CN116318465B - 一种多源异构网络环境下的边缘计算方法及其*** - Google Patents
一种多源异构网络环境下的边缘计算方法及其*** Download PDFInfo
- Publication number
- CN116318465B CN116318465B CN202310599096.7A CN202310599096A CN116318465B CN 116318465 B CN116318465 B CN 116318465B CN 202310599096 A CN202310599096 A CN 202310599096A CN 116318465 B CN116318465 B CN 116318465B
- Authority
- CN
- China
- Prior art keywords
- lcpu
- local
- processing unit
- module
- local computing
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 87
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- ATCJTYORYKLVIA-SRXJVYAUSA-N vamp regimen Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1.C=1N=C2N=C(N)N=C(N)C2=NC=1CN(C)C1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1.O([C@H]1C[C@@](O)(CC=2C(O)=C3C(=O)C=4C=CC=C(C=4C(=O)C3=C(O)C=21)OC)C(=O)CO)[C@H]1C[C@H](N)[C@H](O)[C@H](C)O1.C([C@H](C[C@]1(C(=O)OC)C=2C(=CC3=C(C45[C@H]([C@@]([C@H](OC(C)=O)[C@]6(CC)C=CCN([C@H]56)CC4)(O)C(=O)OC)N3C=O)C=2)OC)C[C@@](C2)(O)CC)N2CCC2=C1NC1=CC=CC=C21 ATCJTYORYKLVIA-SRXJVYAUSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种多源异构网络环境下的边缘计算方法及其***,所述方法步骤如下:k个本地计算处理单元LCPU通过分布式天线接收到目标信号的本地的观测信号;本地计算处理单元LCPU根据本地的观测信号与对应的观测矩阵构建广义线性模型,通过iGEC算法将广义线性模型转换为图模型进行求解,得到目标信号的局部信息;联合中心FC与本地计算处理单元LCPU进行信息交换,迭代估计得到目标信号的全局信息;本发明提高信号检测的估计准确度,充分运用了LCPU的本地运算资源。
Description
技术领域
本发明涉及无线通信技术领域,更具体的,涉及一种多源异构网络环境下的边缘计算方法及其***。
背景技术
随着5G的推出,无线通信研究团体已经将目光投向B5G领域。B5G的最新趋势之一是在计算精度、延迟和资源利用率之间找到良好的折衷。因此,智能无线传感、通信、计算、缓存和控制等多方面技术的融合是至关重要。设计的技术和协议必须足够灵活,以满足不同领域的需求。虽然B5G仍在讨论中,但学术界和工业界已经达成的共识,即大规模多输入多输出(massive multi-input and multi-output,Massive MIMO)将继续发挥着核心作用。Massive MIMO算法主要包括以下:近似信息传递算法(Approximate message passing,AMP)及其推广的广义近似信息传递算法(Generalized approximate message passing,GAMP)、矢量近似信息传递算法(Vector approximate message passing,VAMP)、广期望一致信息恢复算法(Generalized expectation consistent signal recovery,GEC-SR)以及分布式广义期望一致信息恢复算法(Decentralized generalized expectationconsistent signal recovery,DeGEC-SR)等。
