-
公开(公告)号：CN117792835B
公开(公告)日：2024-05-10
申请号：CN202410209425.7
申请日：2024-02-26
Applicant: 南京邮电大学
Abstract: 本发明属于量子机器学习在宽带信道估计中的应用技术领域，公开了一种基于双模块量子生成对抗器的信道估计方法，其对包含不同完整度的宽带信道导频信息的数据进行处理，并通过振幅编码转换成量子态数据；构建双模块量子生成对抗器的量子机器学习模型，用以测量量子鉴别器对数据真实性的判断概率及量子生成器的量子比特振幅；通过交替优化策略，对量子生成器和量子鉴别器的参数进行调整；将部分导频信息数据输入优化后的模型，生成完整的导频信息。本发明所述方法可实现高效且准确的信道估计，为无线通信物理层技术提供了新的研究方向，并为未来无线通信技术的发展开辟了新的可能性。
-
公开(公告)号：CN116233897B
公开(公告)日：2023-07-21
申请号：CN202310515169.X
申请日：2023-05-09
Applicant: 南京邮电大学
IPC: H04W24/02 , H04W24/06 , H04B7/145 , H04B17/382
Abstract: 本发明公开了一种基于IRS的感知增强认知无线电网络资源分配的优化方法，属于无线通信技术领域；步骤：次基站获取基站到IRS以及IRS到用户的信道状态信息；定义感知阶段和传输阶段的IRS对角相移矩阵，根据信道状态信息，建立优化模型；利用优化模型对感知阶段IRS对角相移矩阵辅助次基站感知主网络频谱占用情况进行优化；进入传输阶段，利用优化模型优化不同感知结果下传输阶段次基站波束形成向量与IRS对角相移矩阵；次基站根据优化结果发射传输信息，实现在约束对主用户干扰的情形下对系统的频谱效率的改善。本发明通过IRS辅助次基站的传输过程，方便次基站更精细地制定不同的发射策略，改善信道环境，提高次用户的总和速率。
-
公开(公告)号：CN116155326A
公开(公告)日：2023-05-23
申请号：CN202310418885.6
申请日：2023-04-19
Applicant: 南京邮电大学
IPC: H04B7/0413 , H04B7/06 , H04B7/08 , H04B7/22 , H04L25/02
Abstract: 本发明提供一种超大规模MIMO混合场信道下的去伪峰信道估计方法，通过将天线组成的均匀线阵列平均分为N个子阵列，发送信号被散射体反射到达天线阵列，给定接收信号，进行角度估计出包含伪峰的角度集合，结合伪峰判断方案，去除伪峰对应的角度后，确定真实角度；获得每个子阵列的角度估计值，判定散射体可见的子阵列的区域，并区分远场的角度和近场的角度，确定用于描述信道的空间非平稳情况的选择向量；确定导向矢量的角度、近场距离和远场距离，根据最小二乘法求路径的增益系数；构建MIMO混合场信道模型，估计出混合场信道；该方法大大降低了信道估计的均方误差，有效提高信道估计精度，具有很好的信道估计性能。
-
公开(公告)号：CN115632726A
公开(公告)日：2023-01-20
申请号：CN202211652733.4
申请日：2022-12-22
Applicant: 南京邮电大学 , 江苏有线数据网络有限责任公司
IPC: H04B17/336 , H04B17/391 , H04B1/69 , H04B7/0413
Abstract: 一种基于模型驱动的ISTA‑Net上行免调度大规模MIMO‑NOMA信号检测方法，针对免调度NOMA系统接收端对于用户活跃状态信息完全未知给信号检测带来的巨大挑战，通过动量加速方式对传统的ISTA算法进行改进，再将改进之后的ISTA算法使用模型驱动的思想进行深度网络化，形成ISTA‑Net信号检测方案。在此基础上，根据ISTA‑Net的信号检测结果，采用“第一次显著跳跃”活跃用户判断方案来进一步提高检测性能。最终通过实验证明，基于“第一次显著跳跃”活跃用户判断的ISTA‑Net检测方案在免调度大规模MIMO‑NOMA系统中具有可行性。
-
公开(公告)号：CN107276645B
公开(公告)日：2020-11-13
申请号：CN201710373138.X
申请日：2017-05-24
Applicant: 南京邮电大学
IPC: H04B7/0413 , H04B7/0456
Abstract: 本发明公开了一种将stiefel流形和干扰对齐相结合的预编码设计方法，该方法利用到了现有的单边干扰对齐方案，将stiefel流形方案应用于求单边干扰对齐预编码，该方法可以进一步提高系统的容量，通过以下技术方案实现，包括：步骤一、MIMO系统模型分析；步骤二、单边干扰对齐技术：步骤三、stiefel流形技术：步骤四、stiefel流形的最速下降单边干扰对齐算法方案；步骤五、stiefel流形的共轭梯度单边干扰对齐算法方案；相比于现有方法，本发明不仅加快了预编码函数的收敛速度，而且提高了系统容量。
-
Patent Agency Ranking
公开(公告)号：CN107367277B
公开(公告)日：2020-07-03
申请号：CN201710413527.0
申请日：2017-06-05
