-
公开(公告)号：CN115454141A
公开(公告)日：2022-12-09
申请号：CN202211261459.8
申请日：2022-10-14
Applicant: 南京理工大学
IPC: G05D1/10
Abstract: 本发明公开了一种基于部分可观测信息的无人机集群多智能体多域抗干扰方法，该方法利用各智能体的部分观测环境信息，通过长短期记忆网络保留历史经验数据，输入各智能体的深度循环Q网络进行动作值函数拟合，采用ε‑greedy算法选择最大输出Q值对应的信道和功率，再经过不断独立训练各智能体的深度循环Q网络，更新Q值分布，最终学习到可适应未知干扰场景下实现通信传输能耗最小化的无人机信道和发射功率最优决策。本发明针对无人机集群网络分别处于扫频干扰和马尔科夫干扰两种场景下，利用部分可观测信息的历史经验数据，从频谱域和功率域实现有效多智能体抗干扰通信；相较于基于多智能体深度Q学习的对比方案，所提方案能够在环境信息部分可观测的情况下更高效地降低无人机集群网络的长期通信传输能耗。
-
公开(公告)号：CN111769862B
公开(公告)日：2022-11-11
申请号：CN202010594156.2
申请日：2020-06-28
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于深度学习的空间调制网络中联合检测方法。本发明利用深度学习方法，首先将信道和接收信号均处理为实值行向量，二者堆叠生成训练样本，一批样本组成训练集，将原始数据比特处理为独热编码形式，生成训练集的标签；然后搭建深度神经网络，使用训练集及其标签训练深度神经网络；最后，每当信道矩阵和接收信号发生变化时，向深度神经网络输入信道和接收信号，得到输出，即为信号检测结果。只要信道的随机分布不发生改变，便无需进行新的训练。本发明的有益效果为，本发明提出的基于深度学习的联合检测方法，无需重复繁琐的计算，以可接受的复杂度，获得了较优的误比特率性能。
-
公开(公告)号：CN115294615A
公开(公告)日：2022-11-04
申请号：CN202211015800.1
申请日：2022-08-24
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于机器学习的射频指纹识别方法，该方法步骤如下：收集已有设备的射频指纹；搭建神经网络结构，导入射频指纹数据训练并得出识别模型；将待测设备射频指纹导入训练好的识别模型进行检验，得出识别结果。本发明采用文件读取方式读取待识别设备的射频信号采样数据，通过神经网络对读取的数据进行判别，提取出采样数据的星座点特征，载波偏移等进行分类，实现非接触式设备身份识别与认证；每当接收到的设备射频信号发生变化时，将其处理后输入卷积神经网络，即可得到识别结果，无需重复繁琐的计算，降低了成本，且以较低的复杂度获得了较优的识别率。
-
公开(公告)号：CN115276879A
公开(公告)日：2022-11-01
申请号：CN202210752606.5
申请日：2022-06-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种智能反射面中基于半定松弛的安全速率最大化方法及装置，该方法为：建立智能反射面辅助的安全通信系统模型，定义系统的安全速率和，建立有用信号波束成形向量、人工噪声和智能反射面相移矩阵的优化问题；利用詹森不等式转换窃听者的可达速率表达式，将原始优化问题转换为两个子优化问题并求解；利用半定松弛技术，去除矩阵秩一约束，并更新波束成形向量、人工噪声和智能反射面相移矩阵；计算波束成形向量、人工噪声和智能反射面相移矩阵更新前后的安全速率之差的绝对值，直到满足条件；该装置包括模型构建、表达式转换、优化问题转换、更新、循环计算及判定五个模块。本发明降低了硬件成本，提高了无线传输的安全速率和安全性能。
-
公开(公告)号：CN111800361B
公开(公告)日：2022-10-14
申请号：CN202010365834.8
申请日：2020-04-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于四维球码的子载波指数调制方法。该方法为：首先发送端将所有可传输子载波划分为多个子块；然后将单个子块内相邻的子载波作为一个整体进行基于四维球码的调制，并按照传统OFDM信号进行发送；最后在接收端将相邻两个子载波作为一个整体进行最大似然解码。本发明通过采用四维球码调制，增加了星座点间的距离，降低了信号检测错误的概率，提升了子载波指数调制系统的性能。
-
Patent Agency Ranking
公开(公告)号：CN111654904B
公开(公告)日：2022-09-06
申请号：CN202010365836.7
