-
公开(公告)号：CN118264348A
公开(公告)日：2024-06-28
申请号：CN202410481310.3
申请日：2024-04-22
Applicant: 南京邮电大学
IPC: H04B17/382 , H04W12/122 , H04W12/60 , G06F18/23213
Abstract: 本发明公开了一种基于聚类与证据理论结合的抗SSDF攻击的协作频谱感知方法，包括：将所有感知用户按位置采用k‑means进行划分为K个簇；感知用户通过能量检测方式检测主用户的实际状态；在经过k‑means分簇后的簇内中采用k‑medoids聚类方法计算出相关性最高的用户作为簇头；最终将簇头的感知结果进行证据理论计算BPA函数和可信度；利用每个簇头可信度进行分配可信度的权重；根据权重对簇头的BPA进一步修正；采用最终数据融合方式得到最终判决结果。本发明将两种聚类方式结合方式计算得到的簇头，具有高度的代表性，能降低向融合中心传递所需的能量，再采用证据理论计算所得的BPA，再根据权重进一步修正方式，得到更加精准判决结果，大大提高对感知用户对主用户的检测概率。
-
公开(公告)号：CN114598407B
公开(公告)日：2023-06-23
申请号：CN202210098075.2
申请日：2022-01-27
Applicant: 南京邮电大学
IPC: H04B17/391 , H04B17/309 , H04B13/00 , H04W16/22 , G06F30/18 , G06F111/02
Abstract: 本发明公开了一种室内高频段离体信道路径损耗的建模方法及装置，其方法包括：根据室内高频段离体信道传播特性，构建路径损耗初始模型；搭建室内高频段无线体域网离体信道的测试场景；获取天线接收端位于测试场景中的测量数据并计算平均路径损耗；根据平均路径损耗和对数距离损耗模型计算路径损耗指数值；根据路径损耗指数值和天线接收端高度通过最小二乘法拟合出路径损耗指数；根据路径损耗指数和路径损耗初始模型计算路径损耗模型；根据路径损耗模型获取的路径损耗模值和天线接收端高度通过最小二乘法拟合出路径损耗；根据路径损耗指数、路径损耗和路径损耗初始模型构建室内高频段离体信道路径损耗模型；本发明能够提高路径损耗模型的准确性。
-
公开(公告)号：CN113285896B
公开(公告)日：2023-04-07
申请号：CN202110479200.X
申请日：2021-04-30
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B17/391 , G06N3/08
Abstract: 本发明公开了基于堆栈式ELM的时变信道预测方法，包括：根据导频获取时域信道状态信息估计值；根据时域信道状态信息估计值构建线下历史信道训练样本集；将历史信道训练样本集输入到神经网络中，利用ELM方法训练，获得神经网络隐藏层输出矩阵；根据隐藏层输出矩阵获得神经网络的输出权值和输出；利用深度为J的堆栈式ELM方法训练神经网络，输出最终特征矩阵，计算隐藏层输出矩阵和初始输出权值；利用线下训练方法进行线上预测，获得样本对应的特征矩阵和隐藏层输出矩阵、最终神经网络输出权重；根据神经网络输出权重获得神经网络的预测信道状态信息。本发明包括线下训练和线上预测两部分，通过这两部分显著提高时变信道预测精度。
-
公开(公告)号：CN112822130B
公开(公告)日：2022-11-29
申请号：CN202011578137.7
申请日：2020-12-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种5G高速移动系统中基于深度学习的多普勒频偏估计方法，包括基于数据与导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建预训练样本；利用构建的预训练样本对网络进行预训练处理，获取预训练网络的权重和阀值参数；基于导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建训练样本；利用获取预训练网络的权重和阀值参数与构建的训练样本对网络进行第二次训练处理，获取最终的网络估计模型，进行线上多普勒频偏实时估计。具有较快的收敛速度和高的估计性能，具有一定的实用价值。
-
公开(公告)号：CN113285899B
公开(公告)日：2022-10-14
申请号：CN202110548774.8
申请日：2021-05-20
Applicant: 南京邮电大学
IPC: H04L25/02
Abstract: 本发明公开了一种基于深度学习的时变信道估计方法及系统，通过对网络输入样本进行合理构造，本发明基于单隐藏层神经网络，首先充分地利用历史信道信息中的信道变化特征，以及接收导频信号中的其他特征，并利用最小二乘估计的优势来进一步提高信道估计的性能，其次，本发明利用构造的样本对反向传播神经网络进行线下训练，然后以在线方式实时获取时变信道信息。为了降低计算复杂度，本发明仅采用了接收的导频信号与导频子信道的信息，并对导频子信道采用多项式基扩展模型建模来减少待估计参数进行时变信道估计。本发明可以显著地提高信道估计精度，具有较低的计算复杂度，适合于高速移动场景中时变信道信息的高效获取。
