-
公开(公告)号：CN117176184A
公开(公告)日：2023-12-05
申请号：CN202310899610.9
申请日：2023-07-20
申请人： 浙江大学 , 中国电子科技集团公司第五十四研究所
摘要： 本申请提出了一种基于最小组合集的极化码码率一序列节点译码方法，包括：离线构造SPC节点和R1节点的最小组合集；获取待译码的极化码接收序列，根据所得到的SR1节点的LLR计算其内部源节点的LLR；根据源节点的LLR计算对应的最大似然估计码字，并使用码字对根节点进行奇偶校验约束，将根节点拆分为多个SPC节点；获取每个拆分出的SPC节点的翻转组合集合，根据路径度量增量筛选出候选翻转组合；对候选翻转组合进行并集运算构造新的集合，并根据R1节点的最小组合集从新的集合中筛选出新的候选翻转组合；对新的候选翻转组合进行翻转得到候选路径和对应的路径度量值作为SR1节点的译码结果。采用上述方案的本发明大大降低了SR1节点的译码时延和复杂度。
-
公开(公告)号：CN116208196A
公开(公告)日：2023-06-02
申请号：CN202211676372.7
申请日：2022-12-26
申请人： 浙江大学 , 中国电子科技集团公司第五十四研究所
摘要： 本申请公开了一种基于D3QN的无人机自组网多域联合抗干扰方法和装置，其中，该方法包括：将预设数量单位时间的历史信道选择数据和历史信道感知数据输入至基于D3QN的抗干扰模型，然后通过基于D3QN的抗干扰模型处理历史信道选择数据和历史信道感知数据，输出Q值序列，最后确定Q值序列中最大Q值对应的动作为目标动作。本申请可以基于D3QN的抗干扰模型确定最优的抗干扰动作，用于无人机自组网进行数据传输，实现信道选择和传输速率自适应的联合干扰抵抗，从而能够提高网络吞吐量，提升无人机自组网的抗干扰性能。
-
公开(公告)号：CN116938260A
公开(公告)日：2023-10-24
申请号：CN202310861102.1
申请日：2023-07-13
申请人： 浙江大学
IPC分类号： H03M13/11
摘要： 本申请提出了一种基于最小组合集的极化码单奇偶校验节点译码方法，包括：基于极化码序列的信息比特和冻结比特位置分布离线构造特殊节点集合；离线生成所有SPC节点对应的最小组合集；获取待译码的极化码接收序列，并采用快速连续抵消列表译码算法计算其内部SPC节点的最大似然码字信息；根据最大似然码字信息计算对应SPC节点的奇偶校验值，并根据SPC节点的长度奇偶校验值选择对应的最小组合集；对选择的最小组合集中所指示的比特进行翻转，得到候选路径和对应的路径度量值集合，并根据路径度量值从集合中筛选出候选路径作为对应SPC节点的译码结果。采用上述方案的本发明可以在不损失译码性能的前提下，有效降低译码所需的时间步长。
-
公开(公告)号：CN116827360A
公开(公告)日：2023-09-29
申请号：CN202310632579.2
申请日：2023-05-30
申请人： 浙江大学
摘要： 本发明提出一种极化调整卷积码特殊节点的快速列表译码方法，包括，确定极化调整卷积码列表译码的译码树中的特殊节点；其中，特殊节点包括一个源节点和一串码率零或重复码子节点序列，并通过序列集合来标识特殊节点；计算特殊节点对应的源节点的对数似然比，确定路径数量；基于对数似然比和特殊节点对应的序列集合，计算每条路径的度量，保留度量最小的路径，保留路径的数量为设定的列表数；以保留的路径作为输入，对源节点译码，得到源节点每条路径的估计码字；通过估计码字计算特殊节点的估计输出比特和估计信息比特。本发明将特殊节点引入到极化调整卷积码连续抵消列表译码中，构建的译码算法可以降低译码时延且不改变译码性能。
-
公开(公告)号：CN110336594A
公开(公告)日：2019-10-15
申请号：CN201910521220.1
申请日：2019-06-17
申请人： 浙江大学
IPC分类号： H04B7/0413 , H04B17/336 , H04B17/391 , G06N3/08
摘要： 本发明提供了一种基于共轭梯度下降法的深度学习信号检测方法，主要面向大规模MIMO系统。该方法包括如下步骤：(1)基于共轭梯度下降法构造了模型驱动的深度学习网络LcgNet，将每次迭代的步进标量转化成需要学习的网络参数，并提升了该参数的维度；(2)对信道环境建模，根据MIMO系统模型生成大量具有不同信噪比的训练数据；(3)运用大量训练数据对网络进行线下训练；(4)根据接收信号以及假设完美已知的信道状态信息进行在线实时的信号检测。本发明借助深度学习的力量，能够提升信号检测的精度，并且进一步降低了计算复杂度。此外，该深度学习网络由于所需优化参数数量有限，易于训练，在训练阶段对时间和硬件的要求较低。
-
