CN117479306A - 一种数字孪生的数据处理方法及系统 - Google Patents
一种数字孪生的数据处理方法及系统 Download PDFInfo
- Publication number
- CN117479306A CN117479306A CN202311213298.XA CN202311213298A CN117479306A CN 117479306 A CN117479306 A CN 117479306A CN 202311213298 A CN202311213298 A CN 202311213298A CN 117479306 A CN117479306 A CN 117479306A
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- wireless
- learning rate
- state information
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 149
- 230000006870 function Effects 0.000 claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 113
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims description 27
- 238000013468 resource allocation Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005562 fading Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 75
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/092—Reinforcement learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种数字孪生的数据处理方法及系统,包括:在预设的第一通信时隙开始前,分别获取N个等待接入和分配功率的无线设备对应的第一设备状态信息,并根据第一设备状态信息,建立基于数字孪生的无线通信网络;根据第一设备状态信息,获取无线通信网络在初始的第一处理网络中经过若干次训练后的损失函数;对损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分第一通信时隙,对应得到若干划分时刻;根据若干划分时刻,对第一处理网络初始的第一学习率进行调整,并根据得到的第二学习率,对第一处理网络进行训练,以使根据训练好的第二处理网络为通信设备传输数据;能够基于数字孪生的无线通信网络数据处理效率。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种数字孪生的数据处理方法及系统。
背景技术
目前,越来越多的设备接入互联网,为了支持海量无线设备快速接入到无线通信系统当中,通过在基站上部署服务器进行集中资源分配,在现有技术中采用数字孪生技术,将工业物联网络设备映射到数字空间,来实时捕获待接入无线通信系统的设备状态信息,并由基站根据设备状态信息决策待接入无线通信系统的设备的资源分配情况。
然而,将所有设备同时接入到无线通信系统当中,会导致高并发接入,即虽然无线设备都接入到无线通信系统当中了,但是通信质量差,且信道环境动态变化,需要实时适应的动态资源决策。于是,现有技术引入深度强化学习来决策资源分配,但在基站处部署深度强化学习决策无线设备的资源分配情况,但是面临训练质量问题,导致基于数字孪生的无线通信网络数据处理效率低。
发明内容
本发明的目的是针对上述现有技术的不足,提出了一种数字孪生的数据处理方法及系统,能够提高基于数字孪生的无线通信网络数据处理效率。
第一方面,本发明提供了一种数字孪生的数据处理方法,包括:
在预设的第一通信时隙开始前,分别获取N个等待接入和分配功率的无线设备对应的第一设备状态信息,并根据所述第一设备状态信息,建立基于数字孪生的无线通信网络;其中,N为正整数;
根据所述第一设备状态信息,获取所述无线通信网络在初始的第一处理网络中经过若干次训练后的损失函数;
对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻;
根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,并根据得到的第二学习率,对所述第一处理网络进行训练,以使根据训练好的第二处理网络为通信设备传输数据。
本发明采用通过多个无线设备对应的设备状态信息,建立基于数字孪生的无线通信网络,能够对无线设备进行虚拟化,并通过根据第一次训练得到的损失函数值进行聚类,能够获得损失函数值的聚类情况,便于对损失函数值对应的初始的学习率进行调整,从而提高控制处理网络对基于数字孪生的无线通信数据处理的精度,从而提高无线通信网络数据处理效率。
进一步,所述对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻,包括:
从所述第一处理网络的若干连接的子网络中,依次提取一个子网络对应的第一损失函数值进行聚类,从所述第一损失函数值在收敛前、损失值波动和收敛后中对应的聚类结果中,至少得到两个,直到遍历完所有子网络;
根据得到的所有聚类结果对应的通信时隙区间,对所述第一通信时隙进行划分,得到若干划分时刻。
本发明采用通过对损失函数值进行聚类,来描述损失函数值的收敛情况和波动情况,从而能够精确调整学习率,进而能够提高无线通信网络数据处理效率。
进一步,所述依次提取一个子网络对应的第一损失函数值进行聚类,包括:
按照若干子网络的串联拓扑连接关系,先从若干子网络中选取进行无线设备接入预测的第一子网络对应的第二损失函数值进行聚类,以使训练后得到训练好的第二子网络;
在选取进行无线设备资源分配的第三子网络对应的第三损失函数进行聚类,以使得到训练好的第四子网络;其中,所述第三子网络的输入包括所述第一子网络的输入。
进一步,所述根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,包括:
