-
公开(公告)号：CN117349753A
公开(公告)日：2024-01-05
申请号：CN202311461196.X
申请日：2023-11-06
Applicant: 东南大学
IPC: G06F18/2415 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明属于射频指纹识别技术领域，公开了基于自适应小波阈值去噪算法的射频指纹识别方法及系统。本发明方法包括：接收射频信号；对接收的射频信号进行训练，包括：对接收的射频信号进行标准化处理；提取与射频信号匹配的小波基函数和小波阈值；基于小波基函数和小波阈值对标准化处理后的射频信号进行去噪处理；将去噪处理前与去噪处理后的射频信号相加后作为分类网络的输入，得到射频信号所属各类别的预测概率；根据射频信号所属各类别的预测概率更新网络参数；重复对接收的射频信号进行训练，直到网络收敛。从而在解决一般小波阈值去噪算法中人工选取小波基的耗时问题的基础上，提升后续识别网络在低信噪比环境下的性能。
-
公开(公告)号：CN116961708A
公开(公告)日：2023-10-27
申请号：CN202310936698.7
申请日：2023-07-28
Applicant: 东南大学 , 中国电子科技集团公司第五十四研究所
IPC: H04B7/0413 , H04B7/06 , H04B7/08 , H04L27/20
Abstract: 本发明提出一种基于交替优化的大规模多输入多输出系统检测方法，针对基于PSK调制的大规模MIMO系统，采用交替方向乘子法ADMM的优化方法，将原始的信号检测问题重构为一个凸优化问题，并在目标函数中加入二次惩罚函数，并将整数约束放松为盒约束，然后通过对增广拉格朗日表达式的处理计算得到变量的更新公式，在迭代过程中实现对变量的交替优化；随着迭代次数的增加，基于交替优化的大规模MIMO检测方法的性能不断提升，并最终达到收敛。虽然基于交替优化的大规模MIMO检测方法的计算复杂度高于MMSE方法，但是与MMSE方法相比，该方法具有更高的检测性能，尤其是在接收天线数量接近发送天线数量时，基于交替优化的大规模MIMO检测方法的性能优势更显著。
-
公开(公告)号：CN116866131A
公开(公告)日：2023-10-10
申请号：CN202310936704.9
申请日：2023-07-28
Applicant: 东南大学 , 中国电子科技集团公司第五十四研究所
IPC: H04L27/20 , H04L27/22 , H04B7/0413
Abstract: 本发明是一种基于矩阵调制的简化概率数据辅助检测方法，具体步骤为：步骤1，构造调制矩阵：步骤2，计算等效信道矩阵；步骤3，初始化符号的数字特征及最大迭代次数；步骤4，更新LLR信息；步骤5，更新符号的数字特征。针对基于PSK调制的MIMO系统，采用矩阵调制代替符号映射，使得PDA方法的待检测序列由调制符号变为二进制序列，并通过引入对数似然比LLR和每个符号数字特征的近似值，避免了复杂的指数运算。由于检测方法的待检测序列是基于比特的，避免了LLR和概率之间的转换，方法所输出的LLR可直接用于后续译码器进行译码。本发明在有限的性能损失下，将指数运算的个数由MNtTiter减少至0个，降低了PDA方法的复杂度。
-
公开(公告)号：CN116647920A
公开(公告)日：2023-08-25
申请号：CN202310620244.9
申请日：2023-05-30
Applicant: 东南大学
IPC: H04W72/0453 , H04W72/044 , H04W72/50 , H04W72/543 , H04L41/16 , H04B7/0413 , G06Q10/0631 , G06Q50/06 , G06Q50/30 , G06N3/092
Abstract: 本发明公开了一种以保证智能电网可观测性为前提，在同时满足相关的服务质量指标的场景下，MIMO技术下所对应的天线和带宽资源的规划方法。智能电网要求的可观测性是电网正常运行的前提，此外智能电网对于PMU设备产生的测量数据的实时性要求较高。本发明以深度强化学习算法，模拟退火算法和二分法为基础，针对严格的时延限制引入有效容量理论用以衡量无线衰落信道所对应的统计服务质量要求。问题模型规划如下，在限制总带宽和总天线数量的约束条件下，通过交替优化算法分配总带宽和总的天线给各个PMU设备所对应的发射机，产生以智能电网可观测性指标的数值为目标函数的资源分配方案。
-
公开(公告)号：CN116321005A
公开(公告)日：2023-06-23
申请号：CN202310297090.4
申请日：2023-03-24
Applicant: 东南大学
IPC: H04W4/029 , G06N7/01 , G06N3/096 , H04W64/00 , H04W52/02 , H04L41/16 , G16Y10/75 , G16Y40/10 , G16Y40/60
Abstract: 本发明公开了一种基于强化学习的分布式物联网系统无线传输方法。使用了Age of information(AoI)和能量消耗作为衡量指标，每一个设备都是独立的，它们去监测车辆的位置信息并将其传输给基站，而由于有限的无线资源，只有部分设备可以传输，所以使用了强化学习IPPO算法用于决策哪些设备可以传输，IPPO算法可以实现对采样到的样本进行多次利用，解决了样本利用率低的问题，降低了计算时间复杂度，提高了设备传输的效率。
