-
Patent Agency Ranking
公开(公告)号：CN115642968A
公开(公告)日：2023-01-24
申请号：CN202211654317.8
申请日：2022-12-22
Applicant: 中南大学
IPC: H04B17/382 , H04B17/345 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的通信干扰信号和频谱空洞联合认知方法、设备和介质，方法为：从信号接收机获取已知干扰类型和是否存在频谱空洞的无线信号数据集；对数据集内无线信号进行处理获取其基带信号，并计算其功率谱；以信号的功率谱为输入、对应的干扰类型和频谱空洞为输出，训练基于残差连接与膨胀卷积的神经网络，得到干扰与频谱空洞联合认知模型；对于新接收到的干扰类型和频谱空洞待认知的无线信号，按前述方法获得其功率谱，再将功率谱输入至干扰与频谱空洞认知模型，输出得到待认知无线信号的干扰类型和是否存在频谱空洞。本发明可同时判断接收信号中的干扰类型和是否存在频谱空洞，为认知抗干扰得出抗干扰决策提供先验信息。
-
公开(公告)号：CN118647075B
公开(公告)日：2024-11-15
申请号：CN202411116725.7
申请日：2024-08-15
Applicant: 中南大学
IPC: H04W52/46 , H04W52/24 , H04W52/26 , H04W52/36 , H04W84/18 , G06N3/048 , G06N3/042 , G06N3/088 , G06N3/045
Abstract: 本发明涉及通信技术领域，具体公开了一种无线自组网功率控制方法、介质和电子设备，所述方法包括如下步骤：构建无线自组网模型，计算无线自组网模型中每个接收机所接收的接收信号和信噪比，以及无线自组网模型中每个发射机的通信速率；构建优化目标函数；利用深度展开构建基于最小均方误差WMMSE算法的深度展开网络架构；采用无监督方式对所述深度展开网络架构进行训练；调用训练后的深度展开网络架构计算每个发射机的发射功率策略，实现无线自组网功率控制。本发明方法利用深度展开技术，针对传统WMMSE算法进行深度展开，相比于传统算法，使用较少的迭代次数实现了更好的性能，加速算法收敛，并且提供了良好的可解释性和泛化性能。
-
公开(公告)号：CN116996919A
公开(公告)日：2023-11-03
申请号：CN202311242920.X
申请日：2023-09-26
Applicant: 中南大学
IPC: H04W24/02 , H04W24/06 , H04W84/18 , G06N3/092 , G06N3/0464
Abstract: 本发明提供了一种基于强化学习的单节点多域抗干扰方法，包括：在单节点抗干扰系统中构建由一个发射节点、#imgabs0#个接收节点和一个干扰机组成的局部自组网单节点通信模型，基于残差网络对强化学习算法进行改进；利用改进后的强化学习算法求解自组网单节点通信模型抗干扰策略的最优解。本发明利用分布式的思想剥离出单个节点面临的通信干扰环境解决无法实现集中抗干扰的问题；利用多域联合改善移动节点能耗有限的问题，在躲避信号干扰源的同时优化节点发射功率及节点位置以提高节点的抗干扰能力、提高#imgabs1#及网络整体的性能；利用强化学习求解模型最优解，以解决模型中包含大量环境变量和决策变量导致求解困难的问题，以改善系统的性能并提高其鲁棒性。
-
公开(公告)号：CN118647075A
公开(公告)日：2024-09-13
申请号：CN202411116725.7
申请日：2024-08-15
Applicant: 中南大学
IPC: H04W52/46 , H04W52/24 , H04W52/26 , H04W52/36 , H04W84/18 , G06N3/048 , G06N3/042 , G06N3/088 , G06N3/045
Abstract: 本发明涉及通信技术领域，具体公开了一种无线自组网功率控制方法、介质和电子设备，所述方法包括如下步骤：构建无线自组网模型，计算无线自组网模型中每个接收机所接收的接收信号和信噪比，以及无线自组网模型中每个发射机的通信速率；构建优化目标函数；利用深度展开构建基于最小均方误差WMMSE算法的深度展开网络架构；采用无监督方式对所述深度展开网络架构进行训练；调用训练后的深度展开网络架构计算每个发射机的发射功率策略，实现无线自组网功率控制。本发明方法利用深度展开技术，针对传统WMMSE算法进行深度展开，相比于传统算法，使用较少的迭代次数实现了更好的性能，加速算法收敛，并且提供了良好的可解释性和泛化性能。
-
公开(公告)号：CN116996919B
公开(公告)日：2023-12-05
申请号：CN202311242920.X
申请日：2023-09-26
Applicant: 中南大学
IPC: H04W24/02 , H04W24/06 , H04W84/18 , G06N3/092 , G06N3/0464
Abstract: 的性能并提高其鲁棒性。本发明提供了一种基于强化学习的单节点多域抗干扰方法，包括：在单节点抗干扰系统中构建由一个发射节点、个接收节点和一个干扰机组成的局部自组网单节点通信模型，基于残差网络对强化学习算法进行改进；利用改进后的强化学习算法求解自组网单节点通信模型抗干扰策略的最优解。本发明利用分布式的思想剥离出单个节点面临的通信干扰环境解决无法实现集中抗干扰的问题；利用多域联合改善移动节点能耗有限的问题，在躲避信号干扰源的同时优化节点发射功率及节点位置以提高节点的抗干扰能(56)对比文件颛孙少帅;杨俊安;刘辉;黄科举.基于强化学习的无线自组网络多节点干扰策略.控制与决策.2017,(第07期),全文.朱梅.基于BP神经网络的等高线生成方法.电子元器件与信息技术.2018,(第06期),全文.
-
-
-
-
Search Results
5
records
(took 0.011 seconds)