公开(公告)号：CN106159955B
公开(公告)日：2018-07-06
申请号：CN201610559455.6
申请日：2016-07-14
申请人： 嘉兴国电通新能源科技有限公司 , 浙江理工大学 , 浙江大学 , 北京国电通网络技术有限公司
IPC分类号： H02J3/06
摘要： 本发明公开了一种基于连续惩罚对偶分解的电力系统分布式最优潮流方法，包括以下步骤：首先获得电力系统网络参数，确定最优潮流问题的数学模型；其次引入辅助变量，得到原最优潮流控制问题的等效问题；然后通过内外两层迭代算法求解该等效问题，其中内层迭代利用块坐标下降算法在固定对偶变量的情况下分布式求解相应的内层增广拉格朗日问题，各母线在优化每组变量前需与邻母线交互数据，以实现本地变量的局域优化，外层迭代则根据当前约束可行性指标来更新对偶变量和惩罚因子；最后根据所得母线注入功率值完成电力系统最优潮流控制。本发明利用连续惩罚对偶分解技术分布式设计电力系统最优潮流，在保证潮流方程可行性的前提下使系统性能损耗最小。
-
公开(公告)号：CN104967582A
公开(公告)日：2015-10-07
申请号：CN201510434130.0
申请日：2015-07-22
申请人： 浙江大学
IPC分类号： H04L25/02
摘要： 本发明提出了一种NAVDAT中基于奇偶交替导频序列的信道估计方法，该方法包括如下步骤：（1）在NAVDAT发送端，每个OFDM符号的子载波上按照特定规则等间隔插入导频序列；（2）在NAVDAT接收端，采用最小二乘方法估计出导频位置的信道冲激响应；（3）通过线性内插算法估计出每个OFDM符号奇数序号子载波的信道冲激响应；（4）通过基于低通滤波器的内插算法估计出全部的信道冲激响应；本发明充分利用了相邻OFDM符号的信道特性来估计每个OFDM符号奇数序号子载波的信道冲激响应，相比于具有相同导频间隔的梳状分布导频插入方式，在基本不降低数据传输效率的情况下，进一步提高了信道估计的准确性。
-
公开(公告)号：CN111049531B
公开(公告)日：2021-06-01
申请号：CN201911110926.5
申请日：2019-11-14
申请人： 浙江大学
摘要： 本发明提供了一种基于分段线性惩罚函数的交替方向乘子法的深度学习信道译码方法，主要面向二进制线性码。该方法包括如下步骤：1)基于信道译码构建最大似然优化问题；2)转化约束条件，设计一个可调节的惩罚函数并将其引入目标函数，将信道译码最大似然优化问题转化为带分段线性惩罚函数的译码优化问题；3)引入交替方向乘子法解上述优化问题，得到交替方向乘子法信道译码器；4)根据交替方向乘子法的迭代形式构造深度学习网络LADN‑P；5)通过训练获得学习参数；6)将深度学习网络重新恢复成信道译码器，加载学习参数，进行译码。本发明设计了可调节的分段线性惩罚函数，借助深度学习的力量，进一步提升译码性能。
-
公开(公告)号：CN111049531A
公开(公告)日：2020-04-21
申请号：CN201911110926.5
申请日：2019-11-14
申请人： 浙江大学
摘要： 本发明提供了一种基于分段线性惩罚函数的交替方向乘子法的深度学习信道译码方法，主要面向二进制线性码。该方法包括如下步骤：1)基于信道译码构建最大似然优化问题；2)转化约束条件，设计一个可调节的惩罚函数并将其引入目标函数，将信道译码最大似然优化问题转化为带分段线性惩罚函数的译码优化问题；3)引入交替方向乘子法解上述优化问题，得到交替方向乘子法信道译码器；4)根据交替方向乘子法的迭代形式构造深度学习网络LADN-P；5)通过训练获得学习参数；6)将深度学习网络重新恢复成信道译码器，加载学习参数，进行译码。本发明设计了可调节的分段线性惩罚函数，借助深度学习的力量，进一步提升译码性能。
-
公开(公告)号：CN110378467A
公开(公告)日：2019-10-25
申请号：CN201910521633.X
申请日：2019-06-17
申请人： 浙江大学
摘要： 本发明提供了一种针对深度学习网络参数的量化方法。本方法包括如下步骤：(1)构建深度学习网络，产生训练数据；(2)利用大量训练数据对所构建的深度学习网络进行训练，确定网络参数；(3)提取出学习参数，确定超参数；(4)设计量化器，由超参数确定所设计软阶梯函数的具体表达式，并引入可学习参数，使之形状可调整；(5)将该带有学习参数的软阶梯函数引入深度学习网络，量化学习参数，通过相同的训练数据学习量化器参数，训练过程采用退火策略；(6)固定训练后的量化器参数，运用量化器对深度学习网络参数进行量化。本发明能够有效降低量化所引起的性能损失，大大降低了深度网络所需的存储开销。
-
-
-
-
-
-
-
-
-
搜索结果
28 条记录 (耗时 0.046 秒)