从所述第一处理网络中依次获取对应子网络,并对所述第一通信时隙按照从小到大的顺序,从所述若干划分时刻中选取所述对应子网络的待用划分时刻;
获取所述待划分时刻对应的第二学习率,当存在待划分时刻前一时刻的第三学习率时,且所述第三学习率对应第一损失值小于所述第二学习率对应第二损失值时,以所述第三学习率为固定的学习率替换初始的第一学习率;
否则,以所述第二学习率为固定的学习率替换初始的第一学习率;
根据所述第三学习率或者所述第二学习率对所述对应子网络进行参数更新,直到取完所有待用划分时刻。
本发明采用依次遍历所有子网络,并按照划分时刻对每个子网络初始的第一学习率进行调整,能够从整体上调整第一处理网络中多个子网络的学习率,相比于通过单独调整某一局部子网络或者采用固定学习率的现有技术,本发明能够为不同的子网络同时调整学习率,从而能够对包含多个串联连接的子网络同时提高学习质量,能够得到全局最优解,进而能够提高无线通信网络数据处理效率。
进一步,所述根据所述第一设备状态信息,建立基于数字孪生的无线通信网络,包括:
获取最小通信成功速率和带宽信息,并与所述无线设备对应的第一设备状态,在基站的服务器处建立基于非正交多址技术的数字孪生的无线通信网络;其中,通过所述无线设备的分配功率从大到小进行解码,将得到的解码通过的无线设备速率总和作为所述无线通信网络的即时奖励。
进一步,所述无线通信网络的优化目标为最大化解码通过的无线设备速率总和,所述优化目标可以表示为:
其中,为分配给无线设备N的功率ρN与随机噪声/>的比值,/>为分配给无线设备i的功率pi与随机噪声/>的比值,/>为分配给无线设备j的功率pj与随机噪声/>的比值,ωi、ωj和ωN分别为无线设备i、无线设备j和无线设备N的接入决策,gi=|h|2βi为无线设备i的第一信道状态信息,gj=|h|2βj为无线设备i的第一信道状态信息,gN=|h|2βN为无线设备N的第一信道状态信息,h为当前训练时隙下的第一信道资源块,βi和βj分别为无线设备i、无线设备j和无线设备N的大规模衰落因子。
进一步,所述优化目标的约束条件可以表示为:
C1:0≤pi≤pmax,
C2:ωi∈{0,1},
C3:ri≥rth,
其中,C1-C4分别为功率上下限约束、接入约束、解码通过约束和总功率约束,pmax、ri和rth分别为最大可分配的功率阈值、实际速率和最小解码通过速率阈值。
进一步,所述以使根据训练好的第二处理网络为通信设备传输数据,包括:
获取N个无线设备实时的第二设备状态信息和第二信道资源块,并根据所述第二设备状态信息和所述第二信道资源块,获取第二信道状态信息;
将所述第二信道状态信息作为训练好的第二处理网络的输入,得到N个无线设备实时的资源分配决策,根据所述资源分配决策接入无线设备,并分配对应的功率进行数据传输;
其中,第二处理网络包括训练好的第二子网络和第四子网络,将第二信道状态信息作为所述第二子网络的输入,得到所述N个无线设备实时的接入决策,并将接入决策与所述第二信道状态信息进行结合,作为所述第四子网络的输入,得到所述资源分配决策。
第二方面,本发明提供了一种数字孪生的数据处理系统,包括:
建立无线通信网络模块,用于在预设的第一通信时隙开始前,分别获取N个等待接入和分配功率的无线设备对应的第一设备状态信息,并根据所述第一设备状态信息,建立基于数字孪生的无线通信网络;其中,N为正整数;
第一训练模块,用于根据所述第一设备状态信息,获取所述无线通信网络在初始的第一处理网络中经过若干次训练后的损失函数;
聚类模块,用于对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻;
第二训练模块,用于根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,并根据得到的第二学习率,对所述第一处理网络进行训练,以使根据训练好的第二处理网络为通信设备传输数据。
进一步,所述对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻,包括:
从所述第一处理网络的若干连接的子网络中,依次提取一个子网络对应的第一损失函数值进行聚类,从所述第一损失函数值在收敛前、损失值波动和收敛后中对应的聚类结果中,至少得到两个,直到遍历完所有子网络;
根据得到的所有聚类结果对应的通信时隙区间,对所述第一通信时隙进行划分,得到若干划分时刻。
附图说明
图1是本发明实施例提供的一种数字孪生的数据处理方法的流程示意图;
图2是本发明实施例提供的无线通信网络的模型示意图;
图3是本发明实施例提供的损失函数值聚类示意图;
图4是本发明实施例提供的损失函数值聚类的流程示意图;
图5是本发明实施例提供的一种数字孪生的数据处理系统的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
值得说明的是,将基站作为数字孪生体,当信道资源有限时,如果让所有的无线设备接入到无线通信网络当中,会导致无线设备在解码基站发送的数据时,由于彼此干扰过大,解码不能通过,即通信质量差。并且,现有技术通常采用级联网络对接入控制和功率分配分别进行处理,但是采用固定的学习率或者对级联网络采用各自优化的方式,这两种方式都不能从整体性能上优化得到全局最优解,导致数字孪生体在做资源分配时的数据处理效率低。
基于此,本发明采用将基站作为数字孪生体,通过收集小区内无线设备上传的设备状态信息,将无线设备虚拟化和建模,数字孪生体通过建立用于根据设备状态信息进行资源分配的处理网络,并基于初始的学习率进行训练得到损失函数,对损失函数值进行聚类,以使获取精确的损失函数值变化,从而针对不同聚类结果调整学习率,进而提高训练质量,提高基于数字孪生的无线通信网络数据处理效率。
参见图1,是本发明实施例提供的一种数字孪生的数据处理方法的流程示意图,包括步骤S11~S14,具体为:
步骤S11、在预设的第一通信时隙开始前,分别获取N个等待接入和分配功率的无线设备对应的第一设备状态信息,并根据所述第一设备状态信息,建立基于数字孪生的无线通信网络;其中,N为正整数。
