CN116669045B - 一种增强通信能力的双模通信系统及方法 - Google Patents
一种增强通信能力的双模通信系统及方法 Download PDFInfo
- Publication number
- CN116669045B CN116669045B CN202310672938.7A CN202310672938A CN116669045B CN 116669045 B CN116669045 B CN 116669045B CN 202310672938 A CN202310672938 A CN 202310672938A CN 116669045 B CN116669045 B CN 116669045B
- Authority
- CN
- China
- Prior art keywords
- mode
- dual
- communication system
- unit time
- mode communication
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 593
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 44
- 230000007246 mechanism Effects 0.000 claims abstract description 65
- 230000000875 corresponding effect Effects 0.000 claims description 70
- 238000013528 artificial neural network Methods 0.000 claims description 67
- 230000009977 dual effect Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006855 networking Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/02—Terminal devices
- H04W88/06—Terminal devices adapted for operation in multiple networks or having at least two operational modes, e.g. multi-mode terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
- H04W88/10—Access point devices adapted for operation in multiple networks, e.g. multi-mode access points
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及一种增强通信能力的双模通信系统,涉及双模通信领域,所述装置包括:预测执行机构,用于基于过往预设数量的多个单位时间的多份通信信息以及双模通信系统的各项属性参数智能预测下一单位时间内双模通信系统的平均下行速率和平均上行速率;通信决策机构,用于基于预测执行机构的输出数据确定双模通信系统在下一单位时间内的通信决策。本发明还涉及一种增强通信能力的双模通信方法。通过本发明,针对现有技术中增量的双模通信系统难以获取其需求的SA通信资源的技术问题,仅仅在智能预测的双模通信系统未来下行速率需求略高或未来上行速率需求较高时,才为原有的双模通信系统分配SA通信资源,从而解决了上述技术问题。
Description
技术领域
本发明涉及双模通信领域,尤其涉及一种增强通信能力的双模通信系统及方法。
背景技术
双模通信系统指的是同时具备NSA通信模式以及SA通信模式的通信系统。
NSA通信模式和SA通信模式这两者的主要区别在于:NSA是将5G的控制信令锚定在4G基站上;SA方案是5G基站直接接入5G核心网,控制信令完全不依赖4G网络。NSA和SA组网方式比较大的区别就是成本,NSA是融合现在4G基站和网络架构部署的5G网络,优势是建设速度非常快,直接利用4G基站加装5G基站,即可实现5G网络覆盖;而SA需要重新建设5G基站和后端5G网络,从而完全实现5G网络的所有特性和功能。
显然,如果将所有双模通信系统的当前通信模式一直保持在SA通信模式下,这种通信配置方式在能够同时应对下行速率较高以及上行速率较高的通信数据拥堵场景,然而,SA通信资源是有限的,如果将所有双模通信系统的当前通信模式一直保持在SA通信模式下,则会过度消耗附近基站的有限的SA通信资源,导致额外的需要SA通信资源的双模通信系统无法再加入附近基站的SA通信网络,影响了额外的需要SA通信资源的双模通信系统的正常通信需求。
示例地,中国发明专利公开文本CN115884299A提出一种终端通信模式调节方法、装置、终端及存储介质,所述终端通信模式调节方法包括:获取终端的运行状态,所述运行状态包括运行场景、网络性能及运行速度其中之一或其任意组合;根据所述运行状态,匹配对应的调节方式;其中,所述调节方式分别对应不同的运行状态,预设N种调节方式,所述N为大于1的整数;根据所述调节方式调节所述终端的通信模式。本申请的实施方式调用相匹配的调节方式,主动改善终端在不同运行场景、运行速度和不同网络性能下的通讯功能,从而提升终端的通讯质量,提高用户体验。
示例地,美国发明专利公开文本US2021282077A1提出的一种选择NSA和SA组网模式的方法及终端设备,所述方法包括:由终端装置预设公共陆地移动网络(PLMN)和与PLMN相关联的联网模式,由终端装置基于地理位置进行搜索以获得当前地理位置的PLMN信息,由终端装置基于预设的PLMN和与PLMN相关联的联网模式确定终端装置的当前联网模式,以及由终端装置基于地理位置、信号强度和系统消息切换联网模式。
但是,上述现有技术中的技术方案或者仅仅涉及一种基于终端的运行状态确定对应通信模式的简单的通信管理模式,或者仅仅涉及基于采集的联网数据确定对应联网模式的简单的数据分析模式,均没有涉及NAS通信模式和SA通信模式的切换时机,更不用说涉及用于尽可能减少对附近SA通信资源使用的增强通信能力的通信管理模式,导致现有技术中存在因为双模通信系统无差别占用有限的SA通信资源、进而真正需要使用SA通信资源的增量通信系统无法使用SA通信资源的技术问题。
发明内容
