-
公开(公告)号：CN118488469A
公开(公告)日：2024-08-13
申请号：CN202410708855.3
申请日：2024-06-03
IPC: H04W24/02 , H04L41/16 , H04L41/0803
Abstract: 本发明是一种基于强化学习的物理小区标识自配置方法，第一步：系统模型建立，将物理小区标识PCI自配置问题建模为马尔科夫决策过程，将物理问题转化为数学推导；第二步：在第一步建模的基础上，利用Q学习求解无线网络拓扑变化场景下的PCI分配问题，第三步：在第一步建模的基础上，利用双Q学习加快求解无线网络拓扑变化场景下PCI分配问题的收敛速度；相比于传统PCI自配置方法，本方法降低了PCI冲突和混淆的概率，降低了在未来6G无线网络拓扑频繁变化场景下更新PCI分配方案的时间开销。
-
公开(公告)号：CN118381516A
公开(公告)日：2024-07-23
申请号：CN202410547060.9
申请日：2024-05-06
IPC: H03M13/11
Abstract: 本发明是一种基于补偿因子的自适应噪声梯度下降比特翻转译码方法，记一个长度为N的LDPC码字为C＝[C0,C1,…,CN‑1]，其对应的校验矩阵为H，该矩阵的大小为M×N，它包含了LDPC码的全部校验信息，校验矩阵的每一列对应一个变量节点，记为vn，校验矩阵的每一行对应一个校验节点，记为cn；同类型的节点之间不相连，而不同类型的节点之间的连接状态由校验矩阵H的元素hij决定；当hij为1时，表示校验节点ci与变量节点vj之间存在连接；反之当hij为0时，表示两者之间无连接；由LDPC码的定义，编码完成的码字与校验矩阵存在如下关系：H·CT＝0(1)编码后的码字经调制后通过信道传输至接收端；通过添加补偿因子提升译码方法的可靠性，通过添加自适应噪声防止译码过程中陷入局部最优解。
-
公开(公告)号：CN118381515A
公开(公告)日：2024-07-23
申请号：CN202410547057.7
申请日：2024-05-06
IPC: H03M13/11
Abstract: 本发明是一种基于自适应指数辅助的最小和译码方法，记一个长度为N的LDPC码字为C＝[C0,C1,...,CN‑1]，其对应的校验矩阵为H，该矩阵的大小为M×N，它包含了LDPC码的全部校验信息，校验矩阵的每一列对应一个变量节点，记为vn，校验矩阵的每一行对应一个校验节点，记为cn；同类型的节点之间不相连，而不同类型的节点之间的连接状态由校验矩阵H的元素hij决定；当hij为1时，表示校验节点ci与变量节点vj之间存在连接；当hij为0时，表示两者之间无连接；由LDPC码的定义，编码完成的码字与校验矩阵存在如下关系：H·CT＝0编码后的码字通过相移键控调制，然后通过信道传输至接收端。通过以指数形式引入一个自适应的校正因子，有效地解决对校验节点的信息值过估计问题，提升译码性能。
-
公开(公告)号：CN118368661A
公开(公告)日：2024-07-19
申请号：CN202410462138.7
申请日：2024-04-17
IPC: H04W24/08 , G06F18/213 , G06F18/23213 , G06F18/2433 , G06N3/0455 , G06N3/048 , G06N3/08 , H04L41/16
Abstract: 本发明是一种基于变分自编码器的无线网络中断检测方法，包括如下步骤：第一步：搜集无线通信系统关键性能指标KPI，并形成数据集#imgabs0#第二步：对数据集X进行数据预处理得到数据集#imgabs1#第三步：利用第二步中VAE学习的特征均值分布作为之后聚类的参数，组成新的数据集V；第四步：规定簇的数目m以及最大迭代次数N，利用K均值算法对数据集V进行聚类；第五步：聚类完成后，按照每个簇含有的数据个数定义标签，数据量少的为中断类型得到输出集合#imgabs2#该方法结合了VAE和K均值算法(K‑means)的性能优势，解决了基于无监督机器学习的中断检测方法精度不高的问题，同时在数据不平衡的情况下也有良好表现。
-
公开(公告)号：CN114640442B
公开(公告)日：2024-02-27
申请号：CN202210244672.1
申请日：2022-03-11