其中,根据所述第一设备状态信息,建立基于数字孪生的无线通信网络,包括:获取最小通信成功速率和带宽信息,并与所述无线设备对应的第一设备状态,对所述无线设备进行虚拟化,在基站的服务器处建立基于非正交多址技术的数字孪生的无线通信网络;其中,通过所述无线设备的分配功率从大到小进行解码,将得到的解码通过的无线设备速率总和作为所述无线通信网络的即时奖励。
作为一个优选的实施例,分配给每个无线通信设备的带宽为归一化的带宽。
参见图2,是本发明实施例提供的无线通信网络的模型示意图。图中,在基站处设置了服务器,由服务器获取设备状态信息和信道资源块后,为N个等待接入和分配功率的无线设备的无线通信网络,基站作为数字孪生体,在自身的服务器处对无线设备进行资源分配,具体的资源分配包括:对无线设备进行接入控制和对传输给无线设备的数据进行功率分配。
作为一个优选的实施例,考虑基站下行链路,多个无线设备向基站请求信道资源和接收数据的功率分配资源,并采用非正交多址接入无线设备。
作为一个优选的实施例,无线通信设备在解码时,采用分配功率从大到小的顺序进行解码。
作为另一个优选的实施例,无线通信设备在解码时,采用信道状态信息的质量从高到低的顺序进行解码。
值得说明的是,当无线设备进行解码时,由于采用非正交多址进行接入,其他还未解码的无线设备将作为干扰,为了降低干扰,提高正在解码的无线设备的数据速率,采用分配功率从大到小的顺序进行解码或者采用信道状态信息的质量从高到低的顺序进行解码,当干扰较大的无线设备先解码后,分配功率较小或者信道状态信息的质量较差的无线设备也能够有机会解码通过。
本发明采用非正交多址接入技术将无线设备进行接入,能够保证被接入的无线设备均有公平的机会接收到基站发送的数据,从而满足海量无线设备的接入,进而提高基于数字孪生的无线通信网络数据处理效率。
所述无线通信网络的优化目标为最大化解码通过的无线设备速率总和,所述优化目标可以表示为:
其中,为分配给无线设备N的功率ρN与随机噪声/>的比值,/>为分配给无线设备i的功率pi与随机噪声/>的比值,/>为分配给无线设备j的功率pj与随机噪声/>的比值,ωi、ωj和ωN分别为无线设备i、无线设备j和无线设备N的接入决策,gi=|h|2βi为无线设备i的第一信道状态信息,gj=|h|2βj为无线设备i的第一信道状态信息,gN=|h|2βN为无线设备N的第一信道状态信息,h为当前训练时隙下的第一信道资源块,βi和βj分别为无线设备i、无线设备j和无线设备N的大规模衰落因子。
所述优化目标的约束条件可以表示为:
C1:0≤pi≤pmax,
C2:ωi∈{0,1},
C3:ri≥rth,
其中,C1-C4分别为功率上下限约束、接入约束、解码通过约束和总功率约束,pmax、ri和rth分别为最大可分配的功率阈值、实际速率和最小解码通过速率阈值。
作为一个优选的实施例,h为Jake信道模型,可以表示为:
h(t)=γh(t-1)+n(t),
其中,γ、h(t-1)和n(t)分别为在连续时隙中信道之间的相关因子、前一时刻的信道资源块和服从复高斯分布的随机噪声,t为大于0的正整数。
作为一个优选的实施例,所述相关因子可以表示为:
γ=J0(2πfTs),
其中,J0(·)为第一类0阶贝塞尔函数,f和Ts分别为频率和一个通信时隙的长度。
作为一个优选的实施例,当t=1时,h(1)~CN(0,1)。
步骤S12、根据所述第一设备状态信息,获取所述无线通信网络在初始的第一处理网络中经过若干次训练后的损失函数。
值得说明的是,数据孪生体在收集到无线设备的设备状态信息后,可以到根据设备状态信息与信道资源块,得到无线设备的信道状态质量,将信道状态质量作为处理网络的输入。
作为一个优选的实施例,处理网络包括两个子网络分别执行接入决策和功率分配决策,接入决策的子网络的输出为0或1的接入向量,当接入决策为0时,表示在本次训练时隙中,对应的无线设备不接入到无线通信网络中;否则,将对应的无线设备接入到无线通信设备中,并为无线设备在功率分配的子网络中执行功率分配决策。
作为一个优选的实施例,将信道状态信息向量作为接入决策的子网络的输入;其中,信道状态信息向量中每个元素都对应一个无线设备的信道状态信息。
作为一个优选的实施例,接入决策的第一个子网络采用输出值为离散值的Actor-Critic网络。
作为一个优选的实施例,功率分配的第二个子网络采用输出值为连续值的Actor-Critic网络。
作为一个优选的实施例,将第二个子网络输出为接入的无线通信设备的信道状态向量的值保持不变,输出为不接入的无线通信设备的信道状态向量的值取相反数之后,作为第二个子网络的输入。
作为另一个优选的实施例,将第二个子网络输出为接入的无线通信设备的信道状态向量的值保持不变,输出为不接入的无线通信设备的信道状态向量的值取0,作为第二个子网络的输入。
作为一个优选的实施例,第一个子网络与第二个子网路初始的学习率相同,可以表示为:
η1(t)=1-(1-β)1+Φ(t),
其中,β为小于1的预设正数,为与当前训练时隙t成正比的函数,Tep为与总训练时隙成正相关的预设系数。
步骤S13、对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻。
具体地,对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻,包括:从所述第一处理网络的若干连接的子网络中,依次提取一个子网络对应的第一损失函数值进行聚类,从所述第一损失函数值在收敛前、损失值波动和收敛后中对应的聚类结果中,至少得到两个,直到遍历完所有子网络;根据得到的所有聚类结果对应的通信时隙区间,对所述第一通信时隙进行划分,得到若干划分时刻。
本发明采用通过对损失函数值进行聚类,来描述损失函数值的收敛情况和波动情况,从而能够精确调整学习率,进而能够提高无线通信网络数据处理效率。
具体地,依次提取一个子网络对应的第一损失函数值进行聚类,包括:按照若干子网络的串联拓扑连接关系,先从若干子网络中选取进行无线设备接入预测的第一子网络对应的第二损失函数值进行聚类,以使训练后得到训练好的第二子网络;在选取进行无线设备资源分配的第三子网络对应的第三损失函数进行聚类,以使得到训练好的第四子网络;其中,所述第三子网络的输入包括所述第一子网络的输入。
