-
公开(公告)号：CN114462454B
公开(公告)日：2024-07-05
申请号：CN202210132510.9
申请日：2022-02-11
Applicant: 南京邮电大学
IPC: G06F18/10 , G06N3/08 , G06F18/214 , G06F17/16 , G06N3/0464 , G01S3/14 , G06F18/2136
Abstract: 本发明提供一种基于深度学习的无网格信号源DOA估计方法，通过接收端使用阵元数为M的稀疏阵列进行架构；利用所架构的稀疏阵列接收入射信号并建模；计算稀疏阵列接收信号的采样协方差矩阵#imgabs0#计算生成接收信号所对应的协方差矩阵张量#imgabs1#构造基于卷积神经网络的信号源个数估计网络，得到估计信号源个数#imgabs2#构造基于卷积神经网络的信号降噪重构网络CRN，得到重构的无噪协方差矩阵的首行向量的估计值#imgabs3#恢复无噪协方差矩阵#imgabs4#并搜索信号源方向DOA；该方法，能够去除噪声干扰的同时，可以估计更多的信号；并且通过采用无网格的估计方法，由无噪协方差矩阵估计得到DOA，避免了网格失配问题。
-
公开(公告)号：CN118243098A
公开(公告)日：2024-06-25
申请号：CN202410290353.3
申请日：2024-03-14
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于CSI图像融合的图神经网络定位方法，包括：数据预处理，对相位信息进行解卷绕和线性变换，对幅度信息进行滤波降噪；在二维平面将预处理得到的幅度值和相位值映射到平面上的具体点上；对目标进行定位，CSI图像由左右子图共同构成；左子图按照子载波获取的先后顺序，将映射得到的点连接成一条曲线，形成CSI测量值的包络图，右子图根据CSI的幅度和相位大小进行离散映射，建立起数据空间维度的平面映射关系；提取CSI图像的邻接矩阵和特征矩阵；利用GraphSAGE网络进行离线训练，得到定位模型。本发明提供的基于CSI图像融合的图神经网络定位方法具有定位精度高，实现简单等优点。
-
公开(公告)号：CN113822350B
公开(公告)日：2024-04-30
申请号：CN202111077221.5
申请日：2021-09-14
Applicant: 南京邮电大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明揭示了一种基于多任务学习的无设备人员动作识别和位置估计方法，该方法包括离线阶段和在现阶段，在离线阶段，对每张CSI图像加上动作,X轴和Y轴等三个标签后形成训练集，再将训练集送入到多任务网络中进行学习训练并保存模型；在线阶段，将获得的CSI图像送入训练好的多任务网络模型中，进行动作识别和位置估计。本发明利用硬参数共享机制的多任务深度神经网络，在主干网络只研究网络参数的相关关系，侧重各个任务之间的相互关系和作用，而忽略了其特异性。而在分支网络中，结构相互独立，保留各个任务的特异性。
-
公开(公告)号：CN113537032B
公开(公告)日：2023-11-28
申请号：CN202110784276.3
申请日：2021-07-12
Applicant: 南京邮电大学
IPC: G06V40/10 , G06V20/52 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图片分块丢弃的分集多支路行人重识别方法，所述行人重识别方法包含以下步骤:S1：构建多分支卷积神经网络；S2：针对不同分支采用不同比率的分块裁切操作对训练图片数据进行预处理；S3：采用双批次数据联合训练的方法训练神经网络模型；S4：采用交叉熵、三元组损失函数、中心损失函数的加权形式作为总损失函数训练模型权重；S5：将神经网络所有支路的行人特征进行特征拼接融合，得到总特征，给定测试图片通过总特征计算距离度量，获得相似性匹配结果，本方法通过控制支路前端输入的差异化图片分块丢弃策略获得行人重识别支路特征的分集性，有效提高了多支路神经网络模型的行人识别准确度。
-
公开(公告)号：CN116192158A
公开(公告)日：2023-05-30
申请号：CN202310144455.X
申请日：2023-02-20
Applicant: 南京邮电大学
IPC: H03M13/11
Abstract: 本发明提供了一种比特翻转译码方法及装置，所述比特翻转译码方法包括：首次利用极化码串行抵消列表译码器进行译码，并在极化码串行抵消列表译码器的译码过程中构造翻转位置集合C，如果译码结果通过循环冗余校验，则译码结束；若翻转位置集合C为空集，则译码结束，否则从翻转位置集合C中挑选1个位置并将其从翻转位置集合C中删除，在该位置重启极化码串行抵消列表译码器，并选取2L条排序路径中的后L条作为存活路径进行译码，如果译码结果通过循环冗余校验，则译码结束。相较于现有技术，本发明在相同翻转次数下的性能更优秀，能够有效提高比特翻转的正确率并提高极化码串行抵消列表译码器的性能。
-
Patent Agency Ranking
公开(公告)号：CN115170662A
公开(公告)日：2022-10-11
申请号：CN202210786206.6
申请日：2022-07-04
Applicant: 南京邮电大学