申请日：2020-04-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于球码的非正交多址接入功率分配方法。该方法步骤如下：1)给定检测错误概率上限，按照本发明给出的公式计算出总的发送功率；2)根据用户间的相对功率差，按照本发明给出的公式计算出功率分配因子；3)用户信息采用球码作为星座矩阵进行调制，并按照2)中设定的功率进行发送；4)远用户直接对接收的信号进行检测，以距离接收信号最近的星座点作为检测信息为准则得到远用户信息；5)近用户先检测远用户的信息，进行干扰抵消后检测近用户信息。本发明通过采用球码调制，增加了星座点间的距离，降低了信号检测错误的概率，提升了非正交接入系统的性能。
-
公开(公告)号：CN114980123A
公开(公告)日：2022-08-30
申请号：CN202210395450.X
申请日：2022-04-15
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于联邦多智能体强化学习的车联网边缘资源分配方法，具体为：输入车联网环境，初始化智能体本地Q网络和联邦网络参数，并对优化问题建模；根据智能体能否获得奖励分为α、β两类，在当前时隙内两类车辆智能体分别观测本地状态并输入Q网络的；对Q网络输出进行加密处理，并通过联邦网络输出两类车辆智能体的联合动作决策；之后α车辆智能体得到系统反馈的全局奖励，同时缓存池存储当前时隙的样本数据；当样本数量足够时，α型和β型车辆智能体分别更新本地Q网络以及联邦网络的参数；当前训练回合结束后，重置车联网环境，开始下一个回合的训练。本发明在隐私保护的前提下提升了车联网连通性，同时降低了切换开销以及能量损耗。
-
公开(公告)号：CN112733476B
公开(公告)日：2022-08-12
申请号：CN202011542241.0
申请日：2020-12-23
Applicant: 南京理工大学
IPC: G06F30/3308
Abstract: 本发明公开了一种基于ADCs的大规模MIMO接收阵列DOA估计方法。该方法为：利用线性加性量化噪声模型建立低精度场景下DOA估计的系统模型，所述低精度场景指模数转换器ADCs转换位数少于6；在低精度场景下DOA估计的系统模型基础上，求出低精度ADCs输出信号的协方差矩阵，对协方差矩阵进行奇异值分解，根据Root‑MUSIC算法给出根多项式，导出波达方向估计值的表达式；在低精度场景下DOA估计的系统模型基础上导出相应的克拉美罗下界，作为指标评估低精度ADCs对DOA估计的性能影响。本发明能够评估ADCs的比特长度对DOA估计性能的影响，从而在适合的情境下选择合适的比特长度，算法简单，可靠性高。
-
公开(公告)号：CN114866378A
公开(公告)日：2022-08-05
申请号：CN202210548841.0
申请日：2022-05-20
Applicant: 南京理工大学
Abstract: 本发明公开了一种空间调制中基于主成分分析的干扰协方差矩阵估计方法，该方法步骤为：合法接收机将接收到的信号按列排列成数据集矩阵；对数据集矩阵的协方差矩阵进行特征值分解，将得到的特征值按递减顺序排列；结合已知的干扰协方差矩阵的秩信息对接收机噪声进行估计，对相应的特征值进行取均值，得到接收机噪声的方差值；根据已知的干扰协方差矩阵的秩，选择对应主成分数量的特征值并去除接收机噪声的影响对干扰协方差矩阵进行重构，得到估计的干扰协方差矩阵；根据估计到的干扰协方差矩阵设计接收波束成形向量。本发明估计得到的干扰协方差矩阵结合相应的波束成形，使得全双工窃听者存在的空间调制在安全性能方面的性能有显著的提升。
-
公开(公告)号：CN110139378B
公开(公告)日：2022-07-05
申请号：CN201910304601.4
申请日：2019-04-16
Applicant: 国网浙江省电力有限公司绍兴供电公司 , 国网浙江省电力有限公司 , 南瑞集团有限公司 , 南京理工大学 , 南京南瑞信息通信科技有限公司
Abstract: 本发明公开了一种多窄带聚合终端的信道选择方法，包括以下步骤：S1，每个窄带通道根据下行参考信号估计出各个频点子信道的信道质量；S2，根据信道质量转换为链路传输速率；S3，选出传输速率最高的子信道；S4，判断选择的子信道是否与其他窄带通道选择的子信道重复；S5，如果所有窄带通道选择的子信道都不相同，则进入步骤S6，否则进入步骤S7；S6，将步骤S3或者步骤S7挑选出来的子信道作为相应窄带通道的通信频点，然后进入步骤S8；S7，对选择相同子信道的窄带通道进行联合子信道选择，然后进入步骤6；S8，每个窄带通道在步骤S6确定的频点上发起随机接入流程以及进行数据传输。本发明大大提高聚合终端的数据传输速率以及传输稳定性。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.032 seconds)