作为一个优选的实施例,取进行接入决策的第一个子网络的损失函数,包括执行者(Actor)损失函数和评论家(Critic)损失函数,分别对执行者损失函数和评论家损失函数进行聚类,可以得到若干聚类结果;其中每个聚类结果都表示损失函数值波动情况,最大聚类的损失函数值表示损失函数值处于学习的过程,此时学习率应该取一个较小的数值,最小聚类的损失函数值表示损失函数值已经收敛,损失函数值稳定,而其他处于最大聚类和最小聚类之间的损失函数值有波动,此时学习率偏高,应该降低学习率,以提高神经网络的学习质量。
作为一个优选的实施例,取进行功率分配的第二个子网络的损失函数,也包括执行者(Actor)损失函数和评论家(Critic)损失函数,分别对执行者损失函数和评论家损失函数进行聚类,同样地,可以得到若干聚类结果;同样地,最大聚类的损失函数值表示损失函数值处于学习的过程,此时学习率应该取一个较小的数值,最小聚类的损失函数值表示损失函数值已经收敛,损失函数值稳定,而其他处于最大聚类和最小聚类之间的损失函数值有波动,此时学习率偏高,应该降低学习率,以提高神经网络的学习质量。
作为一个优选的实施例,损失函数值对应的曲线,可以包含多段或者1段学习过程。
作为另一个优选的实施例,损失函数值对应的曲线,可以包含多段、没有或者1段波动过程。
作为另一个优选的实施例,损失函数值对应的曲线,可以包含多段或者1段收敛过程。
步骤S14、根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,并根据得到的第二学习率,对所述第一处理网络进行训练,以使根据训练好的第二处理网络为通信设备传输数据。
其中,根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,包括:从所述第一处理网络中依次获取对应子网络,并对所述第一通信时隙按照从小到大的顺序,从所述若干划分时刻中选取所述对应子网络的待用划分时刻;获取所述待划分时刻对应的第二学习率,当存在待划分时刻前一时刻的第三学习率时,且所述第三学习率对应第一损失值小于所述第二学习率对应第二损失值时,以所述第三学习率为固定的学习率替换初始的第一学习率;否则,以所述第二学习率为固定的学习率替换初始的第一学习率;根据所述第三学习率或者所述第二学习率对所述对应子网络进行参数更新,直到取完所有待用划分时刻。
本发明采用依次遍历所有子网络,并按照划分时刻对每个子网络初始的第一学习率进行调整,能够从整体上调整第一处理网络中多个子网络的学习率,相比于通过单独调整某一局部子网络或者采用固定学习率的现有技术,本发明能够为不同的子网络同时调整学习率,从而能够对包含多个串联连接的子网络同时提高学习质量,能够得到全局最优解,进而能够提高无线通信网络数据处理效率。
作为一个优选的实施例,当存在待划分时刻前一时刻的第三学习率时,且所述第三学习率对应第一损失值小于所述第二学习率对应第二损失值时,以所述第三学习率为对应通信时隙区间上固定的学习率替换初始的第一学习率。
作为一个优选的实施例,当不存在待划分时刻前一时刻的第三学习率时,或者所述第三学习率对应第一损失值不小于所述第二学习率对应第二损失值时,以所述第二学习率为对应通信时隙区间上固定的学习率替换初始的第一学习率。
作为一个优选的实施例,在第一个子网络中的执行者网络对应第二学习率可以表示为:
其中,η1,2(Tk)为第一个子网络中的执行者网络在第k个划分时刻对应的通信时隙区间Tk上的第二学习率,为第一个子网络中的执行者网络在第k个划分时刻对应的通信时隙区间上的损失值的平均值,/>为第一个子网络中的执行者网络在第k-1个划分时刻对应的通信时隙区间上的损失值的平均值,k从1开始取正整数。
同样地,可以获取到第一个子网络的评论家网络对应的第二学习率,以及第二个子网络的执行者网络对应第二学习率和评论家网络对应的第二学习率。
具体地,根据训练好的第二处理网络获取无线通信网络实时的资源分配决策,包括:获取N个无线设备实时的第二设备状态信息和第二信道资源块,并根据所述第二设备状态信息和所述第二信道资源块,获取第二信道状态信息;将所述第二信道状态信息作为训练好的第二处理网络的输入,得到N个无线设备实时的资源分配决策,根据所述资源分配决策接入无线设备,并分配对应的功率进行数据传输;其中,第二处理网络包括训练好的第二子网络和第四子网络,将第二信道状态信息作为所述第二子网络的输入,得到所述N个无线设备实时的接入决策,并将接入决策与所述第二信道状态信息进行结合,作为所述第四子网络的输入,得到所述资源分配决策。
值得说明的是,基站作为数字孪生体能够响应无线设备的数据请求,从而根据分配的功率下传数据给接入到无线通信网络中的无线设备。值得注意的是,无线通信网络为下行的通信网络。
作为一个优选的实施例,处理网络为一个包含多个子网络的神经网络,当处理网络包含一个子网络时,可以为一个同时处理离散和连续决策的混合决策网络。
作为一个优选的实施例,当处理网络为混合决策网络时,混合决策网络为深度强化学习网络,深度强化学习网络同时输出接入决策和功率分配决策,包括:将得到的多个无线设备的信道状态向量作为深度强化学习网络的输入,输出的评价值为包含接入信道的第一评价值和不接入信道的第二评价值,可以得到每个无线设备的第一评价值和第二评价值,依次为多个无线设备从对应的第一评价值和第二评价值中,选择评价值最大的作为接入决策,其评价值为[0,1]内的小数作为功率分配决策。
值得说明的是,若不接入到无线通信网络当中,虽然为无线设备分配了功率,但是基站仍然不发送数据。
作为一个优选的实施例,处理网络可以包含一个子网络或者多个子网络。
作为一个优选的实施例,当使用混合决策且只有一个子网络时,采用基于策略的REINFORCE网络,或者基于Q值的深度Q网络、基于评价动作和决策的确定性策略梯度网络或者近端策略优化算法网络作为混合决策网络。
作为一个优选的实施例,处理网络包含多个子网络时,子网络可以采用相同或者不同的网络进行级联。
作为一个优选的实施例,处理网络包含多个子网络时,子网络可以不进行级联,通过得到的信道状态向量作为多个子网络的输入,分别得到对应的输出。
作为一个优选的是实施例,处理网络包含多个子网络时,除了采用执行者-评论家的网络级联外,还可以采用深度Q网络、确定性策略梯度网络或者近端策略优化算法网络做任意组合的级联,或者进行单独的资源控制。
本发明采用通过多个无线设备对应的设备状态信息,建立基于数字孪生的无线通信网络,能够对无线设备进行虚拟化,并通过根据第一次训练得到的损失函数值进行聚类,能够获得损失函数值的聚类情况,便于对损失函数值对应的初始的学习率进行调整,从而提高控制处理网络对基于数字孪生的无线通信数据处理的精度,从而提高无线通信网络数据处理效率。
