-
公开(公告)号：CN109462426A
公开(公告)日：2019-03-12
申请号：CN201811383096.9
申请日：2018-11-20
Applicant: 南京邮电大学
IPC: H04B7/0408 , H04B7/0413 , H04B7/0426 , H04B7/06 , H04B17/382 , H04B17/40 , H04W4/02 , H04W4/42 , H04W72/04
CPC classification number: H04B7/0408 , H04B7/0413 , H04B7/0426 , H04B7/0617 , H04B7/0621 , H04B17/382 , H04B17/40 , H04W4/027 , H04W4/42 , H04W72/046 , H04W72/0473
Abstract: 本发明提出了一种面向高铁车厢服务质量保障的波束成形与功率分配方法，该方法首先采用基站获得列车内部接入点反馈的每节车厢的最小速率需求，再判断基站提供的发射功率是否能满足列车每节车厢的最小速率需求，然后根据判断结果选择不同的方式确定波束分配方案，获得每个时刻的波束分配方案后，优化功率分配，以最大化列车总的移动服务量。本发明考虑了列车在穿过基站覆盖区域的每个时刻不同用户的速率公平性问题，且在此条件下使列车总的移动服务量达到最大。
-
公开(公告)号：CN119577185A
公开(公告)日：2025-03-07
申请号：CN202411570341.2
申请日：2024-11-06
Applicant: 南京邮电大学
IPC: G06F16/783 , G06V20/40 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于残差神经网络的近重复视频检索方法，旨在解决当前近重复视频检索中存在的网络参数量大、网络训练困难及检索精度不足问题；该方法采用自适应颜色熵加权次级帧的方法进行视频数据预处理，根据视频长度自动确定每段视频中抽取的帧数，从而合成特定数量的颜色熵加权次级帧作为残差神经网络的输入；在特征提取阶段，该发明采用包含四个残差块的残差网络，每个残差块均由一个三维空洞卷积模块以及帧间差分特征提取模块并行连接组成；在视频检索阶段，将查询视频的特征与视频库中的所有视频特征进行相似度比较，检索出与查询视频相似视频；本发明步骤简单，检索精度高，同时网络参数量小，训练相对容易，具有较强实用性和推广价值。
-
公开(公告)号：CN119255186A
公开(公告)日：2025-01-03
申请号：CN202410622639.7
申请日：2024-05-20
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于TDOA的室内混合定位方法，该方法能够有效消除直射(LOS)环境下的距离测量误差，同时也能极大程度上抑制非直射(NLOS)误差。本发明将Taylor算法的初始估计值替换为Chan算法的定位结果并利用参考标签来调整Chan‑Taylor混合算法的初始位置结果。然后根据校正后的结果再次代入算法进行定位，并利用残差引入了加权系数进行位置的再处理。本发明提高定位精度的同时保持快速响应和高效率。通过模拟实验，验证了本发明的有效性。结果表明，本发明能够提高在复杂室内环境中的定位精度，并保持高效的计算速度，有助于提高室内定位跟踪系统的性能。
-
公开(公告)号：CN119152340A
公开(公告)日：2024-12-17
申请号：CN202410955437.4
申请日：2024-07-17
Applicant: 南京邮电大学
IPC: G06V10/82 , G06N3/0455 , G06N3/082 , G06N3/048 , G06N3/0985
Abstract: 本发明公开了一种融合自注意力机制的大规模MIMO CSI反馈方法，该方法融合了自注意力机制，结合残差连接和深度可分离卷积层，以实现高效、准确的CSI反馈。在编码器部分，采用多层自注意力机制进行特征提取和压缩；在解码器部分，通过多层卷积层与自注意力机制协同工作，将编码器生成的嵌入向量重构为原始图像。通过在注意力机制中结合残差连接和深度可分离卷积层序列显著增强了模型性能。在编码器部分，采用多层自注意力机制以实现高效的特征提取和压缩。在解码器部分，多层卷积层与自注意力机制协同工作，将编码器生成的嵌入向量重构为原始图像。本发明能够用于高效、准确地实现大规模MIMO系统的CSI反馈任务。
-
公开(公告)号：CN118413253A
公开(公告)日：2024-07-30
申请号：CN202410678305.1
申请日：2024-05-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种智能反射面辅助的分组选择波束成形方法，属于无线通信技术领域，该方法包括：首先，初始化浣熊位置，选择RIS相移矩阵。然后，根据空间相关性对用户进行分组并计算波束成形矩阵以及系统总速率。浣熊优化算法根据所得结果更新RIS相移矩阵。所提出的算法经过多次迭代，得到最大的系统总速率以及对应的波束成形矩阵。本发明提出的智能反射面辅助的分组选择波束成形方法，通过引入浣熊优化算法，实现了RIS相移矩阵和波束成形矩阵的联合优化，解决了其他算法收敛速度较慢且容易陷于局部最优解的问题。在计算波束成形矩阵时通过对用户进行分组，在减少用户间干扰的同时降低了系统的运算复杂度，提高了系统总速率。