IPC: G06T7/73 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/28 , G06T7/55 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于yolov3和卷积神经网络的多目标定位方法，包括离线训练阶段和在线定位阶段，离线训练阶段划分子区域，获取训练数据；利用yolov3网络训练rgb色彩图建立目标检测模型；根据目标检测结果对深度图像进行分割和图像融合，得到训练数据指纹；最后利用卷积神经网络得到位置估计模型；在线定位阶段，利用目标检测模型进行图像融合得到在线数据指纹；确定每个目标的位置估计模型，得到目标位置。本发明通过yolov3网络和卷积神经网络经离线训练阶段建立位置估计模型，并对深度图像进行切割和融合，提取训练定位指纹，经在线阶段利用在线定位指纹和位置估计模型，完成多目标定位，解决了现有目标定位方法预测灵活性不足、准确性不够的问题。
-
公开(公告)号：CN112418203B
公开(公告)日：2022-08-30
申请号：CN202011251625.7
申请日：2020-11-11
Applicant: 南京邮电大学
IPC: G06V10/143 , G06V10/774 , G06K9/62 , G06N3/04 , G06T3/40 , G06T7/246 , G06T7/90 , G06F17/16
Abstract: 本发明提出了一种基于双线性汇合的图卷积网络的RGB‑T目标跟踪方法，包括以下步骤：步骤S1：将特征分为模板嵌入对和候选嵌入对，模板嵌入对由可见光和红外图像的第一帧区域组成；步骤S2：在候选嵌入对中截取和模板嵌入对相同大小的图像，经过卷积神经网络提取特征，形成四个多通道的特征图；步骤S3：将特征图利用图卷积神经网络进行训练，得到最终特征图；步骤S4：将最终特征图进行双线性汇合的操作，得到一个相识度的得分值；步骤S5：重复S2‑S4的步骤，将每次得到的得分值拼接成矩阵，根据最大的得分值所在的位置定位出目标所在的位置；实现整个的跟踪效果；本发明使得特征图之间的内在元素交互作用不能得到充分挖掘的缺陷。
-
公开(公告)号：CN110443162B
公开(公告)日：2022-08-30
申请号：CN201910654611.0
申请日：2019-07-19
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 一种用于伪装人脸识别的两段式训练方法，包括如下步骤：步骤S1、将训练所需使用的数据集进行预处理，获取集SetF、SetS；步骤S2、第一阶段，将SetF作为训练集并使用ArcFace损失函数训练网络；步骤S3、撤销网络的最后一层全连接层；步骤S4、第二阶段、将SetS作为训练集并使用ArcFace损失函数训练网络。本发明利用了少量的伪装人脸数据将模型的工作适用域从一般人脸识别转到了伪装人脸识别，在DFW测试基准上具有很好的识别效果。
-
公开(公告)号：CN114826480A
公开(公告)日：2022-07-29
申请号：CN202210241516.X
申请日：2022-03-11
Applicant: 南京邮电大学
IPC: H04L1/00
Abstract: 本发明公开了一种大频偏环境下非正交多址接入系统的信号检测方法及装置，所述方法包括：接收来自多个活跃用户非正交多址接入的叠加信号；根据接收信号，初始化所有用户的活跃指示、频偏以及接收信号残差；根据相关峰度量选择最强活跃用户并通过FFT计算该用户的频偏粗估计值；针对最强活跃用户的频偏粗估计值和细频偏候选集中的每一个候选细频偏，利用块坐标下降算法联合估计信道参数和调制数据；根据最大似然准则从候选集中选择最强活跃用户的最佳细频偏估计值；根据所述的活跃用户频偏估计值更新所有用户的频偏、信道系数、数据符号以及信号残差；本发明显著提升了非正交多址接入系统信号检测算法在大频偏环境下的性能，有效地解决了用户活跃性、信道、频偏和数据符号的联合估计问题。
-
公开(公告)号：CN112153736B
公开(公告)日：2022-07-26
申请号：CN202010959523.4
申请日：2020-09-14
Applicant: 南京邮电大学
IPC: H04W64/00 , G06N3/08 , G06N3/04 , G06V40/20 , G06V10/764 , G06V10/774
Abstract: 本发明揭示了一种基于信道状态信息的人员动作识别和位置估计方法。离线阶段，利用目标在不同参考位置点上进行不同的动作，接收WiFi信号的CSI；然后根据CSI测量值幅度的时域，空域和频域信息构建CSI图像，形成关联CSI图像的动作识别训练数据集和位置估计训练数据集；最后利用卷积神经网络CNN进行基于动作的分类学习，得到动作分类模型；使用CNN提取CSI图像两轴位置上的深度特征信息，利用支持向量机SVM进行回归学习，分别得到基于两轴位置的回归函数。在线阶段，将接收到的CSI测量值构建CSI图像，利用动作分类模型估计目标动作；同时提取CSI图像两轴位置上的深度特征信息，利用回归函数计算出目标位置。本方法定位精度和动作识别率高，结构简单且成本低。
-
-
-
-
-
-
-
-
-
Search Results
133
records
(took 0.032 seconds)
