-
公开(公告)号：CN118971999A
公开(公告)日：2024-11-15
申请号：CN202411047749.1
申请日：2024-08-01
Applicant: 南京大学
Abstract: 本发明公开了一种基于深度学习的OTFS接收机信号检测方法与系统。在本发明中移动性的车辆场景中进行通信，且信道经历双选择性的时间和频率衰落；本发明提出了一种基于深度学习的OTFS接收机信号检测方法来实现高移动性场景下的信号检测及通信，采用深度学习神经网络架构代替传统的OTFS信号均衡和检测技术，在保证可靠性的同时尽量增加灵活性和效率。同时，本发明提出了一种循环移位SP方法，用于对信号数据进行预处理，一定程度上改善了卷积核对于二维信号处理具有局限性的问题。本发明利用深度学习以及SP方法，使得所提出的接收机的性能在低信噪比下明显优于经典信号检测方法，为高移动性场景下稳定可靠的信号接收机提供了一种行之有效的解决方案。
-
公开(公告)号：CN118921662A
公开(公告)日：2024-11-08
申请号：CN202410994127.3
申请日：2024-07-24
Applicant: 南京大学
IPC: H04W12/0431 , H04W12/60 , H04W12/041 , H04W12/06 , H04L9/08 , H04W48/20 , H04W48/16
Abstract: 本发明公开了一种6G全解耦网络的安全接入方法与系统，为未来6G全解耦无线接入网络通信提供了高效的多基站协作及用户接入解决方案。通过轻量级基于秘密共享的群组密钥协商策略，构建插值多项式传递共享密钥生成信息，建立数据基站群组内部成员间的信任关系，并为基站群组选出组长基站，以提高基站群组协商效率；在完成基站群组密钥协商的基础上，通过秘密共享技术构建二项式，为用户协商与基站群组接入及会话服务的密钥。相比于传统接入认证机制，本发明在用户侧和基站侧分别进行高效、低开销的安全密钥协商，在抵抗各类攻击的同时实现了用户对数据基站的0‑RTT接入认证，由此建立适合多方接入、多基站协作的全解耦网络接入方案。
-
公开(公告)号：CN118041405A
公开(公告)日：2024-05-14
申请号：CN202410277560.5
申请日：2024-03-12
Applicant: 南京大学
IPC: H04B7/0456 , H04B7/0452 , H04W4/42 , H04W4/02
Abstract: 本发明公开了一种基于地理位置的高铁移动通信6G全解耦网络上行传输方法与系统，包括：根据列车与各上行基站的地理位置进行纯视距信道映射，以此作为信道估计对上行信号进行二级合并的联合接收处理；设计一个深度学习神经网络，以映射的纯视距信道为输入，输出满足约束条件的多用户联合预编码；使用各个位置的历史信道数据进行离线训练网络；实际部署阶段输入列车位置相应的纯视距信道，网络输出相应位置上的联合预编码，实现无反馈的传输。相比于传统的预编码设计方案，本发明有效解决了高铁场景下由于高速移动导致信道反馈不及时且资源开销较大的问题，改善了高铁场景无线通信的频效，为未来高铁移动通信提供了一种行之有效的上行传输方法。
-
公开(公告)号：CN114051254B
公开(公告)日：2024-05-03
申请号：CN202111312119.9
申请日：2021-11-08
Applicant: 南京大学
Abstract: 一种基于星地融合网络的绿色云边协同计算卸载方法，基于星地融合网络，所述星地融合网络由低轨卫星组网与传统地面网络构成；地面网络包含TSC和LSC两种基站；每一个LSC旁部署有MEC服务器；步骤如下：1)以最小化星地融合网络的能耗为优化目标，结合服务质量要求，建立目标优化问题；对原问题进行数学分析，分解为优化变量分别为二元变量和连续变量的两个子问题；2)将大尺度衰落、用户任务到达速率、天线增益等环境参数输入深度神经网络，求解出用户接入选择x和基站卸载选择β；生成多对(x,β)；将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛。
-
公开(公告)号：CN117856875A
公开(公告)日：2024-04-09
申请号：CN202410220386.0
申请日：2024-02-28
Applicant: 南京大学
IPC: H04B7/185
Abstract: 本发明公开了一种以业务为中心的超密集低轨卫星海上互联网接入切换方法与系统，包括：定义船舶与LEO卫星之间的系统模型；面向不同海上互联网业务的通信需求，定义船舶与LEO卫星接入资源分配问题的决策变量、目标函数及约束条件；将问题建模为一个马尔科夫决策过程，定义状态、动作，并设计合理的奖励函数以同时满足不同业务的需求；搭建海上卫星网络环境并设置训练参数，进行基于竞争‑双重深度Q网络的强化学习训练；在真实的海上卫星网络中，部署强化学习模型训练，每个时隙由控制器收集状态信息并发送至船舶，船舶基于模型进行接入资源分配决策并根据奖励和下一时隙状态进行模型更新。本发明能够实现大规模且高动态的节点的接入与资源分配。
-