为了解决现有技术中的技术问题,本发明提供了一种增强通信能力的双模通信系统及方法,能够充分利用SA通信模式下的下行速率略高于NAS通信模式下的下行速率以及SA通信模式的上行速率远超过NAS通信模式下的上行速率的通信特性,仅仅在智能预测双模通信系统未来下行速率需求略高或未来上行速率需求较高时,才为未来的双模通信系统分配SA通信资源,尤为关键的是,引入定制的预测智能体以预测未来单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值,从而在未来时间内尽可能使用NAS通信资源替换SA通信资源以节省有限的SA通信资源,为增量的双模通信设备尽可能储备更多的SA通信资源。
根据本发明的第一方面,提供了一种增强通信能力的双模通信系统,所述装置包括:
参数捕获机构,用于获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
信息分析机构,用于获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
模型解析机构,用于对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
预测执行机构,分别与所述参数捕获机构、所述信息分析机构以及所述模型解析机构连接,用于将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
通信决策机构,与所述预测执行机构连接,用于基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策。
根据本发明的第二方面,提供了一种增强通信能力的双模通信系统,所述装置包括存储器以及一个或多个处理器,所述存储器存储有计算机程序,所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤:
获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策。
根据本发明的第三方面,提供了一种增强通信能力的双模通信方法,所述方法包括:
获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策。
相比较于现有技术,本发明至少具备以下几处关键的发明构思:
发明构思A:针对同时具有SA通信模式和NSA通信模式的双模通信系统,采用定制的预测智能体以预测未来单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值,基于预测数值确定双模通信系统在未来单位时间内的通信决策,从而在获取匹配通信需求的通信模式的同时,避免过多消耗有限的SA通信资源,实现对双模通信系统的通信能力的增强;
发明构思B:定制的预测智能体为经过多次学习后的深度神经网络,所述多次学习的次数与双模通信系统在NAS模式下的最快下行速率以及最快上行速率的算术平均值单调正向关联,从而保证了智能预测结果的有效性和稳定性;
发明构思C:基于预测数值确定双模通信系统在未来单位时间内的通信决策包括:在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式,以及在平均下行速率预测值未略高于双模通信系统在NAS模式下的最快下行速率且平均上行速率预测值未远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为NAS模式,从而充分利用SA模式下行速率略高于NSA模式、上行速率面SA模式优势更加明显的特性;
发明构思D:执行智能预测时选择的预测基础数据为当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率,以及双模通信系统的各项属性参数为双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率。
附图说明
以下将结合附图对本发明的实施例进行描述,其中:
图1为根据本发明的增强通信能力的双模通信系统及方法的技术流程图。
图2为根据本发明的实施例1示出的增强通信能力的双模通信系统的结构示意图。
图3为根据本发明的实施例2示出的增强通信能力的双模通信系统的结构示意图。
图4为根据本发明的实施例3示出的增强通信能力的双模通信系统的结构示意图。
图5为根据本发明的实施例4示出的增强通信能力的双模通信系统的结构示意图。
图6为根据本发明的实施例5示出的增强通信能力的双模通信系统的结构示意图。
图7为根据本发明的实施例6示出的增强通信能力的双模通信方法的步骤流程图。
具体实施方式
如图1所示,给出了根据本发明示出的增强通信能力的双模通信系统及方法的技术流程图。
如图1所示,本发明的具体的技术流程如下:
流程一:为同时具有SA通信模式和NSA通信模式的双模通信系统建立定制结构的预测智能体,用于预测未来单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
示例地,所述预测智能体的定制结构的定制之处在于以下几个方面,用于保证预测结果的有效性和稳定性:
首先,预测的基础数据选择为双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率、最快上行速率以及双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
其次,所述预测智能体为经过多次学习后的深度神经网络,所述多次学习的次数与双模通信系统在NAS模式下的最快下行速率以及最快上行速率的算术平均值单调正向关联;
流程二:利用SA通信模式下的下行速率略高于NAS通信模式下的下行速率以及SA通信模式的上行速率远超过NAS通信模式下的上行速率的通信特性,仅仅在智能预测的双模通信系统未来下行速率需求略高或未来上行速率需求较高时,才为双模通信系统分配SA通信资源,否则,使用NAS通信资源以节省有效的SA通信资源;从而为当前原有的双模通信系统建立动态通信决策;
示例地,由于单个基站覆盖范围内能够提供的SA通信资源有限,在未来时间将NAS通信资源分配给预测不需要SA通信资源就能满足上先行通信需求的双模通信系统,将有限的SA通信资源仅仅分给预测需要SA通信资源才能满足上先行通信需求的双模通信系统,从而在未来时间节省出一定的SA通信资源;
