公开(公告)号：CN112291495B

公开(公告)日：2021-08-03

申请号：CN202011107882.3

申请日：2020-10-16

Applicant: 厦门大学

Inventor： 肖亮 ,  林海彬 ,  肖奕霖 ,  林紫涵

IPC: H04N7/10 ,  H04N21/2343

Abstract: 一种基于强化学习的无线视频低时延抗干扰传输方法，涉及无线通信、计算机和信息安全领域。提供利用强化学习算法动态改变视频传输策略，以适应无线信道环境的变化，降低通信的误码率及通信数据时延，保障用户接收到的视频质量的一种基于强化学习的无线视频低时延抗干扰传输方法。网络初始化及参量定义：针对WiFi或其它无线通信系统，无需预知信道模型，对信道进行估计及信号强度监测，通过强化学习算法获取最优的视频传输策略。该方法可适应动态变化的无线环境，降低误码率、通信时延，提高用户接收的视频质量。

公开(公告)号：CN109919034A

公开(公告)日：2019-06-21

申请号：CN201910099724.9

申请日：2019-01-31

Applicant: 厦门大学

Inventor： 郑灵翔 ,  党心悦 ,  林欣 ,  韩泽宇 ,  江俊毅 ,  林紫涵

IPC: G06K9/00 ,  G06N3/04 ,  A63B24/00

Abstract: 本发明涉及一种肢体动作识别与纠正辅助训练系统及方法，其利用仿真产生的大数据集训练深度神经网络，再使用真实采集的数据进行迁移学习，进而建立准确的动作姿势分析神经网络模型；同时，本发明仅利用单一的惯性传感器获取训练者的双脚传感器数据或双手传感器数据，并将该双脚或双手传感器数据的时间序列作为跑步识别模型的输入，从而分析出训练者在运动过程中存在的姿势不规范的问题并给出纠正建议，能够在一定程度上帮助训练者预防、减轻运动损伤，帮助训练者培养良好的运动姿势。

公开(公告)号：CN113364543B

公开(公告)日：2022-03-15

申请号：CN202110620727.X

申请日：2021-06-03

Applicant: 厦门大学

Inventor： 肖亮 ,  许诗雨 ,  洪思愿 ,  林紫涵 ,  冯玮

IPC: H04B17/391 ,  H04B17/345 ,  H04W16/22 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于联邦强化学习的边缘计算模型训练方法，涉及无线通信和信息安全。1)检测信号覆盖范围内的移动设备数量，构建卷积神经网络，初始化参数；2)将各移动设备的参数组成状态向量输入卷积神经网络中，得选择的移动设备和训练数据量；3)将全局模型参数和选择的数据量发送给移动设备，接收移动设备的本地模型参数，更新全局模型参数；4)根据各移动设备的训练时间、目标识别精度和能量消耗作为奖励值，更新状态向量、存储向量；5)从内存中随机选取存储的向量更新卷积神经网络的权重参数；6)重复2)～5)至移动设备反馈的目标识别精度的平均值大于所需的目标识别精度。提高T秒内目标识别精度，减少训练时间和移动设备能量消耗。

公开(公告)号：CN113364543A

公开(公告)日：2021-09-07

申请号：CN202110620727.X

申请日：2021-06-03

Applicant: 厦门大学

Inventor： 肖亮 ,  许诗雨 ,  洪思愿 ,  林紫涵 ,  冯玮

IPC: H04B17/391 ,  H04B17/345 ,  H04W16/22 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于联邦强化学习的边缘计算模型训练方法，涉及无线通信和信息安全。1)检测信号覆盖范围内的移动设备数量，构建卷积神经网络，初始化参数；2)将各移动设备的参数组成状态向量输入卷积神经网络中，得选择的移动设备和训练数据量；3)将全局模型参数和选择的数据量发送给移动设备，接收移动设备的本地模型参数，更新全局模型参数；4)根据各移动设备的训练时间、目标识别精度和能量消耗作为奖励值，更新状态向量、存储向量；5)从内存中随机选取存储的向量更新卷积神经网络的权重参数；6)重复2)～5)至移动设备反馈的目标识别精度的平均值大于所需的目标识别精度。提高T秒内目标识别精度，减少训练时间和移动设备能量消耗。

公开(公告)号：CN112291495A

公开(公告)日：2021-01-29

申请号：CN202011107882.3

申请日：2020-10-16

Applicant: 厦门大学

Inventor： 肖亮 ,  林海彬 ,  肖奕霖 ,  林紫涵

IPC: H04N7/10 ,  H04N21/2343

Abstract: 一种基于强化学习的无线视频低时延抗干扰传输方法，涉及无线通信、计算机和信息安全领域。提供利用强化学习算法动态改变视频传输策略，以适应无线信道环境的变化，降低通信的误码率及通信数据时延，保障用户接收到的视频质量的一种基于强化学习的无线视频低时延抗干扰传输方法。网络初始化及参量定义：针对WiFi或其它无线通信系统，无需预知信道模型，对信道进行估计及信号强度监测，通过强化学习算法获取最优的视频传输策略。该方法可适应动态变化的无线环境，降低误码率、通信时延，提高用户接收的视频质量。