-
公开(公告)号：CN115865147A
公开(公告)日：2023-03-28
申请号：CN202211657224.0
申请日：2022-12-22
Applicant: 南京邮电大学
IPC: H04B7/0413 , H04B7/0456
Abstract: 本发明公开了一种面向6G的MIMO‑OTFS系统的预编码优化方法，该方法基于最大信漏噪比准则，约束基站发射总功率，在有效节约资源的情况下，以达到设计最佳预编码器的目的。其实现步骤为：首先，根据系统模型确定信道矩阵；其次，获取延迟多普勒域输入输出关系；然后，根据输入输出关系建立以预编码矩阵为变量的目标函数问题；最后，利用Dinkelbach算法将目标函数转化为辅助变量相减的形式，固定某一变量，将原非凸优化问题转化为半正定规划(SDP)问题，求得最佳预编码矩阵。由此设计的最佳预编码器不仅消除了用户间干扰，还能消除同一用户的符号间干扰。本发明通过对预编码矩阵的设计优化，有效保证了不同用户间的通信性能，进一步降低了MIMO‑OTFS系统的误码率。
-
公开(公告)号：CN115632726B
公开(公告)日：2023-02-28
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：CN114743569A
公开(公告)日：2022-07-12
申请号：CN202210419568.1
申请日：2022-04-21
Applicant: 南京邮电大学
Abstract: 本发明涉及一种基于双层融合深度网络的语音情感识别方法，为了获得丰富的交叉模态的信息本发明利用了语音和文本两个模态的特征向量进行寻优融合，捕捉复杂的关联在音频和文本之间进行情感识别。首先将语音和文本信息通过预处理，得到音频和文本特征向量，通过FBP特征融合模块，将音频特征，文本特征做多模态交叉融合，将融合后的特征向量分别经过LSTM,GRU,DNN三个子模型组成的level‑1初级特征编码网络，然后level‑1三个子网络的输出做二次融合，编码高级特征，融合的方法是hadmard积，最后将融合后的特征输入到level‑2的BiLSTM编码网络，最后接分类输出层，预测情感类别。本次提出的融合算法在公开数据集IEMOCAP上实验结果显示达到了80.38％WA和78.62％UA，实现了目前语音情感识别领域较好的结果。
-
公开(公告)号：CN113872652A
公开(公告)日：2021-12-31
申请号：CN202110708638.0
申请日：2021-06-25
Applicant: 南京邮电大学
IPC: H04B7/06 , H04B7/0456 , H04B7/0413 , H04B7/0417 , H04L25/02 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于3D MIMO时变系统的CSI反馈方法，包括基于时变环境构建包含有空间、频率和时间三个维度的大规模3D MIMO信道模型，基于3D MIMO信道模型估算下行链路CSI，建立编码器网络，对下行链路CSI进行压缩获得低维矢量，并通过上行链路通信向基站反馈，建立解码器网络，对基站接收的低维矢量进行下行链路CSI矩阵重建，完成预编码，本发明通过3D CNN和BiLSTM的结合，可将下行链路CSI压缩成一个低维矢量，其能够在较长的时间序列中提取到更多的特征并压缩，在能够保证其通信性能的同时，还可在解码过程中，更好的对下行链路CSI进行恢复。
-
公开(公告)号：CN110212951A
公开(公告)日：2019-09-06
申请号：CN201910342399.4
申请日：2019-04-26
Applicant: 南京邮电大学
IPC: H04B7/0413 , H04B7/0408 , H04L25/02
Abstract: 本发明公开了信号处理技术领域的一种基于Butler矩阵的大规模MIMO信道估计方法，旨在解决现有技术中信道估计的性能达不到要求，信道信息估计的准确度不高的技术问题，一种基于Butler矩阵的大规模MIMO信道估计方法，包括以下步骤：确定波束变换矩阵；获取用户的角度信息；获取信道增益信息；通过角度信息和信道增益信息，获取完整的信道信息。本发明提出了一种基于Butler矩阵的大规模MIMO信道估计方法，相比传统基于导频的最小二乘（LS）信道估计方法，本发明所述方法具有更好的信道估计性能，获取信道信息的准确度更高，也更加适用于大规模MIMO背景下的信道估计。