流程三:在未来时间出现额外增加的双模通信系统闯入现有双模通信系统附近基站的覆盖范围内时,在额外增加的双模通信系统需要SA通信资源时,将流程二中节省出来的SA通信资源分配给额外增加的双模通信系统,从而提升了双模通信系统的通信管理能力,在未来时间尽可能保证满足更多双模通信系统的通信需求。
本发明的关键点在于:SA通信模式下的下行速率略高于NAS通信模式下的下行速率以及SA通信模式的上行速率远超过NAS通信模式下的上行速率的通信特性的充分利用、预测智能体的定制结构的设计以及设定预测场景下采用NAS通信资源替换SA通信资源的有限通信资源的动态节省。
下面,将对本发明的增强通信能力的双模通信系统及方法以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的增强通信能力的双模通信系统的结构示意图。
如图2所示,所述增强通信能力的双模通信系统包括以下部件:
参数捕获机构,用于获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
例如,可以选择在所述参数捕获机构内集成多个参数捕获单元,用于分别捕获双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率;
信息分析机构,用于获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
模型解析机构,用于对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
示例地,对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出包括:可以采用数值仿真模式实现对深度神经网络执行的多次学习,以获得经过多次学习后的深度神经网络并作为预测智能体输出;
预测执行机构,分别与所述参数捕获机构、所述信息分析机构以及所述模型解析机构连接,用于将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
示例地,将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值包括:选择采用MATLAB工具箱实现将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值的数值转换过程的模拟和仿真;
通信决策机构,与所述预测执行机构连接,用于基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策;
其中,基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策包括:在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式;
其中,所述通信决策机构还用于在平均下行速率预测值未略高于双模通信系统在NAS模式下的最快下行速率且平均上行速率预测值未远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为NAS模式;
这样,充分利用SA通信模式下的下行速率略高于NAS通信模式下的下行速率以及SA通信模式的上行速率远超过NAS通信模式下的上行速率的通信特性,仅仅在智能预测的双模通信系统未来下行速率需求略高或未来上行速率需求较高时,才为双模通信系统分配SA通信资源,否则,使用NAS通信资源以节省有效的SA通信资源;
其中,获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率包括:所述预设数量的取值与双模通信系统周围设定地理覆盖范围内的双模通信系统的总数成正比;
其中,在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式包括:在平均下行速率预测值减去双模通信系统在NAS模式下的最快下行速率获得的速率差值小于设定差值阈值时,确定平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率;
以及其中,在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式包括:在平均上行速率预测值减去双模通信系统在NAS模式下的最快上行速率获得的速率差值大于等于所述设定差值阈值时,确定平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率。
实施例2
图3为根据本发明的实施例2示出的增强通信能力的双模通信系统的结构示意图。
如图3所示,与图2中的实施例不同,所述增强通信能力的双模通信系统还包括以下组件:
网络组建机构,分别与所述参数捕获机构以及所述信息分析机构连接,用于为双模通信系统建立用于增强通信能力的深度神经网络,所述深度神经网络的两份输出数据为双模通信系统某一单位时间的平均下行速率预测值和平均上行速率预测值,所述深度神经网络的逐份输出数据为双模通信系统在所述某一单位时间之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率;
示例地,为双模通信系统建立用于增强通信能力的深度神经网络,所述深度神经网络的两份输出数据为双模通信系统某一单位时间的平均下行速率预测值和平均上行速率预测值,所述深度神经网络的逐份输出数据为双模通信系统在所述某一单位时间之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率包括:可以采用数值转换函数表示所述深度神经网络。
实施例3
图4为根据本发明的实施例3示出的增强通信能力的双模通信系统的结构示意图。
如图4所示,与图2中的实施例不同,所述增强通信能力的双模通信系统还包括以下组件:
切换执行机构,与所述通信决策机构连接,用于基于所述通信决策机构确定的通信决策执行双模通信系统在NAS模式和SA模式之间的模式切换;
示例地,所述切换执行机构可以实现NAS模式到SA模式的切换,也可以实现SA模式到NAS模式的切换。
实施例4
图5为根据本发明的实施例4示出的增强通信能力的双模通信系统的结构示意图。
如图5所示,与图2中的实施例不同,所述增强通信能力的双模通信系统还包括以下组件:
内容存储机构,与所述模型解析机构连接,用于存储所述预测智能体的各项智能体数据;
例如,可以选择FLASH存储器件、动态存储器件、CF存储器件以及MMC存储器件中的一种存储器件来实现所述内容存储机构。
