检索结果-维普期刊中文期刊服务平台

工业物联网中数字孪生辅助任务卸载算法被引量：3: 1; 作者唐伦单贞贞 +2 位作者文明艳李荔陈前斌《电子与信息学报》 EI CAS CSCD 北大核心 2024年第4期1296-1305,共10页; 针对工业物联网(IIoT)设备资源有限和边缘服务器资源动态变化导致的任务协同计算效率低等问题,该文提出一种工业物联网中数字孪生(DT)辅助任务卸载算法。首先,该算法构建了云-边-端3层数字孪生辅助任务卸载框架,在所创建的数字孪生层中... 展开更多; 关键词工业物联网数字孪生边缘关联任务划分深度强化学习; 在线阅读下载PDF 职称材料

数字孪生辅助联邦学习中的边缘选择和资源分配联合优化被引量：1: 2; 作者唐伦文明艳 +1 位作者单贞贞陈前斌《电子与信息学报》 EI CAS CSCD 北大核心 2024年第4期1343-1352,共10页; 在基于联邦学习的智能驾驶中,智能网联汽车(ICV)的资源限制和可能出现的设备故障会导致联邦学习训练精度下降、时延和能耗增加等问题。为此该文提出数字孪生辅助联邦学习中的边缘选择和资源分配优化方案。该方案首先提出数字孪生辅助联... 展开更多; 关键词智能驾驶联邦学习数字孪生深度强化学习; 在线阅读下载PDF 职称材料

移动边缘计算辅助智能驾驶中基于高效联邦学习的碰撞预警算法被引量：2: 3; 作者唐伦文明艳 +1 位作者单贞贞陈前斌《电子与信息学报》 EI CSCD 北大核心 2023年第7期2406-2414,共9页; 智能驾驶中的碰撞避免任务存在对时延要求极高和隐私保护等挑战。首先,该文提出一种基于自适应调整参数的半异步联邦学习(SFLAAP)的门控循环单元联合支持向量机(GRU_SVM)碰撞多级预警算法,SFLAAP可根据训练和资源情况动态调整两个训练参... 展开更多; 关键词碰撞预警联邦学习移动边缘计算异步优势演员-评论家算法; 在线阅读下载PDF 职称材料

EnOcean技术的研究现状及展望被引量：1: 4; 作者崔凯宋文飞 +3 位作者陈蔚文明艳曾湘湘张俊《数字技术与应用》 2019年第3期40-42,共3页; EnOcean技术是一种新型无线通信技术,具有能量采集、超低功耗模块组与高质量通信的优点。本文主要阐述了EnOcean技术的系统原理和发展历史,并介绍了EnOcean技术的通信原理与主要特点,最后分析了EnOcean技术的未来发展趋势。; 关键词 EnOcean技术无线通信能量采集低功耗; 在线阅读下载PDF 职称材料

