping approach
Xu et al. Cybertwin assisted wireless asynchronous federated learning mechanism for edge computing
CN115696451A (zh) 一种边缘计算系统能量与任务调度的优化方法
Yang et al. Distributed censoring with energy constraint in wireless sensor networks
Li et al. Computation scheduling of multi-access edge networks based on the artificial fish swarm algorithm
Feng et al. Joint detection and computation offloading with age of information in mobile edge networks
CN111294886B (zh) 一种基于无线能量驱动的移动边缘计算方法及装置
Yu et al. Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach
CN114691362B (zh) 一种时延与能耗折衷的边缘计算方法
CN114915627B (zh) 一种基于fdma接入的无线供能边缘计算网络卸载决策方法
Lin et al. An adaptive QoS power saving scheme for mobile WiMAX
Lin et al. Channel-adaptive quantization for wireless federated learning

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