Patent Agency Ranking
公开(公告)号：CN111601278B
公开(公告)日：2023-05-05
申请号：CN202010363894.6
申请日：2020-04-30
Applicant: 南京大学
Abstract: 本发明公开了一种软件定义的异构车联网接入管理与优化方法，包括以下步骤：步骤1：设计基于SDN的车辆通信网络架构，实现对车辆网络的全局管理；步骤2：在数据平面上设立本地数据库，收集车辆信息，并存储由控制平面下发的管理策略；步骤3：收集的车辆数据上传到控制平面，在控制平面上进行车辆网络性能指标的计算；步骤4：确定各性能指标的权重以及效益函数，最终通过进化博弈方法确定接入网络模式的选择，并下发到数据平面的车辆上。本发明的软件定义的异构车联网接入管理与优化方法基于不同的业务需要，灵活选用车辆接入模式，使车辆异构网络的网络服务质量根据所需业务的要求实现优化，极大地提高网络性能，改善车辆通信网络服务质量。
-
公开(公告)号：CN116017371A
公开(公告)日：2023-04-25
申请号：CN202310016638.3
申请日：2023-01-06
Applicant: 南京大学
IPC: H04W4/44 , H04W74/08 , H04W72/0446
Abstract: 本发明公开了一种去红绿灯化网联智能路口的通信系统与协议方法。本发明将CSMA/CA信道侦听及冲突退避思想与VeMAC中时分多址的方法相结合，构建一种可根据信道繁忙程度动态调整工作形态的CVMAC协议，解决了节点信息接入冲突的问题；CVMAC根据估算的信道节点接入密度确定协议类型，在密度低时使用CSMA/CA的协议调度，在密度高时采用VeMAC协议的模式进行传输；本发明还搭建了基于树莓派平台的MAC协议原型验证系统，对场景进行仿真验证，通过大量数据包的统计可以统计出坏包率、通信延时、车辆吞吐量。本发明可有效解决去红绿灯化网联智能路口高密度车辆节点接入调度中心时的数据冲突问题，通过对场景的仿真能够大大降低物理场景验证成本。
-
公开(公告)号：CN115512548B
公开(公告)日：2023-04-07
申请号：CN202211463075.4
申请日：2022-11-22
Applicant: 南京大学
IPC: G08G1/01 , G06F30/18 , G06F30/27 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种路侧检测单元布设与道路交通稀疏感知方法及系统，为现代城市交通感知系统提出了低成本的解决方案。首先，使用交通流仿真软件建模出一个配备道路传感器的复杂城市路网系统，根据仿真的运行结果，得到仿真中所有车辆的行驶数据以及交通检测器的监测数据；其次，移除城市路网中的一部分交通检测器，利用稀疏感知方法在现有检测器的基础上恢复出被移除部分的检测器交通数据；最后，将恢复出来的交通检测器数据作为虚拟检测器替代原路网中被移除的真实检测器，得到完整的路网交通检测器数据。本发明能够利用稀疏路侧检测器还原出城市路网中所有检测器的数据，实现低成本的路侧检测器布设方案，且具有较高的估算精度。
-
公开(公告)号：CN113055826B
公开(公告)日：2022-04-22
申请号：CN202110268939.6
申请日：2021-03-12
Applicant: 南京大学
IPC: H04W4/029 , H04W16/22 , H04W84/18 , H04B7/185 , H04B17/382 , H04B17/391
Abstract: 本发明属于无线传感器网络技术领域，具体涉及一种联合分簇和三维轨迹规划的大规模无人机群数据收集方法，根据地理位置，每个区域对应一个无人机群，我们在每个区域选择一个Super‑CH来收集该区域的所有数据，轮渡无人机只需要从几架Super‑CH无人机上收集数据。首先通过优化传输时延确定CH的数量，然后应用改进的k‑means算法在每个区域的节点中选择相应的簇头CH和唯一的Super‑CH。随后，我们提出了一种基于BCD的迭代方法来设计轮渡无人机的最优三维轨迹，从而使其完成Super‑CH数据收集的时间最小化。
-
公开(公告)号：CN114051254A
公开(公告)日：2022-02-15
申请号：CN202111312119.9
申请日：2021-11-08
Applicant: 南京大学
Abstract: 一种基于星地融合网络的绿色云边协同计算卸载方法，基于星地融合网络，所述星地融合网络由低轨卫星组网与传统地面网络构成；地面网络包含TSC和LSC两种基站；每一个LSC旁部署有MEC服务器；步骤如下：1)以最小化星地融合网络的能耗为优化目标，结合服务质量要求，建立目标优化问题；对原问题进行数学分析，分解为优化变量分别为二元变量和连续变量的两个子问题；2)将大尺度衰落、用户任务到达速率、天线增益等环境参数输入深度神经网络，求解出用户接入选择x和基站卸载选择β；生成多对(x,β)；将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.033 seconds)
