-
公开(公告)号：CN111405605A
公开(公告)日：2020-07-10
申请号：CN202010212659.9
申请日：2020-03-24
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开了一种基于自组织映射的无线网络中断检测方法，所述方法首先通过采集网络关键性指标KPI构建数据集S，然后通过通过自组织映射对数据集S进行聚类，包括对SOM竞争层中每一个神经元的权重初始化并更新权重，选择SOM竞争层中最佳匹配单元以及遍历数据集S以获得经SOM聚类后得到的簇划分Cini；接着基于K-S检验合并簇划分Cini中相似的数据簇，将簇划分Cini更新为簇划分集合Cnew；最后根据所获得的簇划分集合Cnew，判断无线网络中是否发生中断。本发明所述的方法能够从无线网络所实时产生的大量未被标注的数据中准确地完成中断检测。
-
公开(公告)号：CN111342934A
公开(公告)日：2020-06-26
申请号：CN202010134327.3
申请日：2020-03-02
Applicant: 东南大学 , 网络通信与安全紫金山实验室
IPC: H04L1/00
Abstract: 本发明公开了一种基于极化码的多级比特交织编码调制方法，主要针对复高斯信道下的通信系统，包含两部分内容：极化码编码以及比特到符号的映射规则的设计。在极化码编码中，首先通过设计各个层级的子调制阶数，使得传统的二进制核可以用于各个层级的极化码编码，避免了打孔和构造多核极化码，保证了极化码的极化性能。然后，通过外部信息转移计算比特极化信道的可靠性，选择高可靠性的比特极化信道进行信息比特的传输，完成极化码编码。比特到符号的映射规则的设计主要针对对称星座图的映射，是一种联合集合分解和格雷映射的混合映射。本发明通过设计比特到符号的映射规则，可以最大化地提升极化性能，从而提高系统的误组率性能。
-
公开(公告)号：CN111327332A
公开(公告)日：2020-06-23
申请号：CN202010249050.9
申请日：2020-03-31
Applicant: 东南大学
Abstract: 本发明提供了一种LDPC码的噪声梯度下降多比特翻转译码早停方法，该方法包括如下步骤：(1)首先对接收信号硬判决，得到向量，对参数进行初始化；(2)计算向量x的伴随式s，如果s中的每一个元素都是1，则宣布译码成功，返回结果x并且结束迭代，否则，迭代次数t加1；(3)计算x的翻转方程E；(4)如果当前迭代次数t属于早停集合S，则启动计数器；(5)根据E和θ找到所有要翻转的比特的位置，翻转这些比特，更新x。记录翻转的比特数量；(6)如果迭代次数t小于最大迭代次数T且计数器的值l小于早停门限λ，转入步骤(2)；否则，返回x并且结束迭代。本发明的方法能显著减少译码器在低信噪比的平均迭代次数。
-
公开(公告)号：CN108134979B
公开(公告)日：2020-04-14
申请号：CN201711261843.7
申请日：2017-12-04
Applicant: 东南大学
Abstract: 本发明提供了基于深度神经网络的小基站开关控制方法，包括：采集基站中的用户信息；将所有用户数据整合成可供模型训练的路径数据样本集合；构建神经网络模型；输入数据并训练模型；收集待预测用户数据，预测用户下一时刻位置；计算基站未来服务用户的数目，控制基站开关。本发明方法通过预测基站内待服务人数，控制超密集网络中小基站的开关，达到了降低基站功耗，减少基站间的干扰，优化超密集网络中资源分配的目的；在建立数学模型的过程中，本方法结合了数据挖掘和机器学习，提高了预测的准确率和系统的实用性。
-
公开(公告)号：CN107371175B
公开(公告)日：2020-02-18
申请号：CN201710705438.3
申请日：2017-08-17
Applicant: 东南大学
Abstract: 本发明公开了一种使用协作预测的自组织网络故障检测方法，首先给出了基于K近邻的协同过滤预测算法，该算法利用用户数据的空间相关性预测参考信号接收功率，触发异常检测过程；然后提出一种邻区协作的时间序列灰度预测算法，该算法考虑了基站高密度分布、稀少用户连接的特性，利用用户报告的时间相关性分布式地处理相关用户数据，最后得到异常基站检测结果。本发明能够解决不同程度的基站发射功率衰减故障的检测，同时在高密度基站、少用户连接的网络环境中表现出良好的性能，得到较高的检测率。
-
Patent Agency Ranking
公开(公告)号：CN108156620B
公开(公告)日：2020-01-14
申请号：CN201810086759.4
申请日：2018-01-30
Applicant: 东南大学