-
Patent Agency Ranking
公开(公告)号：CN114978918A
公开(公告)日：2022-08-30
申请号：CN202210553486.6
申请日：2022-05-20
Applicant: 东南大学
IPC: H04L41/0896 , H02J3/00
Abstract: 本发明公开了一种有限块长下满足QoS通信时延约束时为PMU设备分配带宽资源的策略，并使得智能电网系统可观测性的性能最大化。电网可观测性是智能电网系统稳定运行的基础，同时相关量测数据有着较为严格的时延要求。本发明采用有限块长理论分析PMU设备信息的传输，基于模拟退火算法和黄金分割搜索法提出带宽资源的分配算法，该算法能够保证电网可观测性性能的同时，相比于等带宽分配方式能提升30％左右频谱效率。同时使用有效容量理论从统计角度保证通信时延小于时延阈值，对数据实时性进行要求。最终给出有限块长下满足通信时延约束时的带宽资源的最优分配方案，并且使得电网可观测性性能最大化。
-
公开(公告)号：CN111935037B
公开(公告)日：2022-07-12
申请号：CN202010520822.8
申请日：2020-06-09
Applicant: 东南大学
Abstract: 本发明提供了一种基于深度学习的大规模多天线系统信道估计方法。本发明的方法为：首先在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC‑DNN的训练样本进行RC‑DNN训练；然后将接收并量化的导频信号输入训练完成后的RC‑DNN获得RC‑DNN的输出，并将其同对应的高精度ADC天线接收并量化后的导频信号合并成Ref‑DNN的训练样本进行Ref‑DNN训练；用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC‑DNN得到低精度ADC天线处的估计信道将其与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref‑DNN的输入su，将su输入Ref‑DNN，获得用户到所有天线的估计信道本发明可有效降低估计的NMSE。
-
公开(公告)号：CN110505681B
公开(公告)日：2022-02-22
申请号：CN201910743280.8
申请日：2019-08-13
Applicant: 东南大学
Abstract: 本发明公开了一种基于遗传方法的非正交多址接入场景用户配对方法，包括：配置遗传所需必要参数，所述参数包括种群规模P和进化代数T；编码：将具体的用户配对方案转化为序列；选定配对方案，生成初始种群作为迭代计算的初始值；所述配对方案是所述初始种群的元素；评价：将当前代际的种群中配对方案个体对应的序列代入适应度函数，得到对应的适应度函数值；遗传操作：在当前计算迭代次数没有达到T时，对当前种群进行遗传操作，产生新一代种群；直到进化到T代为止；将当前种群P个个体中适应度函数值最高的的个体解码，得到的配对方案为NOMA场景中用户配对方案的近似最优解。对比该问题的其他传统解决方案，本方法在所需时间上有可观的缩短。
-
公开(公告)号：CN110071779B
公开(公告)日：2021-11-16
申请号：CN201810058260.2
申请日：2018-01-22
Applicant: 东南大学
IPC: H04L1/00
Abstract: 本发明公开了一种低复杂度的极化码多级编码调制方法，包括：计算调制星座点集合中各个比特层的信道容量；计算虚拟BEC信道的巴特查理亚系数；利用巴特查理亚系数构造极化码；得到等效比特信道的巴特查理亚系数；极化码构造完成后，进行调制、解调和译码。本发明是针对极化码和多级编码调制的联合设计，将MLCM中的调制比特信道视为虚拟BEC信道，通过BEC信道的巴特查理亚系数在极化码中递归关系，进行MLCM调制方式下极化码构造，本发明中方法的时间复杂度低于已有的基于蒙特卡罗方法。
-
公开(公告)号：CN110445825B
公开(公告)日：2021-09-10
申请号：CN201810421373.4
申请日：2018-05-04
Applicant: 东南大学
Abstract: 本发明提供一种基于强化学习的超密集网络小站编码协作缓存方法，所述方法包括以下步骤：第一步：采集网络信息，设置参数：第二步：制定基于MDS编码的基站协作缓存方案：第三步：制定基站协作传输方案：第四步：用MDP来描述强化学习任务：第五步：明确强化学习目标：第六步：更新用于决策的Q表，第七步：随机设置起始状态；等，该方法利用小站协作编码缓存及协作传输为用户提供服务，通过强化学习挖掘收集到的真实网络中文件请求的转移模式，制定最优的缓存策略，作为一种数据驱动的机器学习方法，无需任何对数据先验分布的假设，更加适用于实际系统。且通过与环境实时交互，可追踪时变的文件流行度，执行最优的缓存策略，不需解NP‑hard问题。
-
-
-
-
-
-
-
-
-
Search Results
351
records
(took 0.055 seconds)
