-
公开(公告)号：CN109547139A
公开(公告)日：2019-03-29
申请号：CN201811632355.7
申请日：2018-12-29
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: H04B17/391 , H04B7/0413
Abstract: 本发明考虑用户到BR和BR到目的地BD存在LOS路径的情况，构建了基于Rician信道的Massive MIMO中继系统的上行链路模型，并对基于Rician信道的Massive MIMO中继系统的上行链路模型推导出其可实现速率的近似闭合表达式，并基于该推导的表达式导出了另外三种情况下实现速率的近似表达式。本发明推导出的基于Rician信道的Massive MIMO中继系统上行链路可实现速率的闭合表达式与传统的瑞利衰减信道下推导出上行链路可实现速率的闭合表达式相比具有明显的优势，这是因为在用户到BR和BR到目的地BD的信道都考虑了LOS路径的存在，使所得速率更接近实际通信过程中的速率。
-
公开(公告)号：CN108337713A
公开(公告)日：2018-07-27
申请号：CN201810094457.1
申请日：2018-01-31
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
CPC classification number: Y02D70/00 , Y02D70/38 , Y02D70/39 , H04W40/10 , H04W40/20 , H04W40/22 , H04W40/246 , H04W40/248 , H04W84/18
Abstract: 本发明公开了一种基于改进K均值的矿井无线传感网非均匀分簇路由方法，其特征是，包括如下步骤：计算最优聚类簇首数目；计算K均值算法的初始质心；将每个传感器节点根据欧氏距离分配给距离最近的质心；计算每个簇新的质心位置；误差函数取得最小值；各簇内节点按照到对应簇内质心的距离编号；选择距离各簇内质心最近的节点为初始簇首；计算网络运行过程中每一轮簇首节点发送数据信息到基站消耗的能量；计算簇首能量阈值；判断当前簇首在下一轮是否继续担任簇首。优点：不再以轮为单位重新分簇，每轮仅进行基于剩余能量和地理位置的簇首动态更换；延长整个网络的生命周期。
-
公开(公告)号：CN108768904B
公开(公告)日：2021-09-28
申请号：CN201810353005.0
申请日：2018-04-19
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
Abstract: 基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，包括如下步骤：S1、获取单个HNN神经元的状态；S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；S4、根据接收数据矩阵优化为幅值相位型离散Hopfield神经网络结构；S5、构建带扰动的幅相型离散Hopfield神经网络。本发明在Hopfiled神经网络的基础上将扰动因子加在权矩阵和激活函数之间，既继承了神经网络的所有优点且其收敛速度更快并不容易陷入局部最小，为无线通信网提供了准确且快速的信号盲检测方法。
-
公开(公告)号：CN109547139B
公开(公告)日：2021-05-18
申请号：CN201811632355.7
申请日：2018-12-29
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: H04B17/391 , H04B7/0413
Abstract: 本发明考虑用户到BR和BR到目的地BD存在LOS路径的情况，构建了基于Rician信道的Massive MIMO中继系统的上行链路模型，并对基于Rician信道的Massive MIMO中继系统的上行链路模型推导出其可实现速率的近似闭合表达式，并基于该推导的表达式导出了另外三种情况下实现速率的近似表达式。本发明推导出的基于Rician信道的Massive MIMO中继系统上行链路可实现速率的闭合表达式与传统的瑞利衰减信道下推导出上行链路可实现速率的闭合表达式相比具有明显的优势，这是因为在用户到BR和BR到目的地BD的信道都考虑了LOS路径的存在，使所得速率更接近实际通信过程中的速率。
-
公开(公告)号：CN108540269B
公开(公告)日：2020-09-15
申请号：CN201810347978.3
申请日：2018-04-18
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
Abstract: 本发明公开了一种基于幅相型离散多电平TCNN的MPSK盲检测方法，基于暂态混沌神经网络的全局搜索能力，并利用混沌动力学行为进行全局优化，从而克服了幅相型离散多电平Hopfield神经网络在解决MPSK信号盲检测中易陷入局部最优解和需要多个起点的缺点。
-
Patent Agency Ranking
公开(公告)号：CN109688076A
公开(公告)日：2019-04-26
申请号：CN201810351419.X
申请日：2018-04-19
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
