基于多任务神经网络的OFDM系统频偏与信道联合估计算法

    公开(公告)号:CN117278364A

    公开(公告)日:2023-12-22

    申请号:CN202210671212.7

    申请日:2022-06-15

    Applicant: 南开大学

    Abstract: 本发明公开了一种基于多任务神经网络的OFDM系统频偏与信道联合估计算法,包括以下步骤:在接收端对导频信号进行预处理,得到联合估计神经网络的输入;构建频偏与信道联合估计多任务神经网络架构;离线阶段通过构造大量在不同信道下具有不同频偏的差异化数据,以端到端的方式对网络进行训练;在线阶段将同时包含频偏和衰落信道影响的符号输入到训练好的网络中,可以同时获取频率偏移值和信道估计值。本发明提出了基于多任务学习的频偏与信道联合估计算法,并引入注意力机制消除频偏估计误差对信道估计的影响,与传统算法相比,降低了系统计算复杂度,大幅提高了频偏估计和信道估计的精度。

    基于深度学习的智能中医综合诊疗系统

    公开(公告)号:CN107242857A

    公开(公告)日:2017-10-13

    申请号:CN201710445067.X

    申请日:2017-06-12

    Applicant: 南开大学

    Abstract: 本发明提出了一种基于深度学习的智能中医综合诊疗系统。按照本发明所构建的智能中医综合诊疗系统应当包括:望诊采集子系统、闻诊采集子系统、问诊采集子系统、脉诊采集子系统,以及综合分析子系统。其中,望诊采集子系统采集患者的面部、舌体等局部图像信息;闻诊采集子系统对患者语音、呼吸、咳嗽等声音信息进行采集;问诊采集子系统采用交互问答方式获取患者症状信息;脉诊采集子系统采集患者的脉搏信号;综合分析子系统采用深度学习相关理论和技术对以上子系统得到的信息数据进行综合分析,得到诊断结果并给出建议处方。本发明实现了中医望、闻、问、切四方面的结合,借助深度学习理论得到全面详实的诊断结果,为患者就诊提供了便利。

    基于城市三维地图的地面数字电视广播与导航卫星混合粒子滤波定位方法

    公开(公告)号:CN106886039A

    公开(公告)日:2017-06-23

    申请号:CN201510915864.0

    申请日:2015-12-11

    Applicant: 南开大学

    CPC classification number: G01S19/46

    Abstract: 本发明公开了一种基于城市三维地图的地面数字电视广播与导航卫星混合粒子滤波定位方法。包括步骤:利用城市三维地图计算出定位区域内的非视距传播误差(NLOS)修正地图;根据接收的导航信号与地面数字电视信号(DTMB),计算各个信号发射源到接收机的伪距并解算出初步的定位结果;根据初步定位结果散布采样粒子,并利用现有地图优化粒子的生成区域;查询各个粒子位置的NLOS误差补偿值,计算补偿后的观测结果以及误差和权重,再根据权重进行重采样。本发明方法依据城市三维地图构建NLOS修正地图,并利用粒子滤波补偿NLOS误差,能有效克服城市复杂环境中多径的影响,在恶劣的信道环境下准确高效地完成定位。

    一种面向低轨卫星通信的新型时延-多普勒域波形设计与传输方法

    公开(公告)号:CN118199699A

    公开(公告)日:2024-06-14

    申请号:CN202211596820.2

    申请日:2022-12-12

    Applicant: 南开大学

    Abstract: 本发明公开了一种面向低轨卫星通信的新型时延‑多普勒域波形设计和传输方法,包括步骤:对低轨卫星通信数据比特流进行数字调制,将信息符号放置于时延多普勒域平面网格,进行OTFS调制;沿频率轴进行IDFT操作,得到时域离散信号,经过上采样后以一定的间隔相互交错;设计一种与时延和多普勒分辨率均正交的发送脉冲,将数字信号转换为模拟信号发送出去;经过卫星衰落信道后,接收端利用匹配滤波器接收处理,经过下采样后进行OTFS解调和数字解调恢复出原始卫星通信数据比特流。本发明提出了一种新型的时延‑多普勒域多载波波形设计和传输方法,有效耦合了时延多普勒域调制信号和卫星双选择性衰落信道,降低了带外发射功率,并提升了系统的整体性能。

    快时变场景下基于深度学习的OFDM系统频偏估计算法

    公开(公告)号:CN117278363A

    公开(公告)日:2023-12-22

    申请号:CN202210671211.2

    申请日:2022-06-15

    Applicant: 南开大学

    Abstract: 本发明公开了一种快时变场景下基于深度学习的OFDM系统频偏估计算法,包括以下步骤:频偏估计网络输入数据的产生和预处理;构建以全连接网络为核心的频偏估计网络;离线阶段通过构造大量差异化的数据对频偏估计网络进行训练;在线阶段将包含频偏的符号输入到训练好的网络中,获取频率偏移值,完成频偏估计。本发明将频偏估计问题建模为神经网络的分类过程,利用神经网络提取频偏特征,完成频偏同步。与传统算法相比,大幅提高了频偏估计的精度,具有更强的鲁棒性。

    基于城市三维地图的地面数字电视广播与导航卫星混合粒子滤波定位方法

    公开(公告)号:CN106886039B

    公开(公告)日:2023-07-14

    申请号:CN201510915864.0

    申请日:2015-12-11

    Applicant: 南开大学

    Abstract: 本发明公开了一种基于城市三维地图的地面数字电视广播与导航卫星混合粒子滤波定位方法。包括步骤:利用城市三维地图计算出定位区域内的非视距传播误差(NLOS)修正地图;根据接收的导航信号与地面数字电视信号(DTMB),计算各个信号发射源到接收机的伪距并解算出初步的定位结果;根据初步定位结果散布采样粒子,并利用现有地图优化粒子的生成区域;查询各个粒子位置的NLOS误差补偿值,计算补偿后的观测结果以及误差和权重,再根据权重进行重采样。本发明方法依据城市三维地图构建NLOS修正地图,并利用粒子滤波补偿NLOS误差,能有效克服城市复杂环境中多径的影响,在恶劣的信道环境下准确高效地完成定位。

    基于小波变换调制系统的压缩感知时域信道估计方法

    公开(公告)号:CN107634922A

    公开(公告)日:2018-01-26

    申请号:CN201710885888.5

    申请日:2017-09-22

    Applicant: 南开大学

    Abstract: 本发明公开了一种针对小波变换的调制系统的压缩感知时域信道估计方法。包括步骤:根据信道估计条件选择合适的具有小波基函数,采用时域块状导频插入,对信号进行IDWT变换完成调制,采用准Toeplitz矩阵构建观测矩阵,使用压缩感知技术进行时域信道估计,在信道冲激响应估计后采用傅里叶变换简化信道求解过程。本发明针对小波变换调制系统,利用小波基函数可以有效消除各个子信道干扰ICI及码间干扰ISI,提高信道估计的准确性;采用压缩感知时域信道估计减少了信道估计时需要的测量值个数,降低计算复杂度和成本;采用FFT变换求解数据信号部分,避免了小波变化带来的大量运算,克服了小波变换带来的局限性,使得小波变换调制系统具有更强的适用范围。

    一种实现OFDM系统同步、信道估计和降低峰均比的方法

    公开(公告)号:CN101383799B

    公开(公告)日:2014-07-16

    申请号:CN200710151207.9

    申请日:2007-09-14

    Applicant: 南开大学

    Abstract: 本发明以高速无线数据通信系统中的关键技术——正交频分复用(OFDM)为基础,提出了一种用同一训练序列同时实现OFDM系统同步、信道估计和降低峰均比的方法。主要方法是用一组训练序列实现信道的整数频偏同步和信道估计,同时用该训练序列中的数据构成部分传输序列(PTS)方法的加权系数,来降低峰均比。该系统能用同一训练序列同时实现降低峰均比,信道估计和系统同步,与独立实现各功能相比,该方法不仅能够实现以上三种功能,而且由于利用一组训练序列,节省了资源,提高了系统有效性。

    一种时序数据的深度压缩感知重建方法

    公开(公告)号:CN116633360A

    公开(公告)日:2023-08-22

    申请号:CN202310587366.2

    申请日:2023-05-24

    Applicant: 南开大学

    Abstract: 本发明采用一种新的时序数据深度压缩感知重建方法,将时序数据送入压缩采样模块(3)中,在这里采用单层门控循环单元实现数据的实时压缩采样,得到采样值。生成正态分布的随机采样数据作为隐变量(1),计算原始数据采样值(4)与重建数据采样值(6)之间的欧几里得范数作为测量误差(5),通过采用最小化测量误差的方式对隐变量(1)进行梯度下降,优化隐变量(1)。将隐变量(1)和原始数据采样值(4)分别经过一个全连接层与激活函数得到隐藏特征并相乘,再经过一个全连接层与激活函数得到重建数据(7)。本方法利用了压缩感知和深度学习的相关原理,不再要求数据具有稀疏性,实现了时序数据的高精度快速实时压缩与重建。

    一种基于超梯度去噪网络的图像压缩感知重建方法

    公开(公告)号:CN116580114A

    公开(公告)日:2023-08-11

    申请号:CN202310587219.5

    申请日:2023-05-24

    Applicant: 南开大学

    Abstract: 本发明涉及图像处理领域,主要涉及一种基于超梯度去噪网络的图像压缩感知重建方法。本发明在传统的图像逐块采样和初始重建的基础上,通过深度展开思想将压缩感知迭代去噪重建模型映射为端到端的去噪网络。在去噪网络中引入残差密集块作为去噪算子,提升图像去噪重建的质量。同时进一步使用超梯度策略优化迭代去噪模型,加速网络收敛。本发明通过在迭代去噪过程中利用去噪算子学习噪声信息,灵活地表征图像的先验信息,克服了人工设置正则项的局限性,准确高效地进行了原始图像的重建。

Patent Agency Ranking