AMP与GAMP为估计独立同分布的目标信号的有效算法,已成功地应用于信号检测的各种研究。然而,GAMP只能适用很少类的观测矩阵。从框架上来说,GAMP为集中式。其即使在分布式天线的情况下,所有信息都必须收集到联合中心(fusion center,FC)进行处理。然而分布式天线是B5G中Massive MIMO的一个有前途的选择,因此AMP和GAMP存在这样的限制肯定是不可取的。
VAMP和GEC-SR为广义线性模型下提出的信号恢复算法,其可适用于一类通用的测量矩阵。然而对于高维的测量矩阵来说,VAMP与GEC-SR均需进行高维的矩阵求逆操作,其计算复杂度极大。虽然GEC-SR的奇异值分解版本可降低计算成本,但是高维的奇异值分解计算仍然是许多应用的瓶颈。
基于GEC-SR的框架,DeGEC-SR为一种分布式算法。DeGEC-SR的FC无需存储高维的测量矩阵,FC的计算负荷也可由本地计算处理单元(local computing processing unit,LCPU)分担,允许在LCPU进行并行处理。然而,当LCPU上的消息经过一次迭代,LCPU就需要同FC进行信息交换。DeGEC-SR没有充分地利用LCPU的本地运算资源。
发明内容
本发明为了解决现有技术中信号检测的估计准确度低的问题,提出了一种多源异构网络环境下的边缘计算***,提高了信号检测的估计准确度,充分运用了LCPU的本地运算资源。
为解决上述技术问题,本发明采用的技术方案是:
本发明第一方面提供了一种多源异构网络环境下的边缘计算方法,所述方法应用于分布式检测***,所述方法步骤如下:
k个本地计算处理单元LCPU通过分布式天线接收到目标信号的本地的观测信号。
本地计算处理单元LCPU根据本地的观测信号与对应的观测矩阵构建广义线性模型,通过iGEC算法将广义线性模型转换为图模型进行求解,得到目标信号的局部信息。
联合中心FC与本地计算处理单元LCPU进行信息交换,迭代估计得到目标信号的全局信息。
优选地,所述本地计算处理单元LCPU与联合中心FC通过切换开关进行模式选择。
切换开关包括节点a、b;当切换开关切换到节点a时,本地计算处理单元LCPU与联合中心FC之间的信息交换,并在联合中心FC上执行目标信号的全局检测;当切换开关切换到节点b时,本地计算处理单元LCPU执行内部的iGEC算法以实现目标信号的局部检测。
进一步地,将广义线性模型转换为图模型进行求解的方法是利用期望传播计算联合中心FC与本地计算处理单元LCPU之间交换的信息,并将信息映射到高斯分布,然后不断迭代估计得到目标信号。
更进一步地,开关进行切换的条件如下:
本地计算处理单元LCPU接收到部分观测信号后,执行内部的iGEC算法,当达到最大迭代次数的时候,将开关切换到节点a,联合中心FC与本地计算处理单元LCPU进行信息交换。
交换的信息是在本地计算处理单元LCPU上与目标信号相关的似然消息参数。
更进一步地,所述局部检测的方法如下:
本地计算处理单元LCPU得到的为部分观测信号和观测矩阵,本地计算处理单元LCPU依靠部分观测信号和观测矩阵使用iGEC算法去估计目标信号。
所述全局检测的方法如下:
联合中心FC与所有本地计算处理单元LCPU进行信息交换,得到所有LCPU估计的目标信号的似然消息参数,联合中心FC整合所有似然消息参数估计目标信号/>。
进一步地,在分布式检测***中,广义线性模型表达如下:
其中,为第k个LCPU接收到的观测信号,/>为用户发送的目标信号,/>为用户与第k个LCPU之间的观测矩阵,/>为/>的SVD分解矩阵,为通信过程中引入的加性高斯白噪声,/>为量化操作。
更进一步地,用户是指目标信号的发射方,联合中心FC、本地计算处理单元LCPU为目标信号的接收方。
更进一步地,对于第k个本地计算处理单元LCPU,观测矩阵是已知的;联合中心FC协同K个本地计算处理单元LCPU从接收到的观测信号/>中恢复出用户发送的目标信号/>。
本发明第二方面提供了一种多源异构网络环境下的边缘计算***,采用所述一种多源异构网络环境下的边缘计算方法,包括联合中心FC、若干个本地计算处理单元LCPU。
所述联合中心FC包括模块A,所述本地计算处理单元LCPU包括依次连接的模块B、模块C、模块D。
所述模块A用于实现联合中心FC与本地计算处理单元LCPU的信息交换。
所述模块B用于使LCPU执行内部iGEC算法的循环。
所述模块C为用于切换本地计算处理单元LCPU执行内部循环或联合中心FC与本地计算处理单元LCPU进行数据交换的开关。