-
Patent Agency Ranking
公开(公告)号：CN108599828A
公开(公告)日：2018-09-28
申请号：CN201810348330.8
申请日：2018-04-18
Applicant: 南京邮电大学
IPC: H04B7/0456 , H04J11/00
Abstract: 本发明公开了一种多小区3D MIMO场景下的两层预编码方法，包括设置两层预编码矩阵其中 为第一层预编码矩阵，所述第一层预编码矩阵用于消除小区间干扰，为第一层水平预编码矩阵， 为第一层垂直预编码矩阵；为第二层预编码矩阵， 为垂直波束赋形矩阵(NH×NV)×NH， 为水平预编码矢量NH×1，所述NH为小区垂直维度天线数量，所述NV为小区水平维度天线数量，所述第二层预编码矩阵用于消除用户间干扰。本发明方案较RV方案对小区平均频谱效率及用户平均频谱效率均有显著提高。
-
公开(公告)号：CN107276645A
公开(公告)日：2017-10-20
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。
-
公开(公告)号：CN105515622A
公开(公告)日：2016-04-20
申请号：CN201510833734.2
申请日：2015-11-25
Applicant: 南京邮电大学
Inventor： 李汀
IPC: H04B7/04
CPC classification number: H04B7/0413 , H04B7/0417 , H04B7/0456
Abstract: 本发明公开了一种基于高分辨率动态聚焦码本的有限反馈预测预编码方法，该有限反馈预测预编码方法在Grassmannian流形上利用低维度的切空间上的高分辨率动态聚焦码本作为有限反馈码本，对MIMO时变信道在收、发两端进行量化预测。本发明充分利用时变信道的时域相关性，系统性能明显优于存在反馈延迟的无记忆有限反馈预编码和采用固定码本的有限反馈预测预编码。
-
公开(公告)号：CN119853755A
公开(公告)日：2025-04-18
申请号：CN202510322482.0
申请日：2025-03-19
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于干扰利用的双基地通信感知一体化波束成形设计方法，属于基地通信技术领域，本发明构建了双基地的通信感知一体化系统，重新推导了双基地模型下的点目标角度估计的克拉美罗界，并且首次在通信感知一体化波束成形设计中引入16QAM的建设性干扰，将通信感知一体化的波束成形设计建模为一个优化变量为通信信号波束成形矩阵的优化问题，该问题的目标函数为代表感知性能的点目标的角度估计的克拉美罗界，约束包含：基站发射信号的功率必须在功率预算内以及满足16QAM建设性干扰的通信用户接收信号的约束，本发明在通信用户端满足建设性干扰约束的前提下，使感知性能克拉美罗界尽可能降低。
-
公开(公告)号：CN114743569B
公开(公告)日：2024-11-26
申请号：CN202210419568.1
申请日：2022-04-21
Applicant: 南京邮电大学
Abstract: 本发明涉及一种基于双层融合深度网络的语音情感识别方法，为了获得丰富的交叉模态的信息本发明利用了语音和文本两个模态的特征向量进行寻优融合，捕捉复杂的关联在音频和文本之间进行情感识别。首先将语音和文本信息通过预处理，得到音频和文本特征向量，通过FBP特征融合模块，将音频特征，文本特征做多模态交叉融合，将融合后的特征向量分别经过LSTM,GRU,DNN三个子模型组成的level‑1初级特征编码网络，然后level‑1三个子网络的输出做二次融合，编码高级特征，融合的方法是hadmard积，最后将融合后的特征输入到level‑2的BiLSTM编码网络，最后接分类输出层，预测情感类别。本次提出的融合算法在公开数据集IEMOCAP上实验结果显示达到了80.38％WA和78.62％UA，实现了目前语音情感识别领域较好的结果。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.028 seconds)