题名工业物联网中数字孪生辅助任务卸载算法被引量：3: 1; 作者唐伦单贞贞文明艳李荔陈前斌; 机构重庆邮电大学通信与信息工程学院移动通信技术重庆市重点实验室; 出处《电子与信息学报》 EI CAS CSCD 北大核心 2024年第4期1296-1305,共10页; 基金国家自然科学基金(62071078) 重庆市教委科学技术研究项目(KJZD-M201800601) +1 种基金贵州省教育厅自然科学研究项目(黔教合KY字[2021]236)。; 文摘针对工业物联网(IIoT)设备资源有限和边缘服务器资源动态变化导致的任务协同计算效率低等问题,该文提出一种工业物联网中数字孪生(DT)辅助任务卸载算法。首先,该算法构建了云-边-端3层数字孪生辅助任务卸载框架,在所创建的数字孪生层中生成近似最佳的任务卸载策略。其次,在任务计算时间和能量的约束下,从时延的角度研究了计算卸载过程中用户关联和任务划分的联合优化问题,建立了最小化任务卸载时间和服务失败惩罚的优化模型。最后,提出一种基于深度多智能体参数化Q网络(DMAPQN)的用户关联和任务划分算法,通过每个智能体不断地探索和学习,以获取近似最佳的用户关联和任务划分策略,并将该策略下发至物理实体网络中执行。仿真结果表明,所提任务卸载算法有效降低了任务协同计算时间,同时为每个计算任务提供近似最佳的卸载策略。; 关键词工业物联网数字孪生边缘关联任务划分深度强化学习; Keywords Industrial Internet of Things(IIoT) Digital Twins(DT) Edge association Division of tasks Deep reinforcement learning; 分类号 TN929.5 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名数字孪生辅助联邦学习中的边缘选择和资源分配联合优化被引量：1: 2; 作者唐伦文明艳单贞贞陈前斌; 机构重庆邮电大学通信与信息工程学院移动通信技术重庆市重点实验室; 出处《电子与信息学报》 EI CAS CSCD 北大核心 2024年第4期1343-1352,共10页; 基金国家自然科学基金(62071078) 重庆市教委科学技术研究项目(KJZD-M201800601) 四川省科技计划(2021YFQ0053)。; 文摘在基于联邦学习的智能驾驶中,智能网联汽车(ICV)的资源限制和可能出现的设备故障会导致联邦学习训练精度下降、时延和能耗增加等问题。为此该文提出数字孪生辅助联邦学习中的边缘选择和资源分配优化方案。该方案首先提出数字孪生辅助联邦学习机制,使得ICV能够选择在本地或利用其数字孪生体参与联邦学习。其次,通过构建数字孪生辅助联邦学习的计算和通信模型,建立以最小化累积训练时延和能耗为目标的边缘选择和资源分配联合优化问题,并将其转化为部分可观测的马尔可夫决策过程。最后,提出基于多智能体参数化Q网络(MPDQN)的边缘选择和资源分配算法,用于学习近似最优的边缘选择和资源分配策略,以实现联邦学习累积时延和能耗最小化。仿真结果表明,所提算法在保证模型精度的同时,有效降低联邦学习累积训练时延和能耗。; 关键词智能驾驶联邦学习数字孪生深度强化学习; Keywords Intelligent driving Federated learning Digital twin Deep reinforcement learning; 分类号 TN929.5 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名移动边缘计算辅助智能驾驶中基于高效联邦学习的碰撞预警算法被引量：2: 3; 作者唐伦文明艳单贞贞陈前斌; 机构重庆邮电大学通信与信息工程学院重庆邮电大学移动通信重点实验室; 出处《电子与信息学报》 EI CSCD 北大核心 2023年第7期2406-2414,共9页; 基金国家自然科学基金(62071078) 四川省科技计划(2021YFQ0053) 重庆市教委科学技术研究项目(KJZD-M201800601)。; 文摘智能驾驶中的碰撞避免任务存在对时延要求极高和隐私保护等挑战。首先,该文提出一种基于自适应调整参数的半异步联邦学习(SFLAAP)的门控循环单元联合支持向量机(GRU_SVM)碰撞多级预警算法,SFLAAP可根据训练和资源情况动态调整两个训练参数:本地训练次数和参与聚合的局部模型数量。然后,为解决资源受限的移动边缘计算(MEC)下碰撞预警模型协作训练的效率问题,根据上述参数与SFLAAP训练时延的关系,建立训练总时延最小化模型,并将其转化为马尔可夫决策过程(MDP)。最后,在所建立的MDP中采用异步优势演员-评论家(A3C)学习求解,自适应地确定最优训练参数,从而减少碰撞预警模型的训练完成时间。仿真结果表明,所提算法有效地降低训练总时延并保证预测精度。; 关键词碰撞预警联邦学习移动边缘计算异步优势演员-评论家算法; Keywords Collision warning Federated Learning(FL) Mobile Edge Computing(MEC) Asynchronous Advantage Actor-Critic(A3C)algorithm; 分类号 TN929.5 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名EnOcean技术的研究现状及展望被引量：1: 4; 作者崔凯宋文飞陈蔚文明艳曾湘湘张俊; 机构南华大学电气工程学院; 出处《数字技术与应用》 2019年第3期40-42,共3页; 基金南华大学2018年度大学生研究性学习与创新性实验计划资助项目(2018XJXZ268); 文摘 EnOcean技术是一种新型无线通信技术,具有能量采集、超低功耗模块组与高质量通信的优点。本文主要阐述了EnOcean技术的系统原理和发展历史,并介绍了EnOcean技术的通信原理与主要特点,最后分析了EnOcean技术的未来发展趋势。; 关键词 EnOcean技术无线通信能量采集低功耗; Keywords EnOcean technologyc wireless communication energy acquisition low power consumption; 分类号 TP31 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	工业物联网中数字孪生辅助任务卸载算法	唐伦单贞贞文明艳李荔陈前斌	《电子与信息学报》 EI CAS CSCD 北大核心	2024	3	在线阅读下载PDF 职称材料
2	数字孪生辅助联邦学习中的边缘选择和资源分配联合优化	唐伦文明艳单贞贞陈前斌	《电子与信息学报》 EI CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
3	移动边缘计算辅助智能驾驶中基于高效联邦学习的碰撞预警算法	唐伦文明艳单贞贞陈前斌	《电子与信息学报》 EI CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料
4	EnOcean技术的研究现状及展望	崔凯宋文飞陈蔚文明艳曾湘湘张俊	《数字技术与应用》	2019	1	在线阅读下载PDF 职称材料