-
公开(公告)号:CN109543477A
公开(公告)日:2019-03-29
申请号:CN201811313247.3
申请日:2018-11-06
Applicant: 南京邮电大学
IPC: G06K7/00
Abstract: 本发明公开了基于映射码的自适应多叉树防碰撞算法,根据曼彻斯特编码能够准确识别碰撞位的特性,通过计算碰撞因子μ的值,预估碰撞的标签数量,动态的选择叉树,充分发挥了各自叉树的优点,减少了碰撞时隙,提高了系统的性能。在8-4-2动态多叉树算法的基础上,引入了映射码,根据唯一的映射关系确定查询前缀,成功的消除了动态多叉树算法中存在的空闲时隙,识别时间大大减少,系统的识别效率有所提高。
-
-
公开(公告)号:CN110988793A
公开(公告)日:2020-04-10
申请号:CN201911317676.2
申请日:2019-12-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于RFID的迭代三维空间定位方法,通过对目标标签进行两次定位实现对目标位置的精确计算。首先采用LANDMARC实现首次定位得到目标标签的概略位置以及剔除与概略位置有关的问题参考标签;再通过“距离-损耗”公式精确计算出,目标标签的精确位置。本发明与传统的LANDMARC算法相比,其定位精度得到了显著提升,并且定位误差分布更加均匀。
-
公开(公告)号:CN103077968A
公开(公告)日:2013-05-01
申请号:CN201310001214.6
申请日:2013-01-04
Applicant: 南京邮电大学
IPC: H01L29/772 , H01L29/06 , H01L29/423
Abstract: 本发明公开了一种非对称峰值轻掺杂漏结构的石墨烯纳米条带场效应管。基于量子力学非平衡Green函数理论框架,在开放边界条件下,通过自洽求解三维泊松(3D-Poisson)和薛定谔(Schrödinger)方程,构建了适用于非均匀掺杂的石墨烯场效应管的输运模型,并利用该模型分析计算非对称HALO-LDD掺杂策略对石墨烯纳米条带场效应管(GNRFET)电学特性的影响。通过与采用其他掺杂策略GNRFET的输出特性、转移特性、开关电流比、亚阈值摆幅、阈值电压漂移等电学特性对比分析,发现这种掺杂结构的石墨烯场效应管具有更大的开关电流比、更低的泄漏电流、更小的亚阈值摆幅和阈值电压漂移,即表明采用非对称HALO-LDD掺杂策略的GNRFET具有更好的栅控能力,能够有效的抑制短沟道效应和热载流子效应。
-
-
公开(公告)号:CN106100789B
公开(公告)日:2019-02-12
申请号:CN201610414115.4
申请日:2016-06-13
Applicant: 南京邮电大学
Abstract: 本发明提出了基于分簇的多层MIMO无线传感器网络盲检测方法。所述方法包括两层MIMO,第一层为Sink节点负责的至少两个区域的智能传感器节点构成的MIMO,通过基于二阶统计量的盲检测实现了分层WSN中多区域MIMO信道中的信号恢复;第二层为Sink节点间的多跳构成的MIMO,结合基于混沌初始化的正反馈Hopfield神经网络CPFHNN盲检测算法,并引入信号空间删除法和连续信号干扰法来分离多发送天线的数据,进行Sink节点间的MIMO信道的信号检测,本发明方法提高了簇内传输系统的通信效率和可靠性,有效的减少了无线传感器网络的能耗。
-
公开(公告)号:CN106130689A
公开(公告)日:2016-11-16
申请号:CN201610416454.6
申请日:2016-06-13
Applicant: 南京邮电大学
CPC classification number: H04L1/0038 , H04L25/03165 , H04L27/001
Abstract: 本发明提出一种非线性自反馈混沌神经网络信号盲检测方法,使用非线性函数作为混沌神经网络的自反馈项,并将双Sigmoid函数运用到盲检测方法中,每次迭代时,首先进入混沌神经网络,然后再进入第二个激活函数。由于混沌神经网络具有可以避免陷于局部最优的优点,所以本发明继承了混沌神经网络这一特点,提高了盲检测性能;并且,与线性自反馈项的混沌神经网络相比,非线性自反馈混沌神经网络具有更为复杂的动力学行为,使网络的内部状态具有更为高效的混沌搜索能力和搜索效率。本发明方法,在同等条件下,抗噪性能优于传统的Hopfield信号盲检测方法。
-
公开(公告)号:CN120013787A
公开(公告)日:2025-05-16
申请号:CN202510178406.7
申请日:2025-02-18
Applicant: 南京邮电大学
IPC: G06T5/60 , G06T5/90 , G06V10/52 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06N3/0495 , G06N3/045
Abstract: 本发明公开了一种基于多尺度融合U‑Net网络结构低照度图像增强方法,包括:S1、构造训练数据集和测试样本集;S2、构建低照度增强网络模型;S3、联合计算多种损失函数;S4、训练低照度增强网络模型;S5、对训练后的低照度增强网络模型转换量化部署;S6、对待增强图像数据进行预处理;S7、将经预处理后的图像数据输入低照度增强网络模型进行图像增强;S8、低照度增强网络模型输出增强后的正常照度图像。本发明在确保较高准确度的前提下,减小了模型的参数量,增强了其可移植性,使低照度图像增强技术在嵌入式领域中具有较好的发展前景。
-
-
公开(公告)号:CN116010802A
公开(公告)日:2023-04-25
申请号:CN202211703308.3
申请日:2022-12-29
Applicant: 南京邮电大学
IPC: G06F18/213 , G06K17/00
Abstract: 本发明公开了一种改进型分组映射查询树标签防碰撞识别算法,包括:获取识别范围内响应的标签返回的识别码;按顺序对识别码每隔三位数进行分组;按逻辑关系对各分组结果进行标记;根据标记结果对各分组结果进行映射;基于捕获效应根据各分组结果的标记结果和映射结果进行标签识别;本发明能够对大数量的标签进行准确高效的防碰撞识别。
-
-
-
-
-
-
-
-
-