-
公开(公告)号：CN107070520B
公开(公告)日：2020-08-04
申请号：CN201710283938.2
申请日：2017-04-26
Applicant: 重庆邮电大学
IPC: H04B7/0456 , H04B7/0426 , H04B7/08 , H04L25/03 , H04W4/70
Abstract: 本发明请求保护一种基于级联预编码和ESINR准则的D2D通信干扰对齐方法，首先，通过D2D链路与蜂窝链路之间的干扰分析形成了相应的等效信道模型；在此基础上，在保证蜂窝用户以最大化速率传输的同时，通过D2D用户的外层级联预编码矩阵和外层级联干扰抑制矩阵消除D2D链路与蜂窝链路之间的干扰，从而使得蜂窝链路与D2D链路相互独立；依据D2D发射端的ESINR准则和D2D接收端的MMSE准则分别设计了D2D用户的内层级联预编码矩阵和内层级联干扰抑制矩阵。另外，本发明还利用QR分解来优化内层级联预编码矩阵和内层级联干扰抑制矩阵。本发明所提干扰对齐方法有效地提升了总容量与平均能量效率等性能。
-
公开(公告)号：CN109902883A
公开(公告)日：2019-06-18
申请号：CN201910229248.8
申请日：2019-03-25
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于个性化层次核密度估计的签到位置预测方法，属于数据分析技术领域。该方法包括：S1：利用提取的签到位置数据，建立基于地理空间的二元核密度估计；S2：构建自适应带宽的核密度估计，为每个数据点选择各自的带宽；S3：构建个性化的层次核密度估计；S4：利用梯度下降算法计算出参数值。本发明为用户提供了个性化的签到预测，同时，解决了签到数据太少造成的数据稀疏性问题，贴近实际生活，使得预测的结果更加的准确。
-
公开(公告)号：CN106254292B
公开(公告)日：2019-03-08
申请号：CN201610585096.1
申请日：2016-07-22
Applicant: 重庆邮电大学
IPC: H04L27/26
Abstract: 本发明请求保护一种GFDM系统中基于随机滤波器分配的降低PAPR算法，涉及无线通信系统。和所有的多载波系统一样，由于输出信号叠加，GFDM系统依然具有高的PAPR。虽然OFDM系统中降低PAPR的方法有很多，但是，由于GFDM系统的特点，直接借用OFDM系统中降低PAPR的方法效果并不理想。针对目前研究存在的问题，根据GFDM系统可以灵活选择滤波器的结构特点，提出一种新的降低系统PAPR的方法，通过对每路子载波随机分配不同的滤波器，旨在破坏信号叠加时的相位一致性从而有效抑制PAPR，且不会引起信号的畸变。理论分析和仿真结果证实了该算法的优越性。
-
公开(公告)号：CN108364098A
公开(公告)日：2018-08-03
申请号：CN201810129059.9
申请日：2018-02-08
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种天气特征对用户签到影响的度量方法，该方法包含如下步骤：S1：通过历史数据分析找到对用户签到影响较大的天气特征；S2：对找到的历史数据中的天气特征进行高斯拟合并计算签到地点的历史天气得分；S3：选择神经网络；S4：将所述历史天气得分分为训练集和测试集，并对所述神经网络进行学习和训练；S5：对训练好的神经网络通过所述测试集进行测试；S6：将当前的天气特征作为输入，通过训练出的神经网络计算出当前的天气得分。本发明考虑了以前没考虑到的天气特征对用户签到的影响，通过计算用户当前可达地点的天气得分就能很好的预测其下一个兴趣点。
-
公开(公告)号：CN107425898A
公开(公告)日：2017-12-01
申请号：CN201710305729.3
申请日：2017-05-03
Applicant: 重庆邮电大学
IPC: H04B7/0456 , H04B7/0426 , H04L25/03
Abstract: 本发明请求保护一种基于优化比特分配的多小区MIMO有限反馈干扰对齐方法，涉及无线通信系统。首先，为克服低SNR时频谱效率的损失，通过最大化用户的信号功率与泄漏到其他小区的干扰与噪声功率之和的比值来求取预编码，通过最大化每个数据流的信干噪比来设计干扰抑制矩阵。其次，由于传统的比特分配算法是基于干扰泄露均值的，会使系统实际用到的比特总数小于系统提供的总比特数目，而并非最优，因此本文给出了一种新颖的比特分配方案来提高系统比特利用率，以减小量化误差的影响。最后，仿真实验表明，采用本发明所提出的方案能有效减少量化误差对系统性能的影响并显著提高系统的比特利用率，使有限反馈CSI时的性能得以提升。
-
Patent Agency Ranking
公开(公告)号：CN107070520A
公开(公告)日：2017-08-18
申请号：CN201710283938.2
申请日：2017-04-26
Applicant: 重庆邮电大学
IPC: H04B7/0456 , H04B7/0426 , H04B7/08 , H04L25/03 , H04W4/00