实施例二,参见图3,是本发明实施例提供的损失函数值聚类示意图。图中,根据初始的学习率进行第一次训练后得到的损失函数值的曲线变化,根据对初始的学习率进行聚类,可以得到6种聚类结果,最后一处的第六聚类结果为收敛阶段,第一处的第一聚类结果和第二处的第二聚类结果均为学习过程,第三段的第三聚类结果也为收敛阶段,但是由于学习率在后面的训练中逐渐增大,导致学习效果差,出现了第四处的第四聚类结果和第五处的聚类结果的损失函数值波动。
值得说明的是,本发明采用先使用较小的学习率保障处理网络能够学习到更多的特征,而后在此基础上,再采用较大的学习率保障能够提高处理网络的处理效率,因为学习效率越小处理网络运行越慢,因此,采用将学习率逐渐增大的方式调整处理网络整体的学习效果,既能够保证训练前期学到有用的特征,又能够保障训练后期加快训练效率,提高数据处理能力。
值得说明的是,获取到损失函数值后,基站作为数字孪生体对损失函数值进行预处理,包括:对损失函数值去噪,并将噪声前后的损失函数值均值作为填充点进行噪点填充,得到第一预处理结果;其中,去噪的处理包括:3-σ去噪或者移位中位数去噪;对第一预处理结果进行数据标准化,得到标准化处理后的第二预处理结果,按照预设步长,获取数值特征获取的曲线特征值;曲线特征值包括:波动率、偏度、峰度、方差、标准差和变异系数,以及全距;将曲线特征值作为聚类算法的输入,进行多分类,并根据得到的聚类结果对学习率进行调整;根据调整后的学习率进行训练,并重复调整学习率的过程,直到达到迭代阈值后,得到最终的损失函数值的聚类结果。
值得说明的是,图3是根据对第二预处理结果进行多次迭代之后,才得到的光滑的损失函数值的分类结果。
参见图4,是本发明实施例提供的损失函数值聚类的流程示意图,包括步骤S41~S50,具体为:
步骤S41、将处理网络中的子网络存入未遍历集合中。
步骤S42、从未遍历集合中选择一个子网络的损失函数值。
步骤S43、对损失函数值去噪,并将噪声前后的损失函数值均值作为填充点进行噪点填充,得到第一预处理结果。
步骤S44、对第一预处理结果进行数据标准化,得到标准化处理后的第二预处理结果,按照预设步长,获取数值特征获取的曲线特征值。
步骤S45、将曲线特征值作为聚类算法的输入,进行多分类,得到聚类结果,并根据聚类结果调整学习率,将选择的子网络从未遍历集合中去除。
步骤S46、记录当前遍历的子网络调整后的学习率。
步骤S47、判断未遍历集合是否为空,若不为空,则进入步骤S48,否则进入步骤S42。
步骤S48、判断迭代次数是否达到迭代阈值,若代次数未达到迭代阈值,则进入步骤S49;否则进入步骤S50。
步骤S49、根据调整后的学习率进行训练,得到损失函数值,并进入步骤S40。
步骤S50、输出处理网络中调整后所有的学习率。
作为一个优选的实施例,预设步长为每5个训练时隙,取一次曲线特征值。
作为一个优选的实施例,从第二预处理结果每次取不覆盖的5个损失函数值,并获取损失函数值最大值与损失函数值最小值,根据损失函数值最大值与损失函数值最小值的差值,得到全距。
作为一个优选的实施例,峰度可以表示为:
其中,为标准正态分布的峰度,/>为损失函数值,/>为预设步长,μ和σ分别为按照预设步长获取的多个损失函数值的均值和标准差。
作为一个优选的实施例,偏度可以表示为:
作为一个优选的实施例,波动率是在预设步长下,从第二预处理结果提取多个损失函数值的第一分位值与第二分位值的差值。
作为一个优选的实施例,第一分位值为0.8,第二分位值为0.2。
作为一个优选的实施例,变异系数可以表示为在预设步长下,从第二预处理结果提取多个损失函数值的标准差与均值的比值。
作为一个优选的实施例,方差和标准差都为在预设步长下,从第二预处理结果提取多个损失函数值的取得的。
作为一个优选的实施例,对处理网络的子网络均采用相同的损失函数值的曲线特征值提取方式,并依次将对应的将曲线特征值作为聚类算法的输入,进行多分类后,根据对应的聚类结果进行迭代更新图2展示的为6分类结果,以使根据得到的聚类结果调整学习率。
参见图5,是本发明实施例提供的一种数字孪生的数据处理系统的结构示意图,包括:建立无线通信网络模块41、第一训练模块42、聚类模块43和第二训练模块44。
值得说明的是,建立无线通信网络模块41用于建立包含多个无线设备和以基站为数字孪生体的无线通信网络,并将无线通信网络传输给第一训练模块42;第一训练模块42根据接收的无线通信网络的优化目标及约束条件进行训练,得到在初始的学习率下的损失函数值,并将损失函数值传输给聚类模块43;聚类模块43根据接收的损失函数值进行聚类,并为初始的学习率进行调整,将得到的调整后的学习率传输给第二训练模块44;第二训练模块44根据接收的调整后的学习率进行第二次训练,以使根据训练好的处理网络对多个无线设备进行接入和进行数据传输。
建立无线通信网络模块41,用于在预设的第一通信时隙开始前,分别获取N个等待接入和分配功率的无线设备对应的第一设备状态信息,并根据所述第一设备状态信息,建立基于数字孪生的无线通信网络;其中,N为正整数。
其中,根据所述第一设备状态信息,建立基于数字孪生的无线通信网络,包括:获取最小通信成功速率和带宽信息,并与所述无线设备对应的第一设备状态,对所述无线设备进行虚拟化,在基站的服务器处建立基于非正交多址技术的数字孪生的无线通信网络;其中,通过所述无线设备的分配功率从大到小进行解码,将得到的解码通过的无线设备速率总和作为所述无线通信网络的即时奖励。
所述无线通信网络的优化目标为最大化解码通过的无线设备速率总和,所述优化目标可以表示为:
其中,为分配给无线设备N的功率ρN与随机噪声/>的比值,/>为分配给无线设备i的功率pi与随机噪声/>的比值,/>为分配给无线设备j的功率pj与随机噪声/>的比值,ωi、ωj和ωN分别为无线设备i、无线设备j和无线设备N的接入决策,gi=|h|2βi为无线设备i的第一信道状态信息,gj=|h|2βj为无线设备i的第一信道状态信息,gN=|h|2βN为无线设备N的第一信道状态信息,h为当前训练时隙下的第一信道资源块,βi和βj分别为无线设备i、无线设备j和无线设备N的大规模衰落因子。
所述优化目标的约束条件可以表示为:
C1:0≤pi≤pmax,
