-
公开(公告)号：CN114118211A
公开(公告)日：2022-03-01
申请号：CN202111237401.5
申请日：2021-10-22
Applicant: 暨南大学 , 华东电力试验研究院有限公司
IPC: G06K9/62
Abstract: 本发明公开了一种面向混叠未知无线信号的串行分离方法，解决了小信号分量无法被识别和各个信号分量量化不准确的问题。在实际应用中，信号基矩阵不会和组成叠加信号的各个分量完全相同，这使得无线信号分解的准确率下降。另外，考虑到能量大的信号或者特征明显的信号在分解过程中易于被识别，所以在要分解的无线信号中去掉能量占比较高的信号，并更新需要分解的无线信号，继续使用无线信号分解的算法分解剩余部分。通过上述迭代，能量小的信号分量可以被层层剥离出来，这样就提高了无线信号分解的准确性，同时也降低了信号基矩阵对无线信号分解结果的影响。当分离出来的信号能量之和达到要分解信号能量的一定占比算法迭代终止。
-
公开(公告)号：CN113645000A
公开(公告)日：2021-11-12
申请号：CN202110756727.2
申请日：2021-07-05
Applicant: 暨南大学
IPC: H04B17/391 , H04W28/02
Abstract: 本发明公开了一种面向移动到移动(M2M)通信的短包传输方法，该方法包含以下步骤：首先，获取M2M通信系统参数以及级联衰落信道环境参数；然后通过选择合适的调制后符号块长度来最大化有效吞吐量并给定平均误块率最大约束；最后利用平均误块率的渐进性表达式进行块长的优化求解。与现有的方法相比，本发明提出的短包传输方法考虑了实际M2M通信场景下级联散射的负面效应，以及面向低时延、低功耗目标的短包通信需求，基于平均误块率的渐进式的优化算法在复杂度方面具有显著优势。
-
公开(公告)号：CN119011106B
公开(公告)日：2025-02-11
申请号：CN202411411198.2
申请日：2024-10-10
Applicant: 暨南大学 , 武汉星纪魅族科技有限公司
IPC: H04L5/00 , H04W24/10 , H04W72/0453
Abstract: 本发明公开了面向WIFI信号智能识别的OFDM子载波分组和选择方法，该方法基于子载波对手势变化的敏感性以及数据传输的作用，将CSI幅值较大的子载波分为两个集合，然后考虑了相邻子载波之间的相关性，通过设置子载波间隔#imgabs0#、#imgabs1#对#imgabs2#进行分组处理，以保持原始CSI所体现的共同变化趋势以及相邻CSI的关联性；最后提供了三种对于各组CSI进行处理的选择策略，选择每个子载波组内的平均CSI值，形成集合#imgabs3#;选择每个子载波组内的最大CSI值，形成集合#imgabs4#;选择每组第一个子载波对应的CSI值，形成集合#imgabs5#。
-
公开(公告)号：CN113644940B
公开(公告)日：2022-05-06
申请号：CN202110756403.9
申请日：2021-07-05
Applicant: 暨南大学
IPC: H04B7/0413 , H04B7/06 , H04B7/08 , H04B17/391
Abstract: 本发明公开了一种基于统计CSI的智能反射面的相移设计方法，该方法包括以下步骤：首先，获取收发端与智能反射面(RIS)的参数配置、信道状态信息(CSI)的统计知识；然后利用统计CSI优化RIS的相位偏移使得中断概率最小；继而运用中断概率的渐近表达式简化优化问题；最后，使用数值优化方法如遗传算法迭代求解最佳相位偏移值。本发明利用CSI的统计知识进行RIS相位偏移的优化设计，从而避免了频繁的信道估计、信令交互等引起通信系统开销；此外，基于渐进中断概率实现的最佳设计方法具有极低复杂度。
-
公开(公告)号：CN114118211B
公开(公告)日：2024-12-13
申请号：CN202111237401.5
申请日：2021-10-22
Applicant: 暨南大学 , 华东电力试验研究院有限公司
IPC: G06F18/2136 , G06F18/2134
Abstract: 本发明公开了一种面向混叠未知无线信号的串行分离方法，解决了小信号分量无法被识别和各个信号分量量化不准确的问题。在实际应用中，信号基矩阵不会和组成叠加信号的各个分量完全相同，这使得无线信号分解的准确率下降。另外，考虑到能量大的信号或者特征明显的信号在分解过程中易于被识别，所以在要分解的无线信号中去掉能量占比较高的信号，并更新需要分解的无线信号，继续使用无线信号分解的算法分解剩余部分。通过上述迭代，能量小的信号分量可以被层层剥离出来，这样就提高了无线信号分解的准确性，同时也降低了信号基矩阵对无线信号分解结果的影响。当分离出来的信号能量之和达到要分解信号能量的一定占比算法迭代终止。
-
Patent Agency Ranking
公开(公告)号：CN119011106A
公开(公告)日：2024-11-22
申请号：CN202411411198.2
申请日：2024-10-10
Applicant: 暨南大学 , 武汉星纪魅族科技有限公司