Abstract: 本发明请求保护一种基于级联预编码和ESINR准则的D2D通信干扰对齐方法，首先，通过D2D链路与蜂窝链路之间的干扰分析形成了相应的等效信道模型；在此基础上，在保证蜂窝用户以最大化速率传输的同时，通过D2D用户的外层级联预编码矩阵和外层级联干扰抑制矩阵消除D2D链路与蜂窝链路之间的干扰，从而使得蜂窝链路与D2D链路相互独立；依据D2D发射端的ESINR准则和D2D接收端的MMSE准则分别设计了D2D用户的内层级联预编码矩阵和内层级联干扰抑制矩阵。另外，本发明还利用QR分解来优化内层级联预编码矩阵和内层级联干扰抑制矩阵。本发明所提干扰对齐方法有效地提升了总容量与平均能量效率等性能。
-
公开(公告)号：CN106162183A
公开(公告)日：2016-11-23
申请号：CN201610524651.X
申请日：2016-07-05
Applicant: 重庆邮电大学
IPC: H04N19/166 , H04N19/154 , H04N19/65
CPC classification number: H04N19/166 , H04N19/154 , H04N19/65
Abstract: 本发明请求保护一种在频率选择信道中基于不等错误保护策略的最小化图像无线传输能耗的方法，涉及图像无线传输系统。针对频率选择性衰落信道中的图像传输问题，结合OFDM无线通信的特点，本发明给出了一种基于不等错误保护策略(Unequal Error Protection,UEP)的最小化无线传输整幅图像能耗的方法。首先，分析了OFDM系统发送所有图像数据帧过程中的传输能耗，以及图像数据帧传输中因误比特而产生的失真；在此基础上，通过为图像数据帧不同的部分分配不同的发射功率，并通过信道选择，将数据帧不同部分匹配到不同的信道上；然后，在满足一定质量约束的条件下，来最小化无线传输整幅图像所需的总的系统能量。本方案的方法消耗的能耗更少。
-
公开(公告)号：CN106102073A
公开(公告)日：2016-11-09
申请号：CN201610521736.2
申请日：2016-07-05
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种异构认知无线网络下行链路干扰对齐方案，涉及认知无线通信系统。针对存在多个用户的异构认知无线网络下行链路中基于干扰对齐(IA)的干扰消除问题，本发明在对多用户异构认知无线网络模型进行分析的基础上，分别为宏小区和认知小区设计了IA方案。该方案利用认知系统的感知能力，并综合运用线性迫零算法和总最小均方误差算法为认知系统设计级联的预编码矩阵和接收滤波矩阵，对跨层干扰和同层干扰进行层层处理，从而实现低功率认知小区与宏小区之间频谱共享。
-
公开(公告)号：CN104657901A
公开(公告)日：2015-05-27
申请号：CN201510018509.3
申请日：2015-01-14
Applicant: 重庆邮电大学
IPC: G06Q50/00
CPC classification number: G06Q50/01
Abstract: 本发明请求保护一种基于随机游走的标签传播社区发现算法，包括以下步骤：1)构建转移矩阵：根据网络拓扑图生成邻接矩阵，通过节点的度结合邻接矩阵计算该节点到其他节点的转移概率，最后得出转移矩阵；2)计算节点的权重值：定义游走者的位置概率分布，根据转移矩阵计算游走者游走t步到达稳态以后的位置概率分布，此时的位置概率分布中的值则为节点的权重值；3设置中心节点的门限值，根据节点权重的降序排序完成中心节点的筛选，初步生成子社区；4)初始化节点标签，从中心节点出发进行标签传播，相互连接比较紧密的节点标签逐渐趋于一致，最后持有相同标签的节点形成一个社区。该方法消除了经典标签传播算法中更新节点标签顺序的随机性问题，从而有效的提高了算法的精确度。
-
公开(公告)号：CN104021230A
公开(公告)日：2014-09-03
申请号：CN201410298575.6
申请日：2014-06-27
Applicant: 重庆邮电大学
IPC: G06F17/30
CPC classification number: G06F17/30867 , G06Q50/01
Abstract: 本发明公开了一种基于社区发现的协同过滤方法，包括以下步骤：1)将用户—项目网络转换为邻接矩阵形式，如果用户对项目评分，那么对应于矩阵的相应元素就存在值，即评分数据；2)构造用户—用户矩阵，用户—用户矩阵中的元素为用户与用户的相似度，相似度的计算方法采用新型的基于Pearson的相似度计算方法；3)基于用户—用户矩阵通过社区发现方法发现社区结构，并对用户—项目矩阵中的部分缺失评分进行预测填充；4)计算目标用户与社区之间以及用户与用户之间的相似度关系构造最近邻候选集，并完成推荐。该方法有效的解决了传统过滤算法中的冷启动问题，通过改进相似度计算公式以及对缺失评分的预测填充有效提高了算法推荐的精度，在平均绝对误差上也有着更好的表现。
-
-
-
-
-
-
-
-
-
Search Results
146
records
(took 0.027 seconds)