C2:ωi∈{0,1},
C3:ri≥rth,
其中,C1-C4分别为功率上下限约束、接入约束、解码通过约束和总功率约束,pmax、ri和rth分别为最大可分配的功率阈值、实际速率和最小解码通过速率阈值。
第一训练模块42,用于根据所述第一设备状态信息,获取所述无线通信网络在初始的第一处理网络中经过若干次训练后的损失函数。
聚类模块43,用于对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻。
具体地,对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻,包括:从所述第一处理网络的若干连接的子网络中,依次提取一个子网络对应的第一损失函数值进行聚类,从所述第一损失函数值在收敛前、损失值波动和收敛后中对应的聚类结果中,至少得到两个,直到遍历完所有子网络;根据得到的所有聚类结果对应的通信时隙区间,对所述第一通信时隙进行划分,得到若干划分时刻。
具体地,依次提取一个子网络对应的第一损失函数值进行聚类,包括:按照若干子网络的串联拓扑连接关系,先从若干子网络中选取进行无线设备接入预测的第一子网络对应的第二损失函数值进行聚类,以使训练后得到训练好的第二子网络;在选取进行无线设备资源分配的第三子网络对应的第三损失函数进行聚类,以使得到训练好的第四子网络;其中,所述第三子网络的输入包括所述第一子网络的输入。
第二训练模块44,用于根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,并根据得到的第二学习率,对所述第一处理网络进行训练,以使根据训练好的第二处理网络为通信设备传输数据。
其中,根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,包括:从所述第一处理网络中依次获取对应子网络,并对所述第一通信时隙按照从小到大的顺序,从所述若干划分时刻中选取所述对应子网络的待用划分时刻;获取所述待划分时刻对应的第二学习率,当存在待划分时刻前一时刻的第三学习率时,且所述第三学习率对应第一损失值小于所述第二学习率对应第二损失值时,以所述第三学习率为固定的学习率替换初始的第一学习率;否则,以所述第二学习率为固定的学习率替换初始的第一学习率;根据所述第三学习率或者所述第二学习率对所述对应子网络进行参数更新,直到取完所有待用划分时刻。
具体地,根据训练好的第二处理网络获取无线通信网络实时的资源分配决策,包括:获取N个无线设备实时的第二设备状态信息和第二信道资源块,并根据所述第二设备状态信息和所述第二信道资源块,获取第二信道状态信息;将所述第二信道状态信息作为训练好的第二处理网络的输入,得到N个无线设备实时的资源分配决策,根据所述资源分配决策接入无线设备,并分配对应的功率进行数据传输;其中,第二处理网络包括训练好的第二子网络和第四子网络,将第二信道状态信息作为所述第二子网络的输入,得到所述N个无线设备实时的接入决策,并将接入决策与所述第二信道状态信息进行结合,作为所述第四子网络的输入,得到所述资源分配决策。
本发明采用通过多个无线设备对应的设备状态信息,建立基于数字孪生的无线通信网络,能够对无线设备进行虚拟化,并通过根据第一次训练得到的损失函数值进行聚类,能够获得损失函数值的聚类情况,便于对损失函数值对应的初始的学习率进行调整,从而提高控制处理网络对基于数字孪生的无线通信数据处理的精度,从而提高无线通信网络数据处理效率;此外,能够根据具体的应用系统对数字孪生的无线通信进行数据处理,具有较高的实用性。
本领域内的技术人员应明白,本申请的实施例还可提供包括计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种数字孪生的数据处理方法,其特征在于,包括:
在预设的第一通信时隙开始前,分别获取N个等待接入和分配功率的无线设备对应的第一设备状态信息,并根据所述第一设备状态信息,建立基于数字孪生的无线通信网络;其中,N为正整数;
根据所述第一设备状态信息,获取所述无线通信网络在初始的第一处理网络中经过若干次训练后的损失函数;
对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻;
根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,并根据得到的第二学习率,对所述第一处理网络进行训练,以使根据训练好的第二处理网络为通信设备传输数据。
2.如权利要求1所述的数字孪生的数据处理方法,其特征在于,所述对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻,包括:
从所述第一处理网络的若干连接的子网络中,依次提取一个子网络对应的第一损失函数值进行聚类,从所述第一损失函数值在收敛前、损失值波动和收敛后中对应的聚类结果中,至少得到两个,直到遍历完所有子网络;
根据得到的所有聚类结果对应的通信时隙区间,对所述第一通信时隙进行划分,得到若干划分时刻。
3.如权利要求2所述的数字孪生的数据处理方法,其特征在于,所述依次提取一个子网络对应的第一损失函数值进行聚类,包括:
按照若干子网络的串联拓扑连接关系,先从若干子网络中选取进行无线设备接入预测的第一子网络对应的第二损失函数值进行聚类,以使训练后得到训练好的第二子网络;
在选取进行无线设备资源分配的第三子网络对应的第三损失函数进行聚类,以使得到训练好的第四子网络;其中,所述第三子网络的输入包括所述第一子网络的输入。
4.如权利要求1所述的数字孪生的数据处理方法,其特征在于,所述根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,包括:
从所述第一处理网络中依次获取对应子网络,并对所述第一通信时隙按照从小到大的顺序,从所述若干划分时刻中选取所述对应子网络的待用划分时刻;
获取所述待划分时刻对应的第二学习率,当存在待划分时刻前一时刻的第三学习率时,且所述第三学习率对应第一损失值小于所述第二学习率对应第二损失值时,以所述第三学习率为固定的学习率替换初始的第一学习率;
否则,以所述第二学习率为固定的学习率替换初始的第一学习率;
根据所述第三学习率或者所述第二学习率对所述对应子网络进行参数更新,直到取完所有待用划分时刻。
