-
公开(公告)号：CN111212470A
公开(公告)日：2020-05-29
申请号：CN201811396555.7
申请日：2018-11-22
Applicant: 南京理工大学
IPC: H04W56/00
Abstract: 本发明公开了一种物联网场景中下行同步信号的收发方法。该方法为：首先发射端选择两条共轭序列进行同步信号发送；然后接收端分别使用共轭的两条本地序列进行定时检测；最后通过联合使用共轭序列的定时结果，得出最终的定时结果；所述发射端同步信号是由两条共轭的序列生成的，两条共轭序列为任意的序列，交替使用两条共轭序列在时域上进行信号发送；所述的接收端，分别使用发送同步信号的共轭的序列做为本地序列，根据相关器最大值输出进行定时检测。本发明利用共轭序列定时对称性，采用全相关检测算法，无需分段相关或者进行差分检测，避免了检测峰值快速下降和噪声放大，可以消除频偏带来的定时偏差。
-
公开(公告)号：CN115454141B
公开(公告)日：2025-04-04
申请号：CN202211261459.8
申请日：2022-10-14
Applicant: 南京理工大学
IPC: G05D1/46 , G05D1/695 , G05D109/20
Abstract: 本发明公开了一种基于部分可观测信息的无人机集群多智能体多域抗干扰方法，该方法利用各智能体的部分观测环境信息，通过长短期记忆网络保留历史经验数据，输入各智能体的深度循环Q网络进行动作值函数拟合，采用ε‑greedy算法选择最大输出Q值对应的信道和功率，再经过不断独立训练各智能体的深度循环Q网络，更新Q值分布，最终学习到可适应未知干扰场景下实现通信传输能耗最小化的无人机信道和发射功率最优决策。本发明针对无人机集群网络分别处于扫频干扰和马尔科夫干扰两种场景下，利用部分可观测信息的历史经验数据，从频谱域和功率域实现有效多智能体抗干扰通信；相较于基于多智能体深度Q学习的对比方案，所提方案能够在环境信息部分可观测的情况下更高效地降低无人机集群网络的长期通信传输能耗。
-
公开(公告)号：CN114449482B
公开(公告)日：2024-05-14
申请号：CN202210242124.5
申请日：2022-03-11
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于多智能体深度强化学习的异构车联网用户关联方法，该方法先将问题建模成部分可观察马尔可夫决策过程，再采用分解团队值函数的思想，具体包括建立集中式训练分布式执行框架，将团队值函数与各个用户值函数利用求和连接起来，以达到隐性训练用户值函数的目的；接着本发明亦借鉴经验回放以及目标网络机制，使用ε‑greedy策略进行动作的探索与选择，利用循环神经网络储存历史信息，并且选择Huber损失函数来计算损失同时进行梯度下降，最终学习到异构车联网用户的关联策略。本发明在异构车联网环境下，相较于多智能体独立深度Q学习算法和其它传统算法，可以更加有效地同时提高能量效率和降低切换开销。
-
公开(公告)号：CN117081507A
公开(公告)日：2023-11-17
申请号：CN202311008355.0
申请日：2023-08-11
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于非线性传输线的毫米波倍频电路及其工作方法。该电路包括依次连接的基于阶跃恢复二极管的第一级倍频模块、滤波电路、放大电路和基于非线性传输线的第二级倍频模块。恒温晶振产生的输入信号，经过匹配网络进入第一级倍频模块后，经过驱动放大器产生激励，输入SRD脉冲发生器，产生梳状谱信号；经过滤波电路得到第一级倍频信号，再经过放大电路后进入第二级倍频模块；第二级倍频模块由10级非线性传输单元周期级联构成；每级由单级非线性传输线并联两个相同型号的肖特基二极管组成，产生三十倍倍频的信号。本发明最终实现高达三百倍的倍频输出，转换效率高，体积大大减小，输出相噪好，高频性能好，电路结构简单，易于实现。
-
公开(公告)号：CN116684825A
公开(公告)日：2023-09-01
申请号：CN202310648974.X
申请日：2023-06-02
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于几何中心交叉定位的三维到达角定位方法及系统。该方法首先建立基于几何中心交叉的三维到达角定位系统模型，将方位角和俯仰角写为与目标距离相关的非线性函数；其次建立基于内切球中心的三维到达角定位规则，在每个测量节点上，基于两个角度拓展出两个平面，并计算空间中任意一点到这些平面的距离；最后依据三维空间四面体的内切球的定义，求得这些几何平面围成的几何体的内切球心，作为估计出的目标位置，同时根据同时求出的内切球的半径，求出当前角度测量的噪声方差。所述系统包括系统模型构建模块、平面拓展模块、目标位置估计模块。本发明以极低的复杂度达到较高的性能，适用于三维AOA定位场景，应用场景广泛。