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明是一种基于信道密钥和标签信号的物理层身份认证方法，所述的物理层身份认证方法分为信道密钥生成和标签信号嵌入两个方面，包括如下步骤：第一步：合法通信双方获取无线信道信息：第二步：合法通信双方根据获得的信道信息 和 生成初始密钥；第三步：合法通信双方对初始密钥IA和IB进行一致性确认：第四步：合法通信双方根据I′A和I′B生成最终的对称密钥 和 第五步：合法通信双方开始进行消息传递：对于时变信道而言，本发明中的物理身份认证方案可以保持恒定的认证准确率，并且与基于核函数的智能认证方案相比，本发明中的方案无需实时更新认证模型参数，仅需要认证者提取标签信号，大幅度减小了在线认证的计算开销。
-
Patent Agency Ranking
公开(公告)号：CN117062136A
公开(公告)日：2023-11-14
申请号：CN202311085232.7
申请日：2023-08-28
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明提出一种基于混合生成对抗网络的无线网络中断检测方法，搜集无线通信系统关键性能指标KPI，并形成数据集X；使用数据集X训练改进后的混合生成对抗网络CWGAN‑GP‑AC，利用第二步中训练完成的混合生成对抗网络CWGAN‑GP‑AC模型生成中断数据，组成数据平衡的数据集V；计算平衡的数据集V中的样本权重，训练人工神经网络ANN，获得中断检测模型；直接将实时搜集到的基站KPI输入ANN，进行中断检测；一方面通过混合GAN对中断数据进行过采样生成平衡的合成数据集，另一方面利用合成数据集训练人工神经网络ANN，得到适用于当前环境的中断检测分类模型。相较于传统分类方法以及数据过采样方法，本方法中断检测性能显著改善。
-
公开(公告)号：CN110210658B
公开(公告)日：2023-10-03
申请号：CN201910427803.8
申请日：2019-05-22
Applicant: 东南大学
IPC: H04L43/0876 , G06F18/10 , G06F18/2131 , G06F123/02
Abstract: 本发明提供一种基于小波变换的Prophet与高斯过程用户网络流量预测方法。针对用户网络流量时间序列的非平稳性、时变性等复杂特性，采用小波变换对用户网络流量时间序列进行预处理分析。经过小波变换后得到高频子序列与低频子序列，其中高频子序列反映了用户网络流量时间序列的突变性与无规律的波动性特征，而低频子序列则反映了用户网络流量时间序列的周期性与长期依赖特性。本发明针对高频子序列与低频子序列的特点，分别应用Prophet模型预测低频子序列，用高斯过程回归模型预测高频子序列，最后再进行离散小波逆变换，重构得到最终的网络流量预测结果。本发明所提出的预测方法，可以有效提高用户网络流量预测准确度。
-
公开(公告)号：CN116489222A
公开(公告)日：2023-07-25
申请号：CN202310470458.2
申请日：2023-04-27
Applicant: 东南大学
IPC: H04L67/568
Abstract: 本发明公开了一种针对服务器退出及共谋的具有缓存层的安全聚合方法。方法实施过程包括用户上载消息的编码，服务器间共享消息的编码，模拟中心与服务器间第一、第二轮通信消息的编码和模拟中心对于接收消息的解码。这一方法可适用于任意不多于N‑Nr个服务器掉队和任意不超过T(T＜Nr)个数服务器共谋的情况，并且第一跳和第二跳通信速率最小。
-
-
公开(公告)号：CN116133036A
公开(公告)日：2023-05-16
申请号：CN202310140249.1
申请日：2023-02-21
Applicant: 东南大学 , 网络通信与安全紫金山实验室
IPC: H04W24/08 , H04L41/0631 , H04L41/16
Abstract: 本发明提供一种用于用户稀疏通信系统的故障确认方法，利用发生故障网络和正常运行网络KPIs之间的相似度，将网络进行分区，仅提取各个分区内与网络故障确认最相关的网络关键性能指标作为后续机器学习的训练序列，从而降低本方法对分区用户数目的要求，减轻用户分布不均衡对无线通信系统故障确认的不良影响。因根据数据相似度特征提取过程中存在随机抽样，因此稳定性低，但由于对区域内用户数目要求低，在面对网络用户分布不均的情况下，性能表现好。本方法降低对分区用户数目的要求，减轻用户分布不均衡对无线通信系统故障确认的不良影响。
-
-
-
-
-
-
-
-
-
Search Results
363
records
(took 0.032 seconds)