接着,继续对本发明的各个实施例进行详细的描述。
在根据本发明的各个实施例的增强通信能力的双模通信系统中:
获取双模通信系统的处理核数量、最快运算性能数据、下行传输带宽、上行传输带宽以及内存容量包括:双模通信系统的最快运算性能数据为双模通信系统的最高计算速率;
其中,对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出包括:所述多次学习的次数与NAS模式下的最快下行速率以及最快上行速率的算术平均值单调正向关联;
示例地,所述多次学习的次数与NAS模式下的最快下行速率以及最快上行速率的算术平均值单调正向关联包括:在NAS模式下的最快下行速率为500MB/S,NAS模式下的最快上行速率为300MB/S时,NAS模式下的最快下行速率以及最快上行速率的算术平均值为400MB/S,所述多次学习的次数的取值为80;在NAS模式下的最快下行速率为600MB/S,NAS模式下的最快上行速率为400MB/S时,NAS模式下的最快下行速率以及最快上行速率的算术平均值为500MB/S,所述多次学习的次数的取值为100;等等;
其中,对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出包括:在对深度神经网络执行的每一次学习中,将历史单位时间的已知平均下行速率预测值和已知平均上行速率预测值作为所述深度神经网络的两份输出数据,将所述历史单位时间之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率作为所述深度神经网络的逐份输出数据,完成对深度神经网络的本次学习。
以及在根据本发明的各个实施例的增强通信能力的双模通信系统中:
获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率还包括:针对每一个单位时间,获取其持续时间区间内均匀间隔的各个时刻分别对应的各个下行速率,将所述各个下行速率的算术平均值作为其对应的平均下行速率;
其中,获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率还包括:针对每一个单位时间,获取其持续时间区间内均匀间隔的各个时刻分别对应的各个上行速率,将所述各个上行速率的算术平均值作为其对应的平均上行速率;
示例地,每一个单位时间的取值为10秒,其持续时间区间内均匀间隔的各个时刻为10秒范围内的每一个100毫秒,即所述均匀间隔的取值为100毫秒。
实施例5
图6为根据本发明的实施例5示出的增强通信能力的双模通信系统的结构方框图。
如图6所示,所述增强通信能力的双模通信系统包括存储器以及一个或多个处理器,所述存储器存储有计算机程序,所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤:
获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
例如,可以选择在所述参数捕获机构内集成多个参数捕获单元,用于分别捕获双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率;
获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
示例地,对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出包括:可以采用数值仿真模式实现对深度神经网络执行的多次学习,以获得经过多次学习后的深度神经网络并作为预测智能体输出;
将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
示例地,将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值包括:选择采用MATLAB工具箱实现将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值的数值转换过程的模拟和仿真;
基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策;
其中,基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策包括:在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式;
其中,所述通信决策机构还用于在平均下行速率预测值未略高于双模通信系统在NAS模式下的最快下行速率且平均上行速率预测值未远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为NAS模式;
这样,充分利用SA通信模式下的下行速率略高于NAS通信模式下的下行速率以及SA通信模式的上行速率远超过NAS通信模式下的上行速率的通信特性,仅仅在智能预测的双模通信系统未来下行速率需求略高或未来上行速率需求较高时,才为双模通信系统分配SA通信资源,否则,使用NAS通信资源以节省有效的SA通信资源;
其中,获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率包括:所述预设数量的取值与双模通信系统周围设定地理覆盖范围内的双模通信系统的总数成正比;
其中,在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式包括:在平均下行速率预测值减去双模通信系统在NAS模式下的最快下行速率获得的速率差值小于设定差值阈值时,确定平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率;
以及其中,在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式包括:在平均上行速率预测值减去双模通信系统在NAS模式下的最快上行速率获得的速率差值大于等于所述设定差值阈值时,确定平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率;
如图6所示,示例性地,给出了N个处理器,其中,N为大于等于1的自然数。
实施例6
图7为根据本发明的实施例6示出的增强通信能力的双模通信方法的步骤流程图。
如图7所示,所述增强通信能力的双模通信方法包括以下步骤:
