-
公开(公告)号：CN112995892B
公开(公告)日：2022-11-29
申请号：CN202110170260.3
申请日：2021-02-08
Applicant: 东南大学 , 网络通信与安全紫金山实验室
IPC: H04W4/02 , H04B17/309 , H04B7/0413 , G06N3/08 , G06N3/04 , G06F16/29
Abstract: 本发明公开了基于复数神经网络的大规模MIMO指纹定位方法，主要包括离线阶段和在线阶段两个部分。离线阶段，首先在定位区域内等间隔划分样本点，基站端收集用户位于定位区域各样本点上的位置指纹信息，构建位置指纹数据库；将各样本点的位置指纹信息作为复数神经网络输入，对应样本点的位置作为复数神经网络的输出标签，构建复数神经网络，并通过指纹数据库对其进行训练。在线阶段，基站端利用离线阶段训练好的复数神经网络，并基于实时接收到的用户的位置指纹，利用训练后的复数神经网络运算得到用户的位置坐标，实现较高精度的用户定位。
-
公开(公告)号：CN111970009B
公开(公告)日：2022-11-01
申请号：CN202010848382.9
申请日：2020-08-21
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明的一种级联极化码比特翻转置信传播编译码方法，适用于无线通信中的信道编码技术领域使用，利用BP译码方法在LDPC和极化码间传递消息，增加了不可靠信道传递信息的正确率；在BP译码失败的情况下利用比特翻转译码方法通过事先构造的关键集合选择不可靠的信息比特判决，置不可靠信道信息比特的先验对数似然比为无穷值；通过试图纠正BP译码器中的错误信息传播，提高了级联码在BP译码方法下的误组率性能。其有效提高关键集合翻转的正确率，能够大大改善误组率，显著提升误组率性能；同时并不会增加译码时延，能够以较小的译码时延为代价获取误码率性能的增益。
-
公开(公告)号：CN113365312B
公开(公告)日：2022-10-14
申请号：CN202110689823.X
申请日：2021-06-22
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开了强化学习和监督学习相结合的移动负载均衡方法，包括以下步骤：首先初始化参数；然后开始当前轮次的循环，获取系统初始状态，开始每轮内部的小步的循环，进行强化学习过程，小步循环结束，转入下一轮次进行循环，直到达到设定的最大轮次，循环结束：更新数据池并采样，更新每一个实际执行网络的参数，最后将系统内各个基站的状态作为实际执行网络的输入，得到网络的输出值即每个基站自身的小区偏置值，并作用到系统中的各个基站，根据A3事件对用户进行切换，从而实现用户与基站之间的重新分配，进而降低过载小区的负载，实现系统的负载均衡。本发明具有较高的稳定性和负载均衡能力，以及较好的泛化性和迁移能力。
-
公开(公告)号：CN112399413B
公开(公告)日：2022-08-30
申请号：CN202011239068.7
申请日：2020-11-09
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明是一种基于深度支持向量描述方法的物理层身份认证方法，该身份认证方法中，数据样本将通过神经网络从样本空间映射到一个超球体中，在训练模型阶段，通过迭代不断更新神经网络权重，使得数据样本尽可能多地映射到超球体内，同时保证超球体体积最小；在认证阶段，若数据样本映射到超球体内，则视为合法信息发送者信息，反之，则视为攻击者信息。在通信系统中存在合法信息发送者、合法信息接收者和攻击者，合法信息发送者和合法信息接收者在攻击者存在的情况下相互通信。攻击者可能会伪冒成合法信息发送者向合法信息攻击者发送信号，而本发明中的物理层身份认证技术旨在帮助合法信息接收者判断接收到的信号是源自于合法信息发送者还是源自于攻击者。
-
公开(公告)号：CN113381952B
公开(公告)日：2022-06-24
申请号：CN202110640980.1
申请日：2021-06-09
Applicant: 东南大学 , 网络通信与安全紫金山实验室
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明公开了基于深度学习的多天线系统信道估计方法，适用于估计上行多径信道，本发明基于条件生成对抗网络实现，条件生成对抗网络包括基于深度学习网络的生成器与判别器两部分，该方法包括离线训练和在线测试两部分：离线训练首先根据真实信道测量值生成训练样本，然后利用生成器获得训练样本对应的估计信道；其次由判别器得到判别输出，计算损失函数更新判别器和生成器的网络参数；循环迭代完成后将训练完成的生成器神经网络存储于基站处；在线测试阶段，将量化后的导频信号和原导频信号输入训练完成的生成器，获得用户到所有天线的估计信道。与现有技术相比，能有效降低估计的归一化均方误差。
-
Patent Agency Ranking