-
Patent Agency Ranking
公开(公告)号：CN116680903A
公开(公告)日：2023-09-01
申请号：CN202310648991.3
申请日：2023-06-02
Applicant: 南京理工大学
IPC: G06F30/20 , H04B7/0413 , G06F17/16
Abstract: 本发明公开了一种带有混合精度ADCs的大规模MIMO接收机DOA估计方法及系统。该方法先运用加性量化噪声模型将非线性的低精度模数转换器的信号处理过程转化为一个线性过程，以建立运用混合精度模数转换器的波达方向估计模型；然后基于以上模型，分析了基于信号子空间的算法，将传统天线结构下的子空间算法应用于混合精度模数转换器结构，最后推导了克拉美罗下界来量化性能损失以及能量效率。所述系统包括系统模型建立模块、DOA估计模块、模型性能损失及能量效率确定模块。本发明推导了基于CRLB的性能损失因子和能量效率因子，并分析了如何选取低精度ADCs的数量和量化比特数，以获得更好的性能和能量效率的平衡。
-
公开(公告)号：CN112311520B
公开(公告)日：2023-05-05
申请号：CN202011081193.X
申请日：2020-10-12
Applicant: 南京理工大学
IPC: H04L5/14 , H04L9/40 , H04L41/142 , H04W72/044 , H04B7/06
Abstract: 本发明公开了一种全双工方向调制无线网络构建方法。该方法如下：建立全双工方向调制系统模型，该模型包括发射机、期望接收机和窃听者，期望接收机和窃听者工作于全双工模式，期望接收机在接收隐私信息的同时向窃听者发送人工噪声干扰其对隐私信息的窃听，而窃听者在窃听隐私信息的同时向期望接收机发送人工噪声干扰隐私信息的传输；采用零空间投影法、最大比合并以及最大比率传输的方法，设计人工噪声投影矩阵、接收矩阵；采用最大比率传输和零空间投影法，设计隐私信息的波束成形向量；以最大化安全速率为目标设计发射机的功率分配因子，将安全速率表示为功率分配因子的函数，确定最优的功率分配因子。本发明能够显著提高系统的安全速率。
-
公开(公告)号：CN115695133A
公开(公告)日：2023-02-03
申请号：CN202211333712.6
申请日：2022-10-28
Applicant: 南京理工大学
Abstract: 本发明公开了一种理想信道估计下高维调制NOMA的分配方案。该方案包括以下步骤：分析并给定远近用户检测错误概率近似界；根据远用户和近用户间检测错误概率近似界相等，计算功率分配因子；将用户信息采用四维晶格码作为星座矩阵进行调制，并按照上一步中设定的功率进行发送；远用户直接对接收的信号进行检测，以距离接收信号最近的星座点作为检测信息为准则得到远用户信息；近用户先检测远用户的信息，进行干扰抵消后检测近用户信息。本发明通过采用四维晶格码调制，增加了星座点间的距离，降低了信号检测错误的概率，提升了功率域NOMA系统的性能的性能。
-
公开(公告)号：CN115344739A
公开(公告)日：2022-11-15
申请号：CN202210999601.2
申请日：2022-08-19
Applicant: 南京理工大学
Abstract: 本发明提供了一种基于凸包面积加权的联邦学习室内定位方法及装置，步骤如下：用户在目标区域采样，构建本地指纹数据库；中心服务器建立初始全局模型，进行基于凸包面积加权的联邦学习定位模型训练，通过多轮训练直到收敛，得到最终全局模型；每轮训练的步骤包括：本地定位模型更新；本地模型参数上传；基于凸包面积加权的模型整合；全局定位模型下传；将最终全局模型分发至目标区域的设备，设备将测量的WiFi信号强度输入到最终全局模型中，输出即为测量的地理位置。装置包括数据库构建模块、模型构建及训练模块、位置测量模块。本发明有效消除了数据库空间异构性带来的不良影响，提高了联邦平均算法收敛速度以及定位精度。
-
公开(公告)号：CN113611103B
公开(公告)日：2022-09-16
申请号：CN202010535806.6
申请日：2020-06-12
Applicant: 南京理工大学
Abstract: 本发明提供了一种新的基于车流量预测的车联网双边拍卖式边缘计算迁移方案。该方案首先需要收集道路中行驶车辆的特征信息，并统计当前周期内的车流量用以预测下一周期的车流量信息。然后，利用车辆特征信息和车流量预测信息完成车辆对计算资源需求的报价，进而可采用一种双边拍卖算法实现车载边缘计算服务器的计算资源分配，最后通过将车辆的计算任务卸载至分配的服务器完成边缘计算迁移过程。本发明与未考虑车流量信息的两种分配方案相比，更能够充分利用车联网中的计算资源，且能显著提升整个系统的边缘计算迁移效率。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.029 seconds)
