-
公开(公告)号：CN119070935A
公开(公告)日：2024-12-03
申请号：CN202411056474.8
申请日：2024-08-02
Applicant: 北京交通大学
IPC: H04B17/391 , H04B17/382
Abstract: 本发明提供了一种基于海洋船岸信道的岸上基站与船舶之间的无线通信方法。该方法包括构建海洋船岸信道的三维模型，该模型包含作为发射端的岸上基站、作为接收端的处于运动状态的船舶、位于岸上基站周围的半球体和位于船舶周围的圆柱体，综合考虑了岸上基站、船舶周围的散射和海平面的反射以及船舶横摇运动的影响，根据模型的几何关系计算出时变距离，得到信道的冲激响应；根据信道的冲激响应，得到基于船舶横摇运动条件下海洋信道的空时频相关函数和多普勒功率谱密度。本发明方法准确描述海洋信道的非平稳统计特性，有利于研究船舶横摇对海洋无线信道的影响，为建立海洋无线通信系统提供理论支撑。
-
公开(公告)号：CN109286408B
公开(公告)日：2020-09-08
申请号：CN201811198330.0
申请日：2018-10-15
Applicant: 北京交通大学
IPC: H04B1/16 , H04B17/382
Abstract: 本发明提供一种能量收集的方法和能量接收机。所述能量收集的方法应用于能量收集系统中的接收机，所述方法包括:接收所述能量收集系统的发送机发送的信号；获取所述信号的第一功率的分配比例，其中，所述第一功率表征所述信号经过所述发送机和所述接收机之间的信道后的功率，所述分配比例表征所述第一功率分配到所述接收机中多个能量收集电路的比例；将所述信号按照所述分配比例进行分配并输入到与每个所述分配比例对应的能量收集电路；将所述多个能量收集电路输出的能量合并后输出到与所述接收机匹配的能量接收端。所述方法避免了能量收集电路出现饱和，减少了能量消耗，提高了能量转化效率。
-
公开(公告)号：CN118433702A
公开(公告)日：2024-08-02
申请号：CN202410679840.9
申请日：2024-05-29
Applicant: 北京交通大学
IPC: H04W12/02
Abstract: 本发明提供了一种基于异构图学习的物理层安全通信方法。该方法包括：构建多输入单输出MISO网络系统的数学模型，获得MISO网络系统的网络拓扑数据和信道状态数据；基于MISO网络系统的网络拓扑数据和信道状态数据构建异构图神经网络；对异构图神经网络进行训练，得到训练好的异构图神经网络，将待处理的MISO网络的数据输入到训练好的异构图神经网络中，训练好的异构图神经网络输出待处理的MISO网络的达到物理层安全的传输方案。本发明方法能够利用异构图神经网络的优势，避免了传统方法中运算过慢的问题，能够在捕获不同类型的用户和不同类型用户相互作用关系作为特征、寻找更优的解，以实现有效地获取MISO网络的达到物理层安全的传输方案。
-
公开(公告)号：CN116528256A
公开(公告)日：2023-08-01
申请号：CN202310114266.8
申请日：2023-02-07
Applicant: 北京交通大学
IPC: H04W16/28 , H04W24/02 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种基于深度学习的波束赋形计算方法，该方法包括：获取实际系统场景的带标签的波束赋形数据集，根据实际应用场景或需求搭建神经网络架构，基于应用场景和波束赋形目标与需求设计所述神经网络架构的损失函数；利用训练集通过小批量梯度下降方法对所构建的神经网络架构进行训练，利用测试集对训练后的神经网络架构进行泛化测试，当神经网络架构的损失函数的损失值符合要求后，得到训练好的神经网络架构；利用训练好的神经网络架构计算新系统场景的波束赋形。本发明方法促进了深度学习在波束赋形计算领域的应用，并提出了神经网络在波束赋形推理上的泛化性测试，具备较好的最优性能与泛化性能，并能够实现毫秒级相应。
-
公开(公告)号：CN114943308B
公开(公告)日：2025-04-11
申请号：CN202210779520.1
申请日：2022-07-04
Applicant: 北京交通大学
IPC: G06F18/2431 , G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/045 , G06N3/0455 , G06N3/098 , G16H50/70
Abstract: 本发明提供了一种基于联邦学习的数据分类方法及装置。方法包括：获取集中管理的患者数据集并建立卷积神经网络模型，根据数据集对卷积神经网络模型进行预训练；将训练的卷积神经网络模型发送至客户端，以使客户端对卷积神经网络模型进行端侧训练，得到各个客户端各自对应的局部模型；接收各个客户端上传的各自对应的局部模型，基于集中数据集计算各个局部模型的准确率，根据准确率计算出各个客户端各自对应的局部模型的贡献度；根据各个客户端各自对应的局部模型的贡献度，计算出联邦聚合时的聚合权值，根据聚合权值对各个局部模型进行联邦聚合，直至各个局部模型收敛得到全局模型。本发明能够提高数据分类的准确率同时降低漏报率。
-
Patent Agency Ranking
公开(公告)号：CN118646453A
公开(公告)日：2024-09-13
申请号：CN202410607521.7
申请日：2024-05-16
Applicant: 北京交通大学