所述模块D用于进行信息估计;本地计算处理单元LCPU通过分布式天线接收到目标信号的本地的观测信号;本地计算处理单元LCPU根据本地的观测信号以及对应的观测矩阵,通过模块B、模块D计算得到目标信号的局部信息,并通过模块A、模块C与联合中心FC进行信息交换;联合中心FC计算得到目标信号的全局信息。
更进一步地,模块A包括第一先验分布计算单元、第一处理单元、第一存储单元、第一通信单元。
模块B包括第二先验分布计算单元、第二处理单元、第二存储单元、第二通信单元。
模块C包括开关单元、第三处理单元、第三存储单元、第三通信单元。
模块D包括中间因子单元、后验分布计算单元、第四处理单元、第四存储单元、第四通信单元。
开关单元包括节点a、b;拨到开关节点a时,模块A、模块C、模块D电性连接;实现本地计算处理单元LCPU与联合中心FC之间的信息交换,并在联合中心FC上执行目标信号的全局检测。
拨到开关节点b时,模块B、模块C、模块D电性连接本地计算处理单元LCPU执行内部的iGEC算法以实现目标信号的局部检测。
与现有技术相比,本发明的有益效果是:
1.通过联合中心FC与本地计算处理单元LCPU的信息交换与协同,充分运用了LCPU的本地运算资源以此提高信号检测的估计准确度。
2.使用iGEC算法降低了LCPU上的计算负载。
附图说明
图1为本发明实施例提供的一种多源异构网络环境下的边缘计算方法的流程图。
图2为本发明实施例提供的通过集中式算法、分布式算法求解广义线性模型的示意图。
图3为本发明实施例提供的多源异构网络环境下的边缘计算***的流程框图。
图4为本发明实施例提供的与现有技术随迭代次数的信号检测准确度对比图。
图5为本发明实施例提供的与现有技术在不同信噪比下的信号检测准确度对比图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
在本实施例中,如图1所示,一种多源异构网络环境下的边缘计算方法,所述方法应用于分布式检测***,所述方法步骤如下:
k个本地计算处理单元LCPU通过分布式天线接收到目标信号的本地的观测信号。
本地计算处理单元LCPU根据本地的观测信号与对应的观测矩阵构建广义线性模型,通过iGEC算法将广义线性模型转换为图模型进行求解,得到目标信号的局部信息。
联合中心FC与本地计算处理单元LCPU进行信息交换,迭代估计得到目标信号的全局信息。
在本实施例中,所述本地计算处理单元LCPU与联合中心FC通过切换开关进行模式选择。
切换开关包括节点a、b;当切换开关切换到节点a时,本地计算处理单元LCPU与联合中心FC之间的信息交换,并在联合中心FC上执行目标信号的全局检测;当切换开关切换到节点b时,本地计算处理单元LCPU执行内部的iGEC算法以实现目标信号的局部检测。
更具体的,将广义线性模型转换为图模型进行求解的方法是利用期望传播计算联合中心FC与本地计算处理单元LCPU之间交换的信息,并将信息映射到高斯分布,然后不断迭代估计得到目标信号。
更具体的,开关进行切换的条件如下:
本地计算处理单元LCPU接收到部分观测信号后,执行内部的iGEC算法,当达到最大迭代次数的时候,将开关切换到节点a,联合中心FC与本地计算处理单元LCPU进行信息交换。
交换的信息是在本地计算处理单元LCPU上与目标信号相关的似然消息参数。
更具体的,所述局部检测的方法如下:
本地计算处理单元LCPU得到的为部分观测信号和观测矩阵,本地计算处理单元LCPU依靠部分观测信号和观测矩阵使用iGEC算法去估计目标信号。
所述全局检测的方法如下:
联合中心FC与所有本地计算处理单元LCPU进行信息交换,得到所有LCPU估计的目标信号的似然消息参数,联合中心FC整合所有似然消息参数估计目标信号/>。
更具体的,在分布式检测***中,广义线性模型表达如下:
其中,为第k个LCPU接收到的观测信号,/>为用户发送的目标信号,/>为用户与第k个LCPU之间的观测矩阵,/>为/>的SVD分解矩阵,为通信过程中引入的加性高斯白噪声,/>为量化操作。
更具体的,用户是指目标信号的发射方,联合中心FC、本地计算处理单元LCPU为目标信号的接收方。
更具体的,对于第k个本地计算处理单元LCPU,观测矩阵是已知的;联合中心FC协同K个本地计算处理单元LCPU从接收到的观测信号/>中恢复出用户发送的目标信号/>。
实施例2
在本实施例中,一种多源异构网络环境下的边缘计算***,采用所述一种多源异构网络环境下的边缘计算方法,包括联合中心FC、若干个本地计算处理单元LCPU。
所述联合中心FC包括模块A,所述本地计算处理单元LCPU包括依次连接的模块B、模块C、模块D。