Abstract: 本发明提供了一种基于信道和队列感知的超密集网络小站休眠方法，包括：采集网络信息；根据梯度下降法计算最优休眠比例；计算要休眠小站的数目；令基站开关比例为0，计算每个小站在一定时长内每个时间间隔内的平均队长和平均传输速率；根据各小站平均队长和用户平均传输速率之积将小站升序排列；得到休眠数目；按照排序依次关闭小站。本发明针对超密集异构网络提出的基站休眠方法，通过采集数据业务量，结合基站和用户之间的信道状态，执行基站休眠策略，能很好地适用于实际系统，且能带来比传统方法更好的性能增益，在保证用户时延特性的条件下显著降低系统能耗。
-
公开(公告)号：CN110298444A
公开(公告)日：2019-10-01
申请号：CN201910428367.6
申请日：2019-05-22
Applicant: 东南大学
Abstract: 本发明公开了一种提高基于霍尔效应磁编码器输出角度精度的方法，具体为：构造LM-BP神经网络结构；通过PSO方法优化LM-BP神经网络的初始权值和阈值：计算PSO粒子种群粒子维度、计算粒子的适应度值、更新粒子位置和速度、得到PSO优化后的LM-BP神经网络的初始权值和阈值；进行PSO-LM-BP神经网络训练：初始化LM-BP神经网络控制向量、计算输出层输出和理想输出信号的平方误差、更新控制向量、判断平方误差大小；PSO-LM-BP神经网络预测磁编码器输出角度。本发明通过PSO和LM相配合的方式来优化BP神经网络，为BP神经网络方法找到全局最优的初始权值和阈值，从而提高了磁编码器的原始输出角度的精度，减小了磁编码器的误差，大幅提高了磁编码器的输出角度精度。
-
公开(公告)号：CN110248370A
公开(公告)日：2019-09-17
申请号：CN201910509586.7
申请日：2019-06-13
Applicant: 东南大学
Abstract: 本发明提供了一种动态TDD网络中小区分簇的干扰协调方法。包括：S1.小区分簇算法的触发：设置10ms的定时器，通过小区的上下行的SINR，即信号干扰噪声比水平低于阈值或者定时器重新开始计时触发小区分簇进行干扰协调的过程；S2.小区分簇：被触发分簇的基站通过基站间接口通知邻区执行干扰协调；被触发的基站作为簇的基准基站，邻区基站通过小区分簇的准则进行分簇；基于最佳最大簇大小，分簇结果将被触发基站与干扰严重被触发基站的小区分在一个簇，最终得到小区分簇的结果；S3.在小区分簇之后，在小区分簇的基础上采用功率控制，本发明在5G超密集网络中抑制了这两种干扰，增加了系统上行及下行吞吐量，取得良好的性能。
-
公开(公告)号：CN110210658A
公开(公告)日：2019-09-06
申请号：CN201910427803.8
申请日：2019-05-22
Applicant: 东南大学
IPC: G06Q10/04
Abstract: 本发明提供一种基于小波变换的Prophet与高斯过程用户网络流量预测方法。针对用户网络流量时间序列的非平稳性、时变性等复杂特性，采用小波变换对用户网络流量时间序列进行预处理分析。经过小波变换后得到高频子序列与低频子序列，其中高频子序列反映了用户网络流量时间序列的突变性与无规律的波动性特征，而低频子序列则反映了用户网络流量时间序列的周期性与长期依赖特性。本发明针对高频子序列与低频子序列的特点，分别应用Prophet模型预测低频子序列，用高斯过程回归模型预测高频子序列，最后再进行离散小波逆变换，重构得到最终的网络流量预测结果。本发明所提出的预测方法，可以有效提高用户网络流量预测准确度。
-
公开(公告)号：CN110099017A
公开(公告)日：2019-08-06
申请号：CN201910427732.1
申请日：2019-05-22
Applicant: 东南大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明公开了一种基于深度神经网络的混合量化系统的信道估计方法，首先，将基站天线分为高精度ADC天线和低精度ADC天线两个集合，在仿真环境根据系统传输模型和信道模型产生真实信道和接收并量化的导频信号作为训练数据；然后，将训练数据分别送入设计的深度神经网络1和2中进行离线训练，通过调整神经网络权重矩阵直至性能收敛，结束训练；最后，将训练好的神经网络1和2装配在基站端，分别用于估计高精度ADC天线和低精度ADC天线对应的信道。本发明的估计方法充分利用深度神经网络强大的学习能力，经过离线的基于大量数据的训练，深度神经网络能够发掘大规模天线系统中不同天线之间的空间相关性，从而实现从高精度ADC天线对应信道到低精度ADC天线对应信道的准确映射。
-
-
-
-
-
-
-
-
-
Search Results
351
records
(took 0.03 seconds)