Applicant: 南京邮电大学
IPC: G01C21/20
Abstract: 本发明公开了一种基于二次K‑Means聚类的室内位置指纹定位方法，对位置指纹数据库进行一次k‑means聚类，确定聚类完成后最终的聚类中心；对位置指纹数据库进行二次k‑means聚类，确定聚类完成后最终的聚类中心；计算待定位点到一次k‑means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k‑means聚类方法实现定位，否则基于一次k‑means聚类方法实现定位；本专利方法基于K‑Means聚类算法的二次聚类位置指纹匹配方法所得的结果，不受聚类算法边界参考点相似度高的影响，具有较高的准确性；方法简单，易于实现，具有良好的适用性。
-
公开(公告)号：CN107704426A
公开(公告)日：2018-02-16
申请号：CN201710744099.X
申请日：2017-08-25
Applicant: 南京邮电大学
CPC classification number: G06F17/148 , G06N3/08
Abstract: 本发明公开了基于扩展小波神经网络模型的水位预测方法，该方法通过分析输入与输出的相关性，确定输入项的个数，使预测精度提高。该方法包括如下步骤：步骤1：计算输入xt,xt-1,xt-2,…,xt-n序列与输出x的相关性。步骤2：根据相关性，将各个序列xt,xt-1,xt-2,…,xt-n，n≥1以db5作为母小波进行3层小波分解，将各个序列进行小波分解得到 将小波分解系数 归一化处理作为网络的输入，通过n的取值不同建立不同的扩展小波神经网络模型；步骤3：选择双曲正切函数与线性函数分别作为隐层与输出层的激励函数，根据均方误差(MSE)的大小来选择合适的隐层节点数，采用Levenberg-Marquardt(LM)优化算法，训练网络；步骤4：将得到的不同的扩展网络进行检验，选择最恰当的扩展网络神经网络，提高预报精度。
-
公开(公告)号：CN107367277A
公开(公告)日：2017-11-21
申请号：CN201710413527.0
申请日：2017-06-05
Applicant: 南京邮电大学
IPC: G01C21/20
Abstract: 本发明公开了一种基于二次K-Means聚类的室内位置指纹定位方法，对位置指纹数据库进行一次k-means聚类，确定聚类完成后最终的聚类中心；对位置指纹数据库进行二次k-means聚类，确定聚类完成后最终的聚类中心；计算待定位点到一次k-means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k-means聚类方法实现定位，否则基于一次k-means聚类方法实现定位；本发明方法基于K-Means聚类算法的二次聚类位置指纹匹配方法所得的结果，不受聚类算法边界参考点相似度高的影响，具有较高的准确性；方法简单，易于实现，具有良好的适用性。
-
公开(公告)号：CN120031075A
公开(公告)日：2025-05-23
申请号：CN202510490604.7
申请日：2025-04-18
Applicant: 南京邮电大学 , 江苏有线数据网络有限责任公司
Abstract: 一种基于量子耦合的生成对抗网络设计方法，分别输入两个域的真实手写体图片信息；构建耦合量子生成对抗器的量子机器学习模型，用以测量鉴别器对数据真实性的判断概率及量子补丁生成器的量子比特振幅；通过参数共享方法，对量子补丁生成器和经典鉴别器的参数进行调整，捕捉到两个相似域的共享特征；同时使用补丁式网络的设计方法构建生成器，节约了量子比特数，降低了量子网络的训练成本。本发明所述方法可实现高质量的手写体数据生成，也为量子机器学习的领域适应方面提供了新的研究方向，可以实现跨域分类器较高的分类精度，并为未来量子生成对抗网络的发展开辟了新的可能性。
-
公开(公告)号：CN118761478A
公开(公告)日：2024-10-11
申请号：CN202411245125.0
申请日：2024-09-06
Applicant: 南京邮电大学
IPC: G06N10/20 , G06N20/00 , G06F17/16 , G06F18/214 , G06F18/241 , G06F18/213
Abstract: 本发明公开了一种提升量子机器学习模型泛化性能的方法，属于数据分类技术领域，该方法扩展了以往使用固定的Pauli算符作为测量算子的局限，提出通过优化可观测量来完成量子机器学习模型设计的新方法，该方法主要涉及两步优化，首先通过求解二次规划寻找适合于采样后小型数据集的集合，该步骤的思想类似于经典机器学习的范数最小化，以此来提高模型的泛化性能；其次将该集合的特征值构建为测量算子在训练集上完成针对门电路参数的优化，从而进一步提升模型的性能。最后，通过pennylane上的实验仿真以及在IBM真实量子计算机上的测试，验证了本发明的可行性。本发明为量子机器学习模型的设计提供了新的思路，有望推进该领域的发展。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.02 seconds)