所述模块A用于实现联合中心FC与本地计算处理单元LCPU的信息交换。
所述模块B用于使LCPU执行内部iGEC算法的循环。
所述模块C为用于切换本地计算处理单元LCPU执行内部循环或联合中心FC与本地计算处理单元LCPU进行数据交换的开关。
所述模块D用于进行信息估计;本地计算处理单元LCPU通过分布式天线接收到目标信号的本地的观测信号;本地计算处理单元LCPU根据本地的观测信号以及对应的观测矩阵,通过模块B、模块D计算得到目标信号的局部信息,并通过模块A、模块C与联合中心FC进行信息交换;联合中心FC计算得到目标信号的全局信息。
模块A包括第一先验分布计算单元、第一处理单元、第一存储单元、第一通信单元。
模块B包括第二先验分布计算单元、第二处理单元、第二存储单元、第二通信单元。
模块C包括开关单元、第三处理单元、第三存储单元、第三通信单元。
模块D包括中间因子单元、后验分布计算单元、第四处理单元、第四存储单元、第四通信单元。
开关单元包括节点a、b;拨到开关节点a时,模块A、模块C、模块D电性连接;实现本地计算处理单元LCPU与联合中心FC之间的信息交换,并在联合中心FC上执行目标信号的全局检测。
拨到开关节点b时,模块B、模块C、模块D电性连接本地计算处理单元LCPU执行内部的iGEC算法以实现目标信号的局部检测。
在本实施例中,如图3所示,对应的步骤如下:
(1):表示FC到第k个LCPU的正方向消息。
(2):表示第k个LCPU上到/>的正方向消息。
(3):表示第k个LCPU上到/>的正方向消息。
(4):表示第k个LCPU上到/>的正方向消息。
(5):表示第k个LCPU上到/>的负方向消息。
(6):表示第k个LCPU上到/>的负方向消息。
(7):表示第k个LCPU上到/>的负方向消息。
(8):表示第k个LCPU上到模块C的负方向消息。
(9):表示第k个LCPU上到x的正方向消息。
(10):表示FC上x到的负方向消息。
(11):表示FC上到x的正方向消息。
其中,为第一层中间变量,/>为第二层中间变量,/>为第三层中间变量;/>为目标信号/>的先验分布,p(y|z)为观测信号y的似然分布。
在本实施例中,所述一种多源异构网络环境下的边缘计算***,可以在相关性条件下估计出目标信号,满足通信基本要求,且可以根据实际应用场景对信号检测准确度和计算速度的要求选择不同的模型分块数量,在信号检测准确度要求较高的场景下可以选择较小的数量分块,而在要求计算速度较高的场景可以选择较大的数量分块,满足不同环境下的不同需求。
在本实施例中,测试了具有512根天线,64个用户,分簇为2,信噪比为10以及观测矩阵相关性为0.5的分布式Massive MIMO通信情况,结果如图4所示,横坐标是迭代次数,纵坐标为不同算法的信号检测准确度,由图4可知,本发明的信号检测准确度比现有的技术DeGEC-SR算法要高。
在本实施例中,如图5所示,横坐标为信噪比的不同取值,纵坐标是在迭代终止之后不同算法的信号检测准确度;从图5可知,本发明的信号检测准确度比现有的技术DeGEC-SR算法要高。综合上述测试结果,本发明相较于原有的技术可以得到最高的信号检测准确度。
实施例3
本发明的方法具体实施方式如下算法所示,该算法由图3中节点之间传递的消息进行计算之后得到,可以应用于模型为的问题,特别是矩阵/>具有相关性的情况,本发明中主要应用于高维的分布式信号检测。
其中,和/>分别表示计算后验概率的期望和方差,该后验概率为/>;/>表示以/>为均值,为方差的复高斯概率密度函数;/>和/>分别表示点乘计算以及点除计算;/>表示由矩阵/>的对角线元素的均值。t:为外循环的迭代次数。T为外循环的最大迭代次数;/>为内循环的迭代次数;/>:为内循环的最大迭代次数;+为正方向消息的表示;-:为负方向消息的表示;[i]:为第i个分量的表示。
信息提取函数以及LMMSE估计函数分别定义为:
其中,与/>的输入输出关系分别如下:
模块A实现联合中心FC与本地计算处理单元LCPU的信息交换,以及目标信号x的全局后验证估计,模块A包括因子节点和变量节点x,执行式/>。
模块B对目标信号的局部后验信息以及先验信息进行估计,包含因子节点/>和变量节点x,执行式/>。
模块C拨到点a,则A、C、D模块连接,实现本地计算处理单元LCPU与联合中心FC之间的信息交换;拨到点b,则B、C、D模块连接,LCPU执行内部的iGEC算法直至达到最大迭代次数。
模块D对目标信号的似然信息、中间信号/>的局部后验信息、先验信息、似然信息进行估计,包含节点/>,因子/>,节点/>,因子/>,节点/>,因子/>以及节点/>,执行式/> -/>;/>:为狄拉克函数。
(1a)、(1b)、(1c):由LCPU的处理单元执行。
(3a):由FC的处理单元执行。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种多源异构网络环境下的边缘计算方法,所述方法应用于分布式检测***,其特征在于,所述方法步骤如下:
k个本地计算处理单元LCPU通过分布式天线接收到目标信号的本地的观测信号;
本地计算处理单元LCPU根据本地的观测信号与对应的观测矩阵构建广义线性模型,通过iGEC算法将广义线性模型转换为图模型进行求解,得到目标信号的局部信息;
联合中心FC与本地计算处理单元LCPU进行信息交换,迭代估计得到目标信号的全局信息。
2.根据权利要求1所述一种多源异构网络环境下的边缘计算方法,其特征在于,所述本地计算处理单元LCPU与联合中心FC通过切换开关进行模式选择;
切换开关包括节点a、b;当切换开关切换到节点a时,本地计算处理单元LCPU与联合中心FC之间的信息交换,并在联合中心FC上执行目标信号的全局检测;当切换开关切换到节点b时,本地计算处理单元LCPU执行内部的iGEC算法以实现目标信号的局部检测。
3.根据权利要求2所述一种多源异构网络环境下的边缘计算方法,其特征在于,将广义线性模型转换为图模型进行求解的方法是利用期望传播计算联合中心FC与本地计算处理单元LCPU之间交换的信息,并将信息映射到高斯分布,然后不断迭代估计得到目标信号。
4.根据权利要求2所述一种多源异构网络环境下的边缘计算方法,其特征在于,开关进行切换的条件如下:
本地计算处理单元LCPU接收到部分观测信号后,执行内部的iGEC算法,当达到最大迭代次数的时候,将开关切换到节点a,联合中心FC与本地计算处理单元LCPU进行信息交换;
交换的信息是在本地计算处理单元LCPU上与目标信号相关的似然消息参数。
5.根据权利要求4所述一种多源异构网络环境下的边缘计算方法,其特征在于,所述局部检测的方法如下:
本地计算处理单元LCPU得到的为部分观测信号和观测矩阵,本地计算处理单元LCPU依靠部分观测信号和观测矩阵使用iGEC算法去估计目标信号;
所述全局检测的方法如下:
联合中心FC与所有本地计算处理单元LCPU进行信息交换,得到所有LCPU估计的目标信号的似然消息参数,联合中心FC整合所有似然消息参数估计目标信号/>。
6.根据权利要求3所述一种多源异构网络环境下的边缘计算方法,其特征在于,在分布式检测***中,广义线性模型的表达式如下:
其中,为第k个LCPU接收到的观测信号,/>为用户发送的目标信号,为用户与第k个LCPU之间的观测矩阵,/>为/>的SVD分解矩阵,为通信过程中引入的加性高斯白噪声,/>为量化操作。
7.根据权利要求6所述一种多源异构网络环境下的边缘计算方法,其特征在于,用户是指目标信号的发射方,联合中心FC、本地计算处理单元LCPU为目标信号的接收方。
8.根据权利要求7所述一种多源异构网络环境下的边缘计算方法,其特征在于,对于第k个本地计算处理单元LCPU,观测矩阵是已知的;联合中心FC协同K个本地计算处理单元LCPU从接收到的观测信号/>中恢复出用户发送的目标信号/>。
9.一种多源异构网络环境下的边缘计算***,采用权利要求1~8任一项所述一种多源异构网络环境下的边缘计算方法,其特征在于,包括联合中心FC、若干个本地计算处理单元LCPU;
所述联合中心FC包括模块A,所述本地计算处理单元LCPU包括依次连接的模块B、模块C、模块D;
所述模块A用于实现联合中心FC与本地计算处理单元LCPU的信息交换;
所述模块B用于使LCPU执行内部iGEC算法的循环;
所述模块C为用于切换本地计算处理单元LCPU执行内部循环或联合中心FC与本地计算处理单元LCPU进行数据交换的开关;
所述模块D用于进行信息估计;本地计算处理单元LCPU通过分布式天线接收到目标信号的本地的观测信号;本地计算处理单元LCPU根据本地的观测信号以及对应的观测矩阵,通过模块B、模块D计算得到目标信号的局部信息,并通过模块A、模块C与联合中心FC进行信息交换;联合中心FC计算得到目标信号的全局信息。
10.根据权利要求9所述一种多源异构网络环境下的边缘计算***,其特征在于,模块A包括第一先验分布计算单元、第一处理单元、第一存储单元、第一通信单元;
模块B包括第二先验分布计算单元、第二处理单元、第二存储单元、第二通信单元;
模块C包括开关单元、第三处理单元、第三存储单元、第三通信单元;
模块D包括中间因子单元、后验分布计算单元、第四处理单元、第四存储单元、第四通信单元;
开关单元包括节点a、b;拨到开关节点a时,模块A、模块C、模块D电性连接;实现本地计算处理单元LCPU与联合中心FC之间的信息交换,并在联合中心FC上执行目标信号的全局检测;
拨到开关节点b时,模块B、模块C、模块D电性连接本地计算处理单元LCPU执行内部的iGEC算法以实现目标信号的局部检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310599096.7A CN116318465B (zh) | 2023-05-25 | 2023-05-25 | 一种多源异构网络环境下的边缘计算方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310599096.7A CN116318465B (zh) | 2023-05-25 | 2023-05-25 | 一种多源异构网络环境下的边缘计算方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116318465A CN116318465A (zh) | 2023-06-23 |
CN116318465B true CN116318465B (zh) | 2023-08-29 |
Family
ID=86783722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310599096.7A Active CN116318465B (zh) | 2023-05-25 | 2023-05-25 | 一种多源异构网络环境下的边缘计算方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116318465B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163057A (zh) * | 2019-12-09 | 2020-05-15 | 中国科学院信息工程研究所 | 一种基于异构信息网络嵌入算法的用户识别***及方法 |
CN113312177A (zh) * | 2021-05-11 | 2021-08-27 | 南京航空航天大学 | 一种基于联邦学习的无线边缘计算***、优化方法 |
WO2021247448A1 (en) * | 2020-06-01 | 2021-12-09 | Intel Corporation | Federated learning optimizations |
CN114513270A (zh) * | 2022-03-07 | 2022-05-17 | 苏州大学 | 基于联邦学习的异构无线网络频谱资源感知方法及*** |
CN114662577A (zh) * | 2022-03-10 | 2022-06-24 | 清华大学 | 一种基于多源异步信息融合的目标状态估计方法及*** |
CN114861817A (zh) * | 2022-05-26 | 2022-08-05 | 中国海洋大学 | 一种基于联邦学习的多源异构数据融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI371982B (en) * | 2008-10-03 | 2012-09-01 | Ind Tech Res Inst | Adaptive handover apparatus and method in a heterogeneous network environment |
-
2023
- 2023-05-25 CN CN202310599096.7A patent/CN116318465B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163057A (zh) * | 2019-12-09 | 2020-05-15 | 中国科学院信息工程研究所 | 一种基于异构信息网络嵌入算法的用户识别***及方法 |
WO2021247448A1 (en) * | 2020-06-01 | 2021-12-09 | Intel Corporation | Federated learning optimizations |
CN113312177A (zh) * | 2021-05-11 | 2021-08-27 | 南京航空航天大学 | 一种基于联邦学习的无线边缘计算***、优化方法 |
CN114513270A (zh) * | 2022-03-07 | 2022-05-17 | 苏州大学 | 基于联邦学习的异构无线网络频谱资源感知方法及*** |
CN114662577A (zh) * | 2022-03-10 | 2022-06-24 | 清华大学 | 一种基于多源异步信息融合的目标状态估计方法及*** |
CN114861817A (zh) * | 2022-05-26 | 2022-08-05 | 中国海洋大学 | 一种基于联邦学习的多源异构数据融合方法 |
Non-Patent Citations (1)
Title |
---|
莫慧凌等.基于联邦学习的多源异构数据融合算法.计算机研究与发展.2021,第59卷(第2期),第478-487页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116318465A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108376387B (zh) | 基于聚合膨胀卷积网络的图像去模糊方法 | |
CN101185273B (zh) | Mimo解码器和mimo解码方法 | |
EP2308180A2 (en) | Method and system for antenna training and communication protocol for multi-beamforming communication | |
CN107241167B (zh) | 一种基于大规模mimo***bp检测的改进方法 | |
CN105162556B (zh) | 基于空时相关性的大规模mimo***信道反馈方法 | |
CN106160831B (zh) | 一种信号检测方法及装置 | |
Khoso et al. | A low-complexity data detection algorithm for massive MIMO systems | |
Chen et al. | Zeng et al. | |
CN114172597B (zh) | 一种基于可重构智能表面的非迭代参数联合估计方法 | |
CN102215072B (zh) | 多天线通信***中信号检测的方法和接收机 | |
CN116318465B (zh) | 一种多源异构网络环境下的边缘计算方法及其*** | |
CN105553614B (zh) | 基于信号检测算法的集成装置 | |
CN113489510B (zh) | 一种基于用户分组的大规模mu-mimo***dbp架构信号检测方法 | |
Qiao | A Jacobi method for lattice basis reduction | |
CN115988536A (zh) | 一种双可重构智能表面辅助移动边缘计算***优化方法 | |
CN107743045B (zh) | 阵列天线波束形成接收装置及其权值系数优化方法 | |
CN107346985B (zh) | 一种结合发射天线选择技术的干扰对齐方法 | |
CN107181510A (zh) | 一种大规模mimo***中基于去相关的预编码方法 | |
CN118353744A (zh) | 基于重参数和坐标注意力的分组信道估计方法及装置 | |
CN114584431B (zh) | 一种基于uamp的双线性信道估计方法 | |
CN105681236B (zh) | 一种球形译码算法的初值选取方法 | |
CN113824658B (zh) | 一种ofdm***中采用dnsp方案的深度迁移学习信道估计方法 | |
CN115865144A (zh) | 一种用于无线通信***的高并行和低复杂度均衡算法 | |
Croisfelt et al. | Decentralized Design of Fast Iterative Receivers for Massive and Extreme-Large MIMO Systems | |
Liu et al. | Research and Implementation of Massive MIMO Detection Algorithm Parallelization Based on Array Structure |
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 |