S701:获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
例如,可以选择在所述参数捕获机构内集成多个参数捕获单元,用于分别捕获双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率;
S702:获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
S703:对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
示例地,对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出包括:可以采用数值仿真模式实现对深度神经网络执行的多次学习,以获得经过多次学习后的深度神经网络并作为预测智能体输出;
S704:将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
示例地,将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值包括:选择采用MATLAB工具箱实现将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值的数值转换过程的模拟和仿真;
S705:基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策;
其中,基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策包括:在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式;
其中,所述通信决策机构还用于在平均下行速率预测值未略高于双模通信系统在NAS模式下的最快下行速率且平均上行速率预测值未远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为NAS模式;
这样,充分利用SA通信模式下的下行速率略高于NAS通信模式下的下行速率以及SA通信模式的上行速率远超过NAS通信模式下的上行速率的通信特性,仅仅在智能预测的双模通信系统未来下行速率需求略高或未来上行速率需求较高时,才为双模通信系统分配SA通信资源,否则,使用NAS通信资源以节省有效的SA通信资源;
其中,获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率包括:所述预设数量的取值与双模通信系统周围设定地理覆盖范围内的双模通信系统的总数成正比;
其中,在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式包括:在平均下行速率预测值减去双模通信系统在NAS模式下的最快下行速率获得的速率差值小于设定差值阈值时,确定平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率;
以及其中,在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式包括:在平均上行速率预测值减去双模通信系统在NAS模式下的最快上行速率获得的速率差值大于等于所述设定差值阈值时,确定平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率。
另外,本发明还可以引用以下具体技术内容以突出本发明的突出性的实质性特点以及显著性的技术进步:
将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值包括:对当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数分别执行数值归一化处理后再并行输入到预测智能体,以执行预测智能体,获得预测智能体输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
其中,获得预测智能体输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值包括:获得的预测智能体输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值都为数值归一化的表示形式;
其中,对当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数分别执行数值归一化处理后再并行输入到预测智能体,以执行预测智能体,获得预测智能体输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值包括:对当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数分别执行八进制数值转换处理后再并行输入到预测智能体,以执行预测智能体,获得预测智能体输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种增强通信能力的双模通信系统,其特征在于,所述系统包括:
参数捕获机构,用于获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
信息分析机构,用于获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
模型解析机构,用于对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
预测执行机构,分别与所述参数捕获机构、所述信息分析机构以及所述模型解析机构连接,用于将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
通信决策机构,与所述预测执行机构连接,用于基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策。
2.如权利要求1所述的增强通信能力的双模通信系统,其特征在于:
基于所述预测执行机构的输出数据确定双模通信系统在当前时刻的下一单位时间内的通信决策包括:在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式;
