-
公开(公告)号：CN113902220A
公开(公告)日：2022-01-07
申请号：CN202111325927.9
申请日：2021-11-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于自适应密度聚类算法的车辆轨迹预测方法，该方法包括：1)选定一个具有N个轨迹点的车辆轨迹数据集；2)基于自适应密度聚类算法对轨迹点进行分簇；3)对每个簇分别进行符号标记，将被标记了的簇按照时间排序后输出符号序列；4)将符号序列输入到变阶马尔可夫模型中，并使用Lempel‑Ziv‑MS预测算法进行预测，即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果。本发明所提的自适应密度聚类算法提高了算法的执行效率，同时提高了轨迹聚类的准确度；考虑N阶马尔可夫模型的空间复杂度高、零频率等缺点，变阶马尔可夫模型使用LZ‑MS来解决零频率问题，并使用树结构来减少所需的内存量。
-
公开(公告)号：CN113902220B
公开(公告)日：2024-04-02
申请号：CN202111325927.9
申请日：2021-11-10
Applicant: 南京邮电大学
IPC: G06F18/20 , G06F18/2321 , H04W4/029 , H04W4/40
Abstract: 本发明公开了一种基于自适应密度聚类算法的车辆轨迹预测方法，该方法包括：1)选定一个具有N个轨迹点的车辆轨迹数据集；2)基于自适应密度聚类算法对轨迹点进行分簇；3)对每个簇分别进行符号标记，将被标记了的簇按照时间排序后输出符号序列；4)将符号序列输入到变阶马尔可夫模型中，并使用Lempel‑Ziv‑MS预测算法进行预测，即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果。本发明所提的自适应密度聚类算法提高了算法的执行效率，同时提高了轨迹聚类的准确度；考虑N阶马尔可夫模型的空间复杂度高、零频率等缺点，变阶马尔可夫模型使用LZ‑MS来解决零频率问题，并使用树结构来减少所需的内存量。
-
公开(公告)号：CN117459995A
公开(公告)日：2024-01-26
申请号：CN202311479063.5
申请日：2023-11-08
Applicant: 南京邮电大学
IPC: H04W28/06 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种面向去蜂窝网络上行链路压缩感知恢复的深度展开方法，首先要在cell‑free中的每个RRH接收到测量值，对其进行CS恢复，得到用户信号数据的粗略估计；信号的粗略估计问题可以转化为一个广义LASSO形式的优化问题；得到的优化问题可通过ADMM算法的迭代方法求解，将ADMM算法表述为深度展开神经网络，将深度展开网络作为解码器，将ADMM算法迭代中的仿射映射应用于最终层；最后还提出了使用并行计算来降低时间复杂度的优化策略，优化解码器的最终输出。本发明可应用于cell‑free等压缩感知场景中，提供面向cell‑free上行链路的前端负载问题的压缩感知方法的优化方案，在原有ADMM展开网路的基础上有效提升了信号重构的速度，大大降低是了原有方法的计算复杂度。
-
Patent Agency Ranking
公开(公告)号：CN116600341A
公开(公告)日：2023-08-15
申请号：CN202310569273.7
申请日：2023-05-19
Applicant: 南京邮电大学
IPC: H04W28/06 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种面向云无线接入网(C‑RAN)上行链路的压缩感知方法，首先要在C‑RAN场景中的每个RRH(Remote Radio Head)接收到测量值(压缩信号)，对其进行CS恢复，得到用户信号数据的粗略估计；信号的粗略估计问题可以转化为一个广义LASSO形式的优化问题；得到的优化问题可通过ADMM算法(the alternating direction method of multipliers algorithm)的迭代方法求解，基于上述步骤将ADMM算法表述为具有层迭代的深度展开神经网络(deep unfolding network)，将这样的深度展开网络作为解码器；最后将ADMM算法迭代中的仿射映射应用于最终层，得到最终输出。本发明可应用于C‑RAN等压缩感知场景中，提供面向C‑RAN上行链路的前端负载问题的压缩感知方法，有效提升了在压缩感知场景中信号重构的速度和抗噪性能。
-
公开(公告)号：CN114970837A
公开(公告)日：2022-08-30
申请号：CN202210914128.3
申请日：2022-08-01
Applicant: 南京邮电大学
Abstract: 本发明公开了面向电力物联网的DOA估计方法、装置和存储介质，获取电力物联网终端的1比特实测测量信号，建立稀疏实值信号向量；利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，输出获得面向电力物联网的DOA估计结果；通过利用原来不动点延拓算法中的更新梯度公式转化为其等价的更新迭代规则，只需在网络架构的最后一层加入归一化层就可以解决问题，本发明应用于电力物联网中的大规模终端设备接入场景中，有效提升了在大规模设备信号重构的速度和精度。
-
公开(公告)号：CN114089744A
公开(公告)日：2022-02-25
申请号：CN202111285053.9
申请日：2021-11-01
Applicant: 南京邮电大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于改进Raft算法选择车辆队列领航车的方法，包括1)车辆队列初始化，将具有相同目的地且车辆间保持稳定较小车距的车辆编队；2)选择临时领航车；3)基于车辆动力性能指标参数的加权评估值选择队列候选领航车；4)利用改进Raft算法选出队列领航车和备用领航车；5)实时检查领航车状态，当领航车出现异常情况时及时采用备用领航车进行工作。本方法在车辆队列行驶时，能够快速选举出领航车，进而有效的控制整个队列的行驶。在发生突发状况时，领航车能够迅速做出反应，从而阻止事故的发生，增强行车安全性。特别地，备用领航车在当前领航车失效或发生故障时，进一步保证车辆队列行驶的安全与稳定性。
-
-
公开(公告)号：CN114970837B
公开(公告)日：2022-11-11
申请号：CN202210914128.3
申请日：2022-08-01
Applicant: 南京邮电大学
Abstract: 本发明公开了面向电力物联网的DOA估计方法、装置和存储介质，获取电力物联网终端的1比特实测测量信号，建立稀疏实值信号向量；利用软阈值收缩函数以及软阈值收缩算子对稀疏实值信号向量的每个非零分量进行标量缩减，得到标量缩减后的稀疏实值信号向量；将标量缩减后的稀疏实值信号向量以及原始的稀疏实值信号向量输入到训练获得的深度神经网络，输出获得面向电力物联网的DOA估计结果；通过利用原来不动点延拓算法中的更新梯度公式转化为其等价的更新迭代规则，只需在网络架构的最后一层加入归一化层就可以解决问题，本发明应用于电力物联网中的大规模终端设备接入场景中，有效提升了在大规模设备信号重构的速度和精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.03 seconds)