5.如权利要求1所述的数字孪生的数据处理方法,其特征在于,所述根据所述第一设备状态信息,建立基于数字孪生的无线通信网络,包括:
获取最小通信成功速率和带宽信息,并与所述无线设备对应的第一设备状态,对所述无线设备进行虚拟化,在基站的服务器处建立基于非正交多址技术的数字孪生的无线通信网络;其中,通过所述无线设备的分配功率从大到小进行解码,将得到的解码通过的无线设备速率总和作为所述无线通信网络的即时奖励。
6.如权利要求5所述的数字孪生的数据处理方法,其特征在于,所述无线通信网络的优化目标为最大化解码通过的无线设备速率总和,所述优化目标可以表示为:
其中,为分配给无线设备N的功率ρN与随机噪声/>的比值,/>为分配给无线设备i的功率pi与随机噪声/>的比值,/>为分配给无线设备j的功率pj与随机噪声/>的比值,ωi、ωj和ωN分别为无线设备i、无线设备j和无线设备N的接入决策,gi=|h|2βi为无线设备i的第一信道状态信息,gj=|h|2βj为无线设备i的第一信道状态信息,gN=|h|2βN为无线设备N的第一信道状态信息,h为当前训练时隙下的第一信道资源块,βi和βj分别为无线设备i、无线设备j和无线设备N的大规模衰落因子。
7.如权利要求5所述的数字孪生的数据处理方法,其特征在于,所述优化目标的约束条件可以表示为:
C1:0≤pi≤pmax,
C2:ωi∈{0,1},
C3:ri≥rth,
其中,C1-C4分别为功率上下限约束、接入约束、解码通过约束和总功率约束,pmax、ri和rth分别为最大可分配的功率阈值、实际速率和最小解码通过速率阈值。
8.如权利要求1所述的数字孪生的数据处理方法,其特征在于,所述以使根据训练好的第二处理网络为通信设备传输数据,包括:
获取N个无线设备实时的第二设备状态信息和第二信道资源块,并根据所述第二设备状态信息和所述第二信道资源块,获取第二信道状态信息;
将所述第二信道状态信息作为训练好的第二处理网络的输入,得到N个无线设备实时的资源分配决策,根据所述资源分配决策接入无线设备,并分配对应的功率进行数据传输;
其中,第二处理网络包括训练好的第二子网络和第四子网络,将第二信道状态信息作为所述第二子网络的输入,得到所述N个无线设备实时的接入决策,并将接入决策与所述第二信道状态信息进行结合,作为所述第四子网络的输入,得到所述资源分配决策。
9.一种数字孪生的数据处理系统,其特征在于,包括:
建立无线通信网络模块,用于在预设的第一通信时隙开始前,分别获取N个等待接入和分配功率的无线设备对应的第一设备状态信息,并根据所述第一设备状态信息,建立基于数字孪生的无线通信网络;其中,N为正整数;
第一训练模块,用于根据所述第一设备状态信息,获取所述无线通信网络在初始的第一处理网络中经过若干次训练后的损失函数;
聚类模块,用于对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻;
第二训练模块,用于根据所述若干划分时刻,对第一处理网络初始的第一学习率进行调整,并根据得到的第二学习率,对所述第一处理网络进行训练,以使根据训练好的第二处理网络为通信设备传输数据。
10.如权利要求9所述的的数据处理系统,其特征在于,所述对所述损失函数的损失值进行聚类,得到若干聚类结果,并根据聚类结果的通信时刻划分所述第一通信时隙,对应得到若干划分时刻,包括:
从所述第一处理网络的若干连接的子网络中,依次提取一个子网络对应的第一损失函数值进行聚类,从所述第一损失函数值在收敛前、损失值波动和收敛后中对应的聚类结果中,至少得到两个,直到遍历完所有子网络;
根据得到的所有聚类结果对应的通信时隙区间,对所述第一通信时隙进行划分,得到若干划分时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213298.XA CN117479306B (zh) | 2023-09-20 | 2023-09-20 | 一种数字孪生的数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213298.XA CN117479306B (zh) | 2023-09-20 | 2023-09-20 | 一种数字孪生的数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117479306A true CN117479306A (zh) | 2024-01-30 |
CN117479306B CN117479306B (zh) | 2024-04-30 |
Family
ID=89633808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311213298.XA Active CN117479306B (zh) | 2023-09-20 | 2023-09-20 | 一种数字孪生的数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117479306B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114125785A (zh) * | 2021-11-18 | 2022-03-01 | 清华大学 | 数字孪生网络低时延高可靠传输方法、装置、设备及介质 |
CN114417095A (zh) * | 2021-12-14 | 2022-04-29 | 奇安信科技集团股份有限公司 | 一种数据集划分方法及装置 |
CN115238568A (zh) * | 2022-06-16 | 2022-10-25 | 国网河北省电力有限公司经济技术研究院 | 一种数字孪生模型构建方法、装置及终端设备 |
WO2022235297A1 (en) * | 2021-05-07 | 2022-11-10 | Bentley Systems Incorporated | Classifying elements and predicting properties in an infrastructure model through prototype networks and weakly supervised learning |
