TDS‑OFDM信道估计均衡方法及系统

    公开(公告)号:CN104394105B

    公开(公告)日:2017-09-22

    申请号:CN201410687864.5

    申请日:2014-11-25

    Abstract: 本发明提出一种TDS‑OFDM信道估计均衡方法,包括以下步骤:接收并存储信息帧,提取当前信息帧的帧头、数据部分和下一信息帧的帧头;对当前信息帧的数据部分进行处理,以获取去除了当前信息帧的帧头的拖尾干扰的数据时域信号;对当前信息帧的数据部分对应的信道进行估计,以获取信道的频域响应;利用频率响应对数据时域信号进行频域均衡,以获取数据符号序列。本发明的TDS‑OFDM信道估计均衡方法可以应用于较大的多普勒范围和快时变信道,适用于超高速移动应用场景。本发明还提出一种TDS‑OFDM信道估计均衡系统。

    TDS-OFDM信道估计均衡方法及系统

    公开(公告)号:CN104394105A

    公开(公告)日:2015-03-04

    申请号:CN201410687864.5

    申请日:2014-11-25

    Abstract: 本发明提出一种TDS-OFDM信道估计均衡方法,包括以下步骤:接收并存储信息帧,提取当前信息帧的帧头、数据部分和下一信息帧的帧头;对当前信息帧的数据部分进行处理,以获取去除了当前信息帧的帧头的拖尾干扰的数据时域信号;对当前信息帧的数据部分对应的信道进行估计,以获取信道的频域响应;利用频率响应对数据时域信号进行频域均衡,以获取数据符号序列。本发明的TDS-OFDM信道估计均衡方法可以应用于较大的多普勒范围和快时变信道,适用于超高速移动应用场景。本发明还提出一种TDS-OFDM信道估计均衡系统。

    一种复杂网络系统的韧性预测方法及系统

    公开(公告)号:CN119152252A

    公开(公告)日:2024-12-17

    申请号:CN202411115998.X

    申请日:2024-08-14

    Applicant: 清华大学

    Inventor: 丁璟韬 李勇 刘畅

    Abstract: 本发明涉及复杂网络系统技术领域,提供一种复杂网络系统的韧性预测方法及系统,该方法包括:获取待韧性预测的复杂网络系统的观测数据;输入观测数据至韧性预测模型,获得韧性预测模型输出的韧性预测结果;其中,韧性预测模型的训练方法包括:基于样本观测数据中的有标签数据对韧性预测模型进行预训练,得到预训练后的韧性预测模型;基于样本观测数据中的无标签数据、预训练后的韧性预测模型和预设图数据增强算法,生成模型再训练的有标签增强数据;根据样本观测数据中的有标签数据和生成的有标签增强数据,对预训练后的韧性预测模型进行再训练,得到再训练好的韧性预测模型,显著提高了韧性预测的准确性。

    一种依托强化学习的PID轨迹跟踪控制方法及装置

    公开(公告)号:CN118818957A

    公开(公告)日:2024-10-22

    申请号:CN202411073119.1

    申请日:2024-08-06

    Abstract: 本发明涉及自动驾驶领域,特别是指一种依托强化学习的PID轨迹跟踪控制方法及装置,方法包括:获取待控制自动驾驶车辆的当前状态、参考轨迹和实际运行误差;构建车辆轨迹跟踪控制的策略模型;将当前状态和参考轨迹输入至车辆轨迹跟踪控制的策略模型,得到PID控制参数;将PID控制参数和实际运行误差输入至PID控制器,得到自动驾驶车辆的控制量,根据自动驾驶车辆的控制量,完成自动驾驶车辆轨迹跟踪控制。本发明利用强化学习强大的学习能力结合PID本身的稳定性以及强鲁棒性,实现车辆轨迹跟踪控制的高实时、高稳定和高精度在线计算。解决当前车辆轨迹跟踪控制的计算实时性差、应用可靠性弱和依赖复杂动态模型等问题。

    基于大语言模型与强化学习的状态表征方法及装置

    公开(公告)号:CN118504612A

    公开(公告)日:2024-08-16

    申请号:CN202410426712.3

    申请日:2024-04-10

    Applicant: 清华大学

    Abstract: 本申请涉及大语言模型与强化学习技术领域,特别涉及一种基于大语言模型与强化学习的状态表征方法及装置,其中,方法包括:利用自然语言的描述器将强化学习的源状态表征转换为一定大语言模型的状态表征,其中,一定大语言模型的状态表征包括任务描述、状态细节、输出要求和反馈信息中的至少之一;将其输入一定大语言模型后生成强化学习智能体增强的状态表征函数和内在奖励函数;基于增强的状态表征函数和内在奖励函数以更新维护对应的利普西茨数组,产生满足一定平滑条件的状态表征。由此,解决了相关技术中,不仅需要大量的样本进行学习,样本利用率与学习效率均较低,而且还需要与大语言模型进行频繁交互,时间成本开销较高,适用性不足等问题。

    基于大语言模型的多智能体强化学习探索方法及装置

    公开(公告)号:CN118333183A

    公开(公告)日:2024-07-12

    申请号:CN202410433959.8

    申请日:2024-04-11

    Applicant: 清华大学

    Abstract: 本申请涉及大语言模型技术领域,特别涉及一种基于大语言模型的多智能体强化学习探索方法及装置,其中,方法包括:基于预设的至少一个提示模板,利用大语言模型生成关键状态判别函数;基于关键状态判别函数在采样的轨迹中寻找具有显示语义和表达的任务相关的关键状态;将关键状态作为先验信息形式得到多智能体强化学习探索结果。本申请可以通过大语言模型在一轮对话中生成关键状态判别函数来进行后续的关键状态识别,将大语言模型的语言形式的知识引入到决策任务中,极大地减少了由于频繁调用大语言模型带来的成本的同时,可以有效地推动多智能体高效探索。

    一种高温烟气多级回流低氮燃烧器及其燃烧方法

    公开(公告)号:CN111023091B

    公开(公告)日:2024-06-07

    申请号:CN201911343812.5

    申请日:2019-12-23

    Applicant: 清华大学

    Abstract: 本发明公开了一种高温烟气多级回流低氮燃烧器及其燃烧方法,燃烧器包括外壳、燃料母管和燃烧头,燃料母管设置在外壳内,且两者之间形成空气通道。燃烧头包括连接管、二次燃料管、一次燃料管、二次燃料分配环管和旋流盘。二次燃料分配环管呈同心圆式设置在旋流盘外周,共同作为燃烧头的出口。外壳前端内壁面设置有涡流板,且一一对应式设置在烟气回流孔处。使一次风和燃料气分别通过空气通道和燃料母管进入燃烧器;使燃料气分别通过一次燃料管和二次燃料管分流成为一次燃料气和二次燃料气。一次燃料气在旋流盘中心形成值班火焰。二次燃料气与空气形成高速射流,卷吸高温烟气形成多级回流。本发明具有燃料分级、火焰分散、低NOx燃烧等优点。

    面向混合车流的匝道合流边缘云管控方法

    公开(公告)号:CN114999152B

    公开(公告)日:2024-04-30

    申请号:CN202210579284.9

    申请日:2022-05-25

    Applicant: 清华大学

    Abstract: 本申请涉及了一种面向高速公路混合车流的匝道合流边缘云管控方法,包括以下步骤:通过路侧基础设施采集边缘云区域内的混合车流信息并上传至边缘云平台;边缘云平台中的合流控制器根据混合车流信息生成所有的车辆合流策略;合流控制器对所有合流策略进行可行性分析,并以所有车辆通行时间损耗之和为评价指标进行合流策略优选;合流控制器根据损耗最小的合流策略生成每辆车的最优行驶策略,并将所规划的最优轨迹分发给区域内的智能网联汽车,受控车辆根据边缘云的协同决策结果进行合流控制。由此,有效地解决了高速公路平行式匝道场景中的混合车流合流问题,能综合考虑每台车辆的通行时间最优和交通整体通行效率最优,并且算法的实时性较好。

    面向高速公路的可拓展式车辆队列行为管理系统

    公开(公告)号:CN115798186B

    公开(公告)日:2024-04-19

    申请号:CN202211356731.0

    申请日:2022-11-01

    Applicant: 清华大学

    Abstract: 本申请公开了一种面向高速公路的可拓展式车辆队列行为管理系统,该框架从队列行为和车辆角色两个维度对队列管理策略进行解耦,并将队列行为和车辆角色的选择与队列管理策略具体的执行分隔开,如需添加新的队列功能,可以在行为选择状态机中补充该行为,而不需要修改已有的行为管理策略;加入故障‑降级机制,在队列车辆的硬件发生故障时,行为选择状态机会进入到容错行为,向L2级的驾驶辅助功能降级,执行故障‑降级策略。

Patent Agency Ranking