其中,所述通信决策机构还用于在平均下行速率预测值未略高于双模通信系统在NAS模式下的最快下行速率且平均上行速率预测值未远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为NAS模式;
其中,获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率包括:所述预设数量的取值与双模通信系统周围设定地理覆盖范围内的双模通信系统的总数成正比。
3.如权利要求2所述的增强通信能力的双模通信系统,其特征在于:
在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式包括:在平均下行速率预测值减去双模通信系统在NAS模式下的最快下行速率获得的速率差值小于设定差值阈值时,确定平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率;
其中,在平均下行速率预测值略高于双模通信系统在NAS模式下的最快下行速率或平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率时,确定双模通信系统在当前时刻的下一单位时间内的通信模式为SA模式包括:在平均上行速率预测值减去双模通信系统在NAS模式下的最快上行速率获得的速率差值大于等于所述设定差值阈值时,确定平均上行速率预测值远超过双模通信系统在NAS模式下的最快上行速率。
4.如权利要求3所述的增强通信能力的双模通信系统,其特征在于,所述系统还包括:
网络组建机构,分别与所述参数捕获机构以及所述信息分析机构连接,用于为双模通信系统建立用于增强通信能力的深度神经网络,所述深度神经网络的两份输出数据为双模通信系统某一单位时间的平均下行速率预测值和平均上行速率预测值,所述深度神经网络的逐份输出数据为双模通信系统在所述某一单位时间之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率。
5.如权利要求3所述的增强通信能力的双模通信系统,其特征在于,所述系统还包括:
切换执行机构,与所述通信决策机构连接,用于基于所述通信决策机构确定的通信决策执行双模通信系统在NAS模式和SA模式之间的模式切换。
6.如权利要求3所述的增强通信能力的双模通信系统,其特征在于,所述系统还包括:
内容存储机构,与所述模型解析机构连接,用于存储所述预测智能体的各项智能体数据。
7.如权利要求3-6任一所述的增强通信能力的双模通信系统,其特征在于:
获取双模通信系统的处理核数量、最快运算性能数据、下行传输带宽、上行传输带宽以及内存容量包括:双模通信系统的最快运算性能数据为双模通信系统的最高计算速率;
其中,对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出包括:所述多次学习的次数与NAS模式下的最快下行速率以及最快上行速率的算术平均值单调正向关联;
其中,对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出包括:在对深度神经网络执行的每一次学习中,将历史单位时间的已知平均下行速率预测值和已知平均上行速率预测值作为所述深度神经网络的两份输出数据,将所述历史单位时间之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率作为所述深度神经网络的逐份输出数据,完成对深度神经网络的本次学习。
8.如权利要求3-6任一所述的增强通信能力的双模通信系统,其特征在于:
获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率还包括:针对每一个单位时间,获取其持续时间区间内均匀间隔的各个时刻分别对应的各个下行速率,将所述各个下行速率的算术平均值作为其对应的平均下行速率;
其中,获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率还包括:针对每一个单位时间,获取其持续时间区间内均匀间隔的各个时刻分别对应的各个上行速率,将所述各个上行速率的算术平均值作为其对应的平均上行速率。
9.一种增强通信能力的双模通信系统,其特征在于,所述系统包括存储器以及一个或多个处理器,所述存储器存储有计算机程序,所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤:
获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
基于当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值确定双模通信系统在当前时刻的下一单位时间内的通信决策。
10.一种增强通信能力的双模通信方法,其特征在于,所述方法包括:
获取双模通信系统的处理核数量、最快运算性能数据、内存容量、NAS模式下的最快下行速率以及最快上行速率以作为双模通信系统的各项属性参数,所述双模通信系统同时具有SA通信模式和NSA通信模式;
获取双模通信系统过往的预设数量的多个单位时间分别对应的多份通信信息,每一个单位时间对应的单份通信信息为所述单位时间内双模通信系统的平均下行速率和平均上行速率;
对深度神经网络执行多次学习以获得经过多次学习后的深度神经网络并作为预测智能体输出;
将在当前时刻之前过往的预设数量的多个单位时间分别对应的多份通信信息以及双模通信系统的各项属性参数并行输入到预测智能体以获得其输出的当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值;
基于当前时刻的下一单位时间内双模通信系统的平均下行速率预测值和平均上行速率预测值确定双模通信系统在当前时刻的下一单位时间内的通信决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672938.7A CN116669045B (zh) | 2023-06-08 | 2023-06-08 | 一种增强通信能力的双模通信系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672938.7A CN116669045B (zh) | 2023-06-08 | 2023-06-08 | 一种增强通信能力的双模通信系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116669045A CN116669045A (zh) | 2023-08-29 |