CPC classification number: H04L25/03165 , H04L1/0038
Abstract: 本发明公开了基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，包括如下步骤：构造接收数据矩阵XN；对所述接收数据矩阵XN进行奇异值分解；设置权矩阵WRI，并构造性能函数；将分段退火函数引入混沌神经网络中，构造基于分段退火的离散多电平迟滞混沌神经网络；构建基于离散多电平迟滞的噪声混沌神经网络的改进后新模型的动态方程，对所述改进后新模型的动态方程进行迭代运算，然后把每次迭代的结果代入基于离散多电平迟滞的噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，所述离散多电平迟滞混沌神经网络达到平衡，迭代结束。本发明改进激活函数构造了离散多电平迟滞的噪声混沌神经网络模型，更好的避免神经网络陷入极小值点。
-
公开(公告)号：CN109618311A
公开(公告)日：2019-04-12
申请号：CN201910042795.5
申请日：2019-01-17
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: H04W4/70 , H04B17/391 , H04L1/00 , H04L25/02 , H04L27/34
Abstract: 本发明公开基于M2M通信频谱共享与共存的盲检测算法，包括如下步骤：步骤SS1：构造传统用户过完备模型和M2M通信稀疏模型；步骤SS2：凸优化求解M2M传输信号；步骤SS3：构造传统用户接收数据矩阵；步骤SS4：对所述步骤SS3中的接收数据矩阵奇异值分解；步骤SS5：设置权矩阵；步骤SS6：选择Hopfield神经网络的激活函数，进行Hopfield神经网络迭代运算。本发明首次利用Hopfield神经网络的盲检测恢复M2M通信中传统用户的恢复，根据传统用户过完备模型和M2M设备稀疏模型，利用凸优化得出M2M设备传输信号，对状态方程进行迭代：每次迭代时，进入Hopfield神经网络，通过仿真验证了在同等条件下，本发明的误码率优于假设信道已知情况下恢复传统用户信号的方法。
-
公开(公告)号：CN108763344A
公开(公告)日：2018-11-06
申请号：CN201810458856.1
申请日：2018-05-15
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: G06F17/30
Abstract: 本发明公开了一种基于信息增益与最大相关最小冗余二阶段特征选择方法，首先根据信息增益算法初步选取特征词，得到特征词子集；计算特征词与类别之间的互信息值；计算特征词之间的互信息值；计算特征词的类差分度；计算特征词的类差分度差值；将类差分度差值引入最大相关最小冗余MRMR算法进行二阶段特征词选取；本发明通过信息增益选取一阶段特征集合，同时将类差分度思想引入最大相关最小冗余方法作为二阶段特征提取方法，进而提升特征集合选取的准确度，实现特征词的准确选取，解决现有特征提取分类效果差、计算量大以及特征冗余等技术问题。
-
公开(公告)号：CN108647259A
公开(公告)日：2018-10-12
申请号：CN201810382423.2
申请日：2018-04-26
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
Abstract: 本发明公开了一种基于改进深度特征加权的朴素贝叶斯文本分类方法，包括：获取文本的特征词，根据不同的特征词出现的类别数和文本数，得到相应的特征类别概率和特征文本概率，进而得到特征的二维信息增益；利用所述二维信息增益与深度加权方式相结合对特征加权朴素贝叶斯模型进行深度加权，得到改进深度特征加权的朴素贝叶斯模型；对于任意文本，利用改进深度特征加权的朴素贝叶斯模型分别计算属于各特征类别的概率，选出最大的概率值对应的类别即文本所属类别。本发明能够使传统朴素贝叶斯算法的特征独立性假设得到抑制，为文本分类任务提供准确和快速的分类方法。
-
公开(公告)号：CN108574653A
公开(公告)日：2018-09-25
申请号：CN201810351404.3
申请日：2018-04-19
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
Abstract: 本发明公开了基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，包括如下步骤：步骤SS1：构造接收数据矩阵XN；步骤SS2：对所述接收数据矩阵XN进行奇异值分解；步骤SS3：设置权矩阵W；步骤SS4：选择双Sigmoid迟滞混沌神经网络的激活函数，进行双Sigmoid迟滞混沌神经网络迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束。本发明首次利用双Sigmoid混沌神经网络和迟滞噪声构成了一个双Sigmoid迟滞噪声混沌神经网络，增强了网络的优化性能，提高了网络优化解的质量，本发明的抗噪性能和收敛速度优于传统的Hopfield信号盲检测算法。
-
-
-
-
-
-
-
-
-
Search Results
83
records
(took 0.041 seconds)