IPC: H04B7/04 , H04B17/309 , H04B17/391 , H04W16/18 , H04W24/06 , H04L41/16 , H04B7/06 , H04W72/044
Abstract: 本发明提供了一种计算机视觉辅助的RIS智能传输方法。该方法包括：构建智能超表面RIS辅助的多用户多输入多输出MISO网络的系统模型；根据所述RIS辅助的MISO网络的系统模型中各RIS所在级联信道上的路径损耗，基于计算机视觉辅助选取最佳的RIS级联通道；基于所述最佳的RIS级联通道，以RIS辅助的MISO网络的传输速率最大为目标，构建优化问题的目标函数；通过DNN网络迭代学习信道信息的，不断调整RIS的相移参数以及发射机对于每个接收方的功率分配占比，获取所述优化问题的目标函数的求解结果。本发明基于DNN的传输设计模块，利用信道信息配置所选RIS的波束赋形参数以及系统功率分配，优化系统传输速率最大化问题。
-
公开(公告)号：CN116319874A
公开(公告)日：2023-06-23
申请号：CN202310185508.2
申请日：2023-02-21
Applicant: 北京交通大学
IPC: H04L67/12 , G01S13/86 , G06N3/08 , H04Q9/00 , H04L67/10 , H04W28/06 , H04W16/28 , H04L41/16 , H04B7/06
Abstract: 本发明提供了一种基于语义通信的计算机视觉辅助的通感一体化方法。该方法包括：在基站上增加通感一体化单元，通感一体化单元捕获基站周边环境的感知信息，该感知信息包括图像信息和深度信息；基站将感知信息发送给移动边缘计算服务器；移动边缘计算服务器通过语义编码器结合用户移动终端的需求以及信道状态信息，对融合后的感知信息进行语义编码，得到编码后的环境信息并发送至基站；基站将编码后的信息发送给用户移动终端；用户移动终端利用语义解码器对来自基站的信号进行语义解码，获得所需的环境信息。本发明方法可以为移动通信设备提供实时的环境信息(如路况信息等)，解决传统通感一体化方法的信息获取途径单一、服务可靠性较低等问题。
-
公开(公告)号：CN114943308A
公开(公告)日：2022-08-26
申请号：CN202210779520.1
申请日：2022-07-04
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于联邦学习的数据分类方法及装置。方法包括：获取集中管理的患者数据集并建立卷积神经网络模型，根据数据集对卷积神经网络模型进行预训练；将训练的卷积神经网络模型发送至客户端，以使客户端对卷积神经网络模型进行端侧训练，得到各个客户端各自对应的局部模型；接收各个客户端上传的各自对应的局部模型，基于集中数据集计算各个局部模型的准确率，根据准确率计算出各个客户端各自对应的局部模型的贡献度；根据各个客户端各自对应的局部模型的贡献度，计算出联邦聚合时的聚合权值，根据聚合权值对各个局部模型进行联邦聚合，直至各个局部模型收敛得到全局模型。本发明能够提高数据分类的准确率同时降低漏报率。
-
公开(公告)号：CN119067235A
公开(公告)日：2024-12-03
申请号：CN202411159278.3
申请日：2024-08-22
Applicant: 北京交通大学
IPC: G06N20/00 , G06F18/213 , G06F18/24 , G06F18/214 , G06F21/60
Abstract: 本发明提供一种基于双端安全防护的联邦学习方法及系统，属于联邦学习技术领域，各客户端的局部数据须经数据筛选器筛选后输入主任务进行局部训练，并保存筛选结果生成局部数据描述；各客户端将局部模型与局部数据描述一同上传给服务器；当服务器存有足够多的客户端历史模型信息后运行模型筛选器，利用各客户端处理后的局部模型集与局部数据描述对局部模型质量进行审查，后续服务器将根据客户端局部模型质量审查结果指导联邦训练与聚合过程。本发明在客户端对局部数据集进行离线的自动审查，在服务器端对收集到的局部模型进行审查，在不违反联邦学习隐私保护原则的前提对数据、模型安全进行全面防护，提高了联邦学习的鲁棒性与可信度。
-
公开(公告)号：CN113805142B
公开(公告)日：2023-11-07
申请号：CN202111088881.3
申请日：2021-09-16
Applicant: 北京交通大学
IPC: G01S5/02 , G06N3/0464 , G06N3/0455 , G06N3/098
Abstract: 本发明提供的一种基于联邦学习的建筑物楼层室内定位方法，利用由一个边缘服务器以及多个移动客户端共同参与的分布式深度学习技术来构建射频指纹定位模型。服务器首先进行模型初始化并利用其少量指纹数据进行集中式预训练，各个客户端使用其本地指纹数据进行进一步的模型训练，随后将训练好的本地模型传输至服务器，服务器对从各个客户端收集来的本地模型进行聚合，得到用于射频指纹定位的全局模型。本发明采用了含预训练的联邦学习训练方法结合基于卷积神经网络的射频指纹定位方法，将数据采集和模型训练任务分配至各个客户端，分散了模型训练开销、降低了数据采集及存储成本、并保护了客户端的位置数据隐私，同时还保证了训练效率和定位效果。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.027 seconds)