IPC: H04L5/00 , H04W24/10 , H04W72/0453
Abstract: 本发明公开了面向WIFI信号智能识别的OFDM子载波分组和选择方法，该方法基于子载波对手势变化的敏感性以及数据传输的作用，将CSI幅值较大的子载波分为两个集合，然后考虑了相邻子载波之间的相关性，通过设置子载波间隔#imgabs0#、#imgabs1#对#imgabs2#进行分组处理，以保持原始CSI所体现的共同变化趋势以及相邻CSI的关联性；最后提供了三种对于各组CSI进行处理的选择策略，选择每个子载波组内的平均CSI值，形成集合#imgabs3#;选择每个子载波组内的最大CSI值，形成集合#imgabs4#;选择每组第一个子载波对应的CSI值，形成集合#imgabs5#。
-
公开(公告)号：CN119966539A
公开(公告)日：2025-05-09
申请号：CN202510415990.3
申请日：2025-04-03
Applicant: 暨南大学 , 广州通导信息技术服务有限公司
Abstract: 本发明公开了面向频谱混叠无线信号的协同多层识别和节点选择方法，包括以下步骤：对混叠信号经过短时傅里叶变换后的结果，分解得到信号分解的基矩阵、混叠频谱信号类型的表征矩阵，将后者与指示因子构建级联矩阵；对不同的级联矩阵中的元素进行HL检验，得到最优的锚节点组，接着按列拆分得到若干个系数矩阵；对每个系数矩阵进行多视角信息融合，确定信号类别；将每个系数矩阵分解成监测节点的距离表示矩阵、信号功率及位置耦合矩阵，再将后者分解为用于功率估计的功率系数矩阵、用于定位的弧度信息矩阵。本发明通过设计一个三层深度分解结构，依次实现混叠频谱信号的类别、位置和功率估计的识别，有效降低了计算复杂度并加速了迭代收敛速度。
-
公开(公告)号：CN119150142A
公开(公告)日：2024-12-17
申请号：CN202411411173.2
申请日：2024-10-10
Applicant: 暨南大学 , 武汉星纪魅族科技有限公司
IPC: G06F18/2415 , B60K35/10 , G06F3/01 , G06N3/0442 , G06N3/0495 , G06F18/21
Abstract: 本发明公开了一种基于注意力增强的轻量级无线手势识别方法，通过设计基于注意力增强的轻量化网络模型（AELite），结合双向门控循环单元网络（BiGRU）、残差卷积块（Res‑Conv1D）、通道注意力模块（CAM）来充分提取手势特征，在模型参数、模型大小得到控制的条件下能够有效识别手势动作。本发明的无线手势识别方法在提升系统性能的同时，注重轻量级模型的设计，以适应车载场景的需求。
-
公开(公告)号：CN116760674B
公开(公告)日：2023-11-24
申请号：CN202311011742.X
申请日：2023-08-11
Applicant: 暨南大学 , 海华电子企业(中国)有限公司
IPC: H04L27/00 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种无线信号调制方式智能监测识别方法及系统，所述方法包括以下步骤：将送入信道后的信号输入到预处理网络，预处理网络将其还原成送入信道前的信号，并传输至分类网络；预处理网络包括顺序连接的编码器、隐藏编码层、解码器；其中，编码器将输入的无线信号压缩到一个低维表示，即所需的编码；隐藏编码层对编码器的输出进行非线性变换完成隐藏；解码器将隐藏层的编码进行解码；分类网络输出识别结果。本发明通过深度学习的方式实现对低信噪比信号输入的调制方式识别，同时相较于常规采用的数字滤波器的设计而言，本发明通过预处理网络实现信号重建，预处理网络的设计过程较为简单方便，部署方便简单，降低硬件的成本的与成本。
-
公开(公告)号：CN116756637A
公开(公告)日：2023-09-15
申请号：CN202311006207.5
申请日：2023-08-10
Applicant: 暨南大学 , 广州通导信息技术服务有限公司
IPC: G06F18/241 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06F17/16 , G06F18/214 , G06F18/22
Abstract: 本发明公开了一种无线信号智能检测识别方法及计算机可读存储介质，所述方法包括以下步骤：结合标准信号模型，对标准信号模型的数据集中的混合无线电信号进行特征分解，得到近似系数和近似噪声；对近似系数和近似噪声进行生成对抗学习，所述生成对抗学习是分别生成，且联合对抗的；使用训练好的生成器生成的系数和噪声，与标准信号模型结合生成混合无线电信号；将生成的混合无线电信号与准信号模型的数据集结合，放入到无线信号识别模型进行训练，完成训练的无线信号识别模型对混合无线电信号进行识别。该方法将非负矩阵分解（NMF）技术和生成对抗网络（GAN）技术进行结合，对数据集进行增广，从而有效地提高了混合无线电信号识别精度。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.038 seconds)