CN116669045B true CN116669045B (zh) | 2024-04-12 |
Family
ID=87713433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310672938.7A Active CN116669045B (zh) | 2023-06-08 | 2023-06-08 | 一种增强通信能力的双模通信系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116669045B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020009440A1 (ko) * | 2018-07-02 | 2020-01-09 | 엘지전자 주식회사 | 무선 통신 시스템에서 지원 가능한 서비스를 판단하는 방법 및 이를 위한 장치 |
WO2021184263A1 (zh) * | 2020-03-18 | 2021-09-23 | Oppo广东移动通信有限公司 | 一种数据传输方法及装置、通信设备 |
WO2022237086A1 (zh) * | 2021-05-13 | 2022-11-17 | 华为技术有限公司 | 一种基于机器学习模型的控制方法和装置 |
WO2023280032A1 (zh) * | 2021-07-05 | 2023-01-12 | 索尼集团公司 | 用于无线通信系统的电子设备、方法和存储介质 |
-
2023
- 2023-06-08 CN CN202310672938.7A patent/CN116669045B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020009440A1 (ko) * | 2018-07-02 | 2020-01-09 | 엘지전자 주식회사 | 무선 통신 시스템에서 지원 가능한 서비스를 판단하는 방법 및 이를 위한 장치 |
WO2021184263A1 (zh) * | 2020-03-18 | 2021-09-23 | Oppo广东移动通信有限公司 | 一种数据传输方法及装置、通信设备 |
WO2022237086A1 (zh) * | 2021-05-13 | 2022-11-17 | 华为技术有限公司 | 一种基于机器学习模型的控制方法和装置 |
WO2023280032A1 (zh) * | 2021-07-05 | 2023-01-12 | 索尼集团公司 | 用于无线通信系统的电子设备、方法和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116669045A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109417719B (zh) | 一种网络资源的管理方法、装置及系统 | |
US8611825B2 (en) | Method and apparatus for providing a dynamic inactivity timer in a wireless communications network | |
CN112512068B (zh) | 小区节能方法和基站 | |
CN111642011B (zh) | 一种进行无线资源管理的方法和nRT RIC | |
US11968122B2 (en) | Joint optimization method and system for delay and spectrum occupation in cloud-edge collaborative network | |
CN110062450A (zh) | 5g基站节约能耗的方法、装置、设备及可读存储介质 | |
CN109475011B (zh) | Ue rrc状态确定方法及装置 | |
CN115380594A (zh) | 资源配置方法、装置、设备及存储介质 | |
CN112868265A (zh) | 网络资源的管理方法、管理装置、电子设备及存储介质 | |
CN107113092A (zh) | 消息发送/接收方法、覆盖增强等级确定/获取方法及相关设备 | |
CN116669045B (zh) | 一种增强通信能力的双模通信系统及方法 | |
Balapuwaduge et al. | Hidden Markov model based machine learning for mMTC device cell association in 5G networks | |
CN111935205B (zh) | 雾计算网络中基于交替方向乘子法的分布式资源分配方法 | |
CN116209046B (zh) | 一种实时节能的移动通信方法、装置、网络侧设备及介质 | |
CN114466400B (zh) | 设备控制方法、装置、设备及计算机可读存储介质 | |
CN112867064B (zh) | 一种负载均衡方法、装置、存储介质和源基站 | |
CN116017570A (zh) | 一种基于区块链的边缘计算系统资源管理方法 | |
CN114077213B (zh) | 节能控制方法及装置 | |
CN106332184B (zh) | 数据传输方法及装置 | |
CN115150892A (zh) | 具有突发性业务的mec无线系统中vm-pm修复策略方法 | |
CN114630391A (zh) | 网络共建共享场景下的通信方法、装置、系统和共享基站 | |
CN114788330A (zh) | 网络实体、用户设备和方法 | |
CN114208255A (zh) | 通信方法及设备、电子设备以及计算机可读存储介质 | |
Fayyaz et al. | Optimizing task execution for mobile edge computing | |
Gu et al. | Mrprs: A maximum reward based resource scheduling mechanism in vehicular cloud computing |
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 |