CN115623575A (zh) * | 2022-10-20 | 2023-01-17 | 杭州电子科技大学 | 一种cr-noma场景下的功率分配方法 |
CN116782296A (zh) * | 2023-05-29 | 2023-09-19 | 南京理工大学 | 一种基于数字孪生的车联网边缘计算卸载多目标决策方法 |
-
2023
- 2023-09-20 CN CN202311213298.XA patent/CN117479306B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022235297A1 (en) * | 2021-05-07 | 2022-11-10 | Bentley Systems Incorporated | Classifying elements and predicting properties in an infrastructure model through prototype networks and weakly supervised learning |
CN114125785A (zh) * | 2021-11-18 | 2022-03-01 | 清华大学 | 数字孪生网络低时延高可靠传输方法、装置、设备及介质 |
CN114417095A (zh) * | 2021-12-14 | 2022-04-29 | 奇安信科技集团股份有限公司 | 一种数据集划分方法及装置 |
CN115238568A (zh) * | 2022-06-16 | 2022-10-25 | 国网河北省电力有限公司经济技术研究院 | 一种数字孪生模型构建方法、装置及终端设备 |
CN115623575A (zh) * | 2022-10-20 | 2023-01-17 | 杭州电子科技大学 | 一种cr-noma场景下的功率分配方法 |
CN116782296A (zh) * | 2023-05-29 | 2023-09-19 | 南京理工大学 | 一种基于数字孪生的车联网边缘计算卸载多目标决策方法 |
Non-Patent Citations (1)
Title |
---|
G.M. SHAFIQUR RAHMAN: "面向时延最小化的雾无线接入网络资源分配优化方法", CNKI博士学位论文全文库, 15 January 2022 (2022-01-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117479306B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110839184B (zh) | 基于流量预测的移动前传光网络带宽调整方法及装置 | |
CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
CN111628855B (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
CN112105062B (zh) | 时敏条件下移动边缘计算网络能耗最小化策略方法 | |
WO2019184836A1 (zh) | 数据分析设备、多模型共决策系统及方法 | |
CN111711666B (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
EP4350572A1 (en) | Method, apparatus and system for generating neural network model, devices, medium and program product | |
CN114065863B (zh) | 联邦学习的方法、装置、系统、电子设备及存储介质 | |
US11343155B2 (en) | Machine learning algorithms for quality of service assurance in network traffic | |
CN115374853A (zh) | 基于T-Step聚合算法的异步联邦学习方法及系统 | |
CN116916386A (zh) | 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法 | |
CN113692052A (zh) | 一种网络边缘机器学习训练方法 | |
CN117479306B (zh) | 一种数字孪生的数据处理方法及系统 | |
Sharara et al. | A recurrent neural network based approach for coordinating radio and computing resources allocation in cloud-ran | |
CN117202264A (zh) | Mec环境中面向5g网络切片的计算卸载方法 | |
CN114500561B (zh) | 电力物联网网络资源分配决策方法、系统、设备及介质 | |
US20230123074A1 (en) | Machine learning-based approaches for service function chain selection | |
CN111813538B (zh) | 一种边缘计算资源分配方法 | |
CN115292361A (zh) | 一种分布式能源异常数据的筛选方法及系统 | |
CN115086992A (zh) | 一种分布式语义通信系统以及带宽资源分配方法及装置 | |
CN114548421A (zh) | 一种针对联邦学习通信开销的优化处理方法及装置 | |
CN115225478B (zh) | 网络切片动态配置方法、装置、电子设备及存储介质 | |
CN116582855B (zh) | 一种基于深度强化学习的5g-tsn融合网络切片管理方法及系统 | |
CN117042051B (zh) | 一种车联网中任务卸载策略生成方法、系统、设备及介质 | |
CN117114113B (zh) | 一种基于排队论的协同推理加速方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |