-
公开(公告)号：CN118368643B
公开(公告)日：2024-09-24
申请号：CN202410790578.5
申请日：2024-06-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向车联网网络切片的效用最大化资源分配方法，针对车联网系统下的车辆业务资源分配问题，结合网络切片技术，考虑到不同车联网业务速率、时延以及车辆移动性对于网络效用的影响，以最大化网络效用为目标，构建了一种基于车联网系统的网络切片资源分配模型。提出了一种基于动态记忆库的双Sigmoid函数粒子群优化算法（MBDS‑PSO），增强了算法的全局和局部搜索能力，降低了算法求解结果的标准差，解决了传统粒子群算法以及一些改进算法对于前后期搜索能力过渡不平滑等问题，实现了在相同时间复杂度下缩短算法运算时间的同时能够在资源分配过程中为系统带来更高的网络效用。
-
公开(公告)号：CN116193606A
公开(公告)日：2023-05-30
申请号：CN202211693453.8
申请日：2022-12-28
Applicant: 南京邮电大学
IPC: H04W72/53 , H04W72/543 , H04W72/542 , H04W72/0446 , H04W72/0453 , H04L67/10 , H04W28/08
Abstract: 本发明公开了一种5G场景下基于风险敏感的动态资源调度方法，方法包括：根据增强移动带宽eMBB业务需求，基站为eMBB用户分配资源块，构建eMBB用户k在时隙t的数据速率的计算模型；超可靠低时延通信URLLC接入请求后，URLLC资源调度分配，构建URLLC用户n在时隙t的数据速率的计算模型以及URLLC用户的可靠性约束；构建eMBB/URLLC联合资源分配优化问题；基于分解和松弛资源分配算法对优化问题进行求解，得到动态资源调度结果。在满足URLLC可靠性约束的条件下使eMBB用户的数据传输速率最大化，同时保证eMBB数据传输的可靠性。
-
公开(公告)号：CN116193514A
公开(公告)日：2023-05-30
申请号：CN202211693519.3
申请日：2022-12-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向可伸缩视频的边缘计算资源调度优化方法，方法包括：设置用户的视频任务参数，对用户进行建模，构建用户在本地执行任务的时延和能耗的计算模型；根据视频终端的计算能力，构建任务卸载的信噪比和所产生的上行链路时延的计算模型；设置MEC服务器参数，构建视频任务Tu在MEC服务器上的执行时间的计算模型；构建面向可伸缩视频编码技术的边缘计算系统的计算卸载模型Ju；构建联合卸载和资源优化模型；利用KKT条件和退火模拟算法对所述联合卸载和资源优化模型进行求解，得到优化的资源分配策略F*和卸载决策χ*。
-
公开(公告)号：CN110443849B
公开(公告)日：2022-10-14
申请号：CN201910624713.8
申请日：2019-07-11
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于深度图像的双流卷积神经网络回归学习的目标定位方法。离线阶段，在每个参考位置处，灰度图像及其对应的深度图像由双目相机收集。使用图像预处理技术，灰度图像和深度图像被转换为三通道图像。然后，具有共享权重系数的双流CNN用于离线回归学习。最后，得到了基于距离的回归模型。在线阶段，将得到的灰度图像和深度图像的预处理之后，通过基于距离的回归模型来估计最终距离。
-
公开(公告)号：CN114462454A
公开(公告)日：2022-05-10
申请号：CN202210132510.9
申请日：2022-02-11
Applicant: 南京邮电大学
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计算生成接收信号所对应的协方差矩阵张量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恢复无噪协方差矩阵并搜索信号源方向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。
-
Patent Agency Ranking
公开(公告)号：CN110634141A
公开(公告)日：2019-12-31
申请号：CN201910887555.5
申请日：2019-09-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于改进直觉模糊c均值聚类的图像分割方法及存储介质，所述方法包括以下步骤：1)根据图像的局部像素灰度信息，计算其最大占优抑制相似度函数；2)计算像素的模糊集的隶属度；3)构建非线性的模糊补函数，计算模糊集的非隶属度和犹豫度；4)根据上述的隶属度、非隶属度和犹豫度，将图像数据直觉模糊化；5)根据图像像素的局部空间关系，构建直觉模糊因子；6)根据直觉模糊因子，在直觉模糊集中进行求解最优化；7)根据最优化求解利用聚类算法进行图像分割。本发明解决了现有方法对噪声敏感和数据的不确定性问题，有效的提高图像分割的质量，应用到MRI人脑图像中可以很好的抑制噪声，还能很好的表现图片细节。
-
公开(公告)号：CN110472478A
公开(公告)日：2019-11-19
申请号：CN201910558959.X
申请日：2019-06-26
Applicant: 南京邮电大学
Abstract: 本发明涉及了一种基于光流统计特征的场景分析方法及系统，所述方法步骤为：对给定的监控视频，计算基本的光流场，并对其进行幅度和基于统计特征的去噪；提取光流场空间分布统计特征，空间位置量化；提取光流场方向分布统计特征，进行运动方向量化；基于量化结果构建视觉词典，将整个视频分成片段，将其中所包含的光流映射成视觉单词，每个片段由视觉单词累计表示成词袋；将词袋输入到HDP模型，提取每个视频片段对应的特征向量；采用谱聚类对所有的特征向量进行聚类，实现场景的分类。本发明可以有效地对光流去噪及量化，检测出同一场景中的不同运动模式，实现场景分类，对于视频监控中的场景分析具有重要的现实意义和实用价值。
-
公开(公告)号：CN118368724A
公开(公告)日：2024-07-19
申请号：CN202410792907.X
申请日：2024-06-19
Applicant: 南京邮电大学
IPC: H04W72/0453 , H04W72/044 , H04W72/23 , H04W72/543 , H04B7/04
Abstract: 本发明公开了一种基于QoS约束的IRS‑MU‑OAM‑OFDMA下行资源优化方法及系统，优化方法包括：建立IRS‑MU‑OAM‑OFDMA通信系统模型；建立基于QoS约束的IRS‑MU‑OAM‑OFDMA通信系统模型的下行资源优化模型；在所述下行资源优化模型下，对子表面分配因子、子载波分配因子、用户功率分配系数、模式功率分配系数、反射相位分别进行优化；根据优化后的子表面分配因子、子载波分配因子、用户功率分配系数、模式功率分配系数、反射相位分配通信资源。克服了传统OAM系统只能适用于视距信道的缺点。在保障系统各用户QoS需求的前提下实现了系统容量的最大化，并且有比传统方法更低的误码率。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.023 seconds)