-
Patent Agency Ranking
公开(公告)号：CN106130939A
公开(公告)日：2016-11-16
申请号：CN201610563582.3
申请日：2016-07-16
Applicant: 南京邮电大学
Abstract: 本发明公开了一种迭代的MIMO‑OFDM系统中快时变信道估计方法，主要解决高速移动环境MIMO‑OFDM系统中快时变信道估计精度低和复杂度高的问题。具体为联合卡尔曼滤波和数据检测来估计快速变化的信道，其中卡尔曼滤波来自标准状态空间模型，该模型只包含基函数系数、导频/检测数据和噪声，不涉及AR模型参数，因而避免了对AR模型参数的估计，具有快的收敛速度。为了减少数据检测误差传播的影响，将数据检测误差作为噪声的一部分用于卡尔曼滤波递归迭代中，提高了信道估计的精度。本发明具有高估计精度、低计算复杂度和快收敛速度的优点，适用于高速移动MIMO‑OFDM系统中接收机的设计与实现。
-
公开(公告)号：CN119094060A
公开(公告)日：2024-12-06
申请号：CN202411382731.7
申请日：2024-09-30
Applicant: 南京邮电大学
IPC: H04B17/391 , H04B17/309
Abstract: 本发明提供了一种具有水平耦合距离的基于表面波传输的信道建模方法，包括：步骤1，设置发送端、接收端和一根金属管；步骤2，进行初始测量；步骤3，根据测量数据计算路径损耗值；步骤4，改变发送端和接收端的距离并重复步骤3；步骤5，改变发送端和接收端的高度差并重复步骤3～步骤4；步骤6，构建具有接收端水平耦合距离影响的路径损耗模型；步骤7，得到最终路径损耗模型；步骤8，将发送端与接收端之间的距离d和接收端水平耦合距离输入最终路径损耗模型，得到相应情况下的收发端信道的路径损耗值。本发明相比现有技术更便于指导工业物联网环境中信号覆盖和工作节点的优化布局。
-
公开(公告)号：CN118713963A
公开(公告)日：2024-09-27
申请号：CN202410811623.0
申请日：2024-06-21
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B17/391 , H04L27/26
Abstract: 本发明的一种联合UKF与堆栈式ELM的时变信道估计方法、设备及介质，包括首先通过基扩展模型来表征时变信道，然后基于历史时刻的信道基系数估计，引入UKF方法预测得到当前时刻的基系数的初始估计，再利用该初始估计对堆栈式ELM网络进行训练与测试，以获取更高精度的基系数估计；最后基于基系数与频域信道的转换关系，获取最终的频域信道估计。为了解决非线性状态空间模型下的参数估计问题，本发明基于历史时刻的信道基系数估计，首先引入无迹卡尔曼滤波(UKF)来预测得到当前时刻基系数的初始估计，然后利用该初始估计来训练堆栈式极限学习机(ELM)网络，以提取信道的深层特征并进一步提高信道估计的精度。本发明较现有方法具有更高的估计精度，适用于高速移动场景中时变信道信息的获取。
-
公开(公告)号：CN116846496A
公开(公告)日：2023-10-03
申请号：CN202310729390.5
申请日：2023-06-19
Applicant: 南京邮电大学
IPC: H04B17/391 , H04B7/185 , H04B7/22
Abstract: 本发明公开了一种无人机三维几何信道建模方法，属于无线通信技术领域，包括：根据无人机三维几何模型，获取无人机、双智能反射面和移动接收机之间的距离关系；根据无人机、双智能反射面和移动接收机之间的距离关系，获取多径分量的复信道增益；根据多径分量的复信道增益，获取基于双智能反射面辅助无人机的空时相关性函数获取双智能反射面对无人机三维几何信道特性的影响。本发明通过构建基于双智能反射面辅助无人机的三维几何模型，根据相关性函数进行分析，获取双智能反射面反射单元数目、偏转角度、无人机的高度对无人机信道的影响，有利于研究双智能反射面对无人机信道统计特性的影响。
-
公开(公告)号：CN115037578B
公开(公告)日：2023-07-28
申请号：CN202210485320.5
申请日：2022-05-06
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于元学习的OFDM系统中时变信道估计方法、装置、及存储介质，其包括：采集天线上接收到的信号的实时数据；将所采集的信号的实时数据载入预先构建且利用元学习训练好的神经网络模型中，获取时变信道估计结果；神经网络模型训练的过程包括以下步骤：在预先选定数量的具有不同多普勒频移的信道环境中，分别获取频偏补偿后的频域信号，并确定每个频域信号对应的目标信道估计结果；在支撑集上训练神经网络模型并更新基础学习器的网络参数，在查询集上测试神经网络模型并更新元学习器网络参数；对网络参数进行迭代计算，最终更新得到神经网络模型的初始化参数矩阵。本发明能够快速地适应新的信道环境，计算的复杂度较低、估计精度高。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.041 seconds)