-
Patent Agency Ranking
公开(公告)号：CN116669030A
公开(公告)日：2023-08-29
申请号：CN202310661747.0
申请日：2023-06-06
Applicant: 南京邮电大学
IPC: H04W12/06 , H04W12/63 , H04W12/121 , H04W4/02 , H04W64/00
Abstract: 本发明公开一种面向NLOS环境的改进残差加权位置估计方法，属于计算、推算或计数的技术领域。该方法基于最小残差原则，使用Chan定位算法对由不同基站组构成的方程组进行求解，计算得出对应的归一化残差值，选定每基站数相同情况中归一化残差最小的基站组合，并将归一化残差的倒数赋为该基站组合定位结果的权重，并对3基站时的定位结果进行权重赋值，然后将不同基站数对应的定位结果进行残差加权，并将加权结果作为最终的位置估计。本发明提升了在没有信道先验信息且信号传播环境为非视距情况下的TDOA定位精度。
-
公开(公告)号：CN116546506A
公开(公告)日：2023-08-04
申请号：CN202310622365.7
申请日：2023-05-30
Applicant: 南京邮电大学
IPC: H04W16/10
Abstract: 本发明公开了基于DRL的多小区通信感知一体化系统的资源分配方法，步骤如下：(1)搭建对用户和感知目标进行资源分配的深度强化学习网络，获得资源分配动作。(2)进行DRL和系统环境的交互。每一次交互中，所有小区获取当前时刻的环境状态。系统按照资源分配动作执行具体的通信和感知过程，资源分配网络当前奖励并到达下一时刻的环境状态。(3)进行DRL的训练过程。(4)训练好的网络将用户和感知目标的联合信道增信息作为状态输入，动态调整资源分配策略，使所有用户的和速率最大化。本发明可以有效提升系统性能，加快资源分配神经网络的收敛速度，在保证每个用户的通信质量和每个目标的感知精度条件下，最大化所有用户的和速率。
-
公开(公告)号：CN114423028B
公开(公告)日：2023-08-04
申请号：CN202210110869.6
申请日：2022-01-29
Applicant: 南京邮电大学
Abstract: 基于多智能体深度强化学习的CoMP‑NOMA协作成簇与功率分配方法，区分边缘用户和中心用户，并在此基础上进行以小区为中心的NOMA用户分簇，与传统方法相比，大大提高了系统的频谱效率；提出了一种功率划分方法，根据每个用户的解码顺序设计功率范围；通过对网络输出进行相应的线性变换，使得用户功率在最大基站功率约束的情况下满足SIC解码的必要条件，从而达到辅助MADDPG网络，加快网络收敛的效果。
-
公开(公告)号：CN116390134A
公开(公告)日：2023-07-04
申请号：CN202310419000.4
申请日：2023-04-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于非正交多址接入的语义通信传输方法，基站基于文本数据集构建语义背景知识库，并通过广播分享给网络中的多个用户；在基站和用户侧分别设计基于Transformer结构的发射器和接收器，实现用户端语义信息提取与基站端的语义信息恢复；设计非正交多址接入语义通信系统，利用语义辅助执行串行干扰消除；收集用户的发送信号和基站的接收信号，根据交叉熵损失训练网络模型；基于训练的模型参数，结合贪婪算法和语义解码器恢复用户数据，实现语义信息传输。该方法以语义信息辅助消除干扰实现精确重构用户信号，减少误差传播，并更新基站侧的用户解码器网络参数，保证每名用户的传输准确性，同时也能减少基站的处理量和消耗。
-
公开(公告)号：CN114614920B
公开(公告)日：2023-06-30
申请号：CN202210245167.9
申请日：2022-03-10
Applicant: 南京邮电大学
IPC: H04B17/29 , H04B17/391 , G06F18/241 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于学习因子图的数据与模型联合驱动的信号检测方法，通过收集通信的发送数据X与接收数据Y；搭建CNN‑BiLSTM网络作为分类神经网络；使用基于Akaike信息准则的混合高斯模型去拟合信道接收数据Y的分布，得到边缘概率密度；模式识别网络重构训练集，对CNN‑BiLSTM网络进行线下训练，得到条件概率密度；计算得到通过因子图的消息传递算法实现信号检测所需要的因子节点；根据有限记忆信道的记忆长度与学习到的因子节点在学习因子图上进行前向后向的消息传递算法，实现最大后验概率准则下的信号检测；该方法能够在不需要信道知识的无信道模型中实现接近最优的信号检测性能，具有更准确的检测结果，且对不确定性训练的具有优秀的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.07 seconds)