公开(公告)号：CN114501525A
公开(公告)日：2022-05-13
申请号：CN202210108134.X
申请日：2022-01-28
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条件生成对抗网络的无线网络中断检测方法，能够在存在数据集不平衡以及数据类间重叠的情况下准确检测中断，并正确分类不同类型中断，具体为：第一步：搜集网络关键性能指标，并形成数据集S；第二步：使用数据集S训练改进后的条件生成对抗网络，由生成器G和判别器D组成，G，D均为全连接神经网络结构；第三步：搜集无线网络T2时间内用户上报的KPI信息，第四步：利用第二步中所得模型合成中断类数据，平衡数据集H；第五步：计算校准后训练集V中每个样本的类间重叠指数；第六步：使用训练集V和类间重叠指数集O训练人工神经网络ANN，获得中断检测模型；第七步：根据网络中用户实时上报KPI信息x(x∈Rn)进行中断检测。
-
公开(公告)号：CN114448575A
公开(公告)日：2022-05-06
申请号：CN202210264801.3
申请日：2022-03-17
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开了基于动态拷贝映射的极化码重传译码方法，包括以下步骤：首先构造拷贝映射集合，然后进行极化矩阵扩展重传基于动态拷贝映射的置信传播译码，具体包括：接收端对初传接收信号进行译码，如果译码器的输出结果未满足循环冗余校验，则发送否定应答，进行拷贝映射编码、打孔与重传，联合置信传播译码得到译码序列，若通过译码序列通过循环冗余校验，则从译码序列截取子序列，输出最终译码结果；若未通过，且达到迭代上限和重传上限，则重传译码失败，流程结束。与现有技术相比，本发明的译码方法能够动态控制拷贝位分布以及改善极化码的误码块性能。
-
公开(公告)号：CN113423110B
公开(公告)日：2022-04-12
申请号：CN202110689829.7
申请日：2021-06-22
Applicant: 东南大学 , 网络通信与安全紫金山实验室
IPC: H04W16/10 , H04B17/382 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于深度强化学习的多用户多信道动态频谱接入方法，包括以下步骤：首先初始化参数，其次观察当前频谱环境，然后，各次用户通过评估神经网络，得到在当前状态下所有动作的Q值，并依据策略选择下一步的动作；执行动作后，各次用户会获取回报，同时频谱环境会转入一个新状态；然后存储记忆，当记忆量累积到自定义的规模后，开始学习，更新评估神经网络参数；然后更新目标神经网络的参数；重复以上步骤直至收敛，获得最优的接入策略。本发明在频谱环境先验知识未知的条件下动态地调整频谱接入策略，在不干扰主用户通信质量的前提下，减少用户之间的碰撞，达到提升系统吞吐量的目的。
-
公开(公告)号：CN113316163A
公开(公告)日：2021-08-27
申请号：CN202110676466.3
申请日：2021-06-18
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开了基于深度学习的长期网络流量预测方法，包括：首先获取区域网络流量序列，统计其在每个时刻内使用的流量值；然后对流量矩阵序列进行预处理，得到Transformer模型的输入数据；其次，建立Transformer模型，对于二维矩阵数据采用Transformer模型进行时间相关性和空间相关性的自适应提取；最后，采用自适应的训练机制进行模型训练。本发明提高了网络流量多步长期预测的准确性，以便于运营商对未来的网络资源提前进行规划，有利于无线资源的合理分配。
-
公开(公告)号：CN112995892A
公开(公告)日：2021-06-18
申请号：CN202110170260.3
申请日：2021-02-08
Applicant: 东南大学 , 网络通信与安全紫金山实验室
IPC: H04W4/02 , H04B17/309 , H04B7/0413 , G06N3/08 , G06N3/04 , G06F16/29
Abstract: 本发明公开了基于复数神经网络的大规模MIMO指纹定位方法，主要包括离线阶段和在线阶段两个部分。离线阶段，首先在定位区域内等间隔划分样本点，基站端收集用户位于定位区域各样本点上的位置指纹信息，构建位置指纹数据库；将各样本点的位置指纹信息作为复数神经网络输入，对应样本点的位置作为复数神经网络的输出标签，构建复数神经网络，并通过指纹数据库对其进行训练。在线阶段，基站端利用离线阶段训练好的复数神经网络，并基于实时接收到的用户的位置指纹，利用训练后的复数神经网络运算得到用户的位置坐标，实现较高精度的用户定位。
-
-
-
-
-
-
-
-
-
Search Results
351
records
(took 0.045 seconds)
