公开(公告)号：CN119485395A

公开(公告)日：2025-02-18

申请号：CN202411535653.X

申请日：2024-10-31

Applicant: 暨南大学

Inventor： 林龙新 ,  刘文烽 ,  陈润铎 ,  王申政

IPC: H04W24/02 ,  H04W72/044 ,  G06N3/048 ,  G06N3/045

Abstract: 本发明公开了一种用于无线供电移动边缘计算网络的智能资源管理方法及系统。该智能资源管理方法及系统构建了注意力机制增强的多任务神经模型，并采用多多任务联合学习训练优化多任务神经模型，对无线供电移动边缘计算网络中的无线信道增益信息进行输入，得到计算决策和资源分配的预测结果，以得到最大化的网络性能。本发明能够高效实现计算卸载决策与资源调度，确保系统在快速变化的环境中保持高性能和低延迟，显著降低了在线决策的计算复杂度，将复杂计算转移至离线训练阶段，适用于资源受限的边缘设备；同时还能够动态监测无线信道增益，以进行任务卸载决策和资源分配，并利用掩码机制有效处理设备状态的动态变化。

公开(公告)号：CN119497153A

公开(公告)日：2025-02-21

申请号：CN202411548529.7

申请日：2024-10-31

Applicant: 暨南大学

Inventor： 林龙新 ,  陈润铎 ,  刘文烽 ,  梁业沛

IPC: H04W28/084 ,  H04W28/08 ,  H04W4/40 ,  G06N3/092 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0499 ,  G06F18/23213

Abstract: 本发明公开了一种车辆边缘计算卸载的深度学习方法，此方法采用改进的Transformer特征提取模型，引入Encoder模块，以增强对车辆特征数据中局部依赖的挖掘，进一步强化了网络的表达能力和泛化能力，提高了卸载决策的准确性和稳定性。通过简化网络，降低了模型的算法复杂度，提升了模型的计算效率。此外，本发明的方法还结合VE‑Kmeans算法和MADDPG网络模型进行训练，从而在保证精确度的情况下，大幅度提升模型的计算速度以及降低内存消耗，提高了车辆计算卸载的实用性和灵活性。