一种基于深度强化学习的移动自组织网络路由方法

    公开(公告)号:CN116347553A

    公开(公告)日:2023-06-27

    申请号:CN202310064914.3

    申请日:2023-01-15

    Abstract: 本发明提供一种基于深度强化学习的移动自组织网络路由方法,包括:(1)结合双深度Q网络模型,通过路由控制包进行路由链路的探索,得到经验数据;(2)将得到的经验数据作为训练数据,对双深度Q网络模型进行训练,得到训练后的双深度Q网络模型;(3)将待发送数据包的节点输入训练后的双深度Q网络模型,计算得到路由链路,并根据得到的路由链路进行数据包的传送。一方面神经网络可以将更多信息用作输入,从而扩大了状态作用空间,有利于制定更好的策略;另一方面神经网络可以从高维输入数据中自动提取隐藏的特征,在获得端到端的最优决策的同时有效地减轻了手工提取特征的困难。

    基于阵列麦克风的声源跟踪系统及其控制方法

    公开(公告)号:CN109151672B

    公开(公告)日:2022-08-05

    申请号:CN201811094328.9

    申请日:2018-09-19

    Abstract: 基于列阵麦克风的声源跟踪系统及其控制方法,包括,包括列阵麦克风,滤波放大电路、单片机、旋转云台和编码器;使用时,先用阵列麦克风进行拾音;麦克风拾音信号通过频率采样滤波器处理;然后经过处理的信号通过单片机的ADC进行采样;最后采样结束之后对采样数据进行DOA估计,把估计出来的角度与当前云台的角度比较,来确定是否转动云台以及转动方向,从而使摄像头或者高指向性麦克风对准声源;本发明具有跟踪准确的优点。

    基于列阵麦克风的声源跟踪系统及其控制方法

    公开(公告)号:CN109151672A

    公开(公告)日:2019-01-04

    申请号:CN201811094328.9

    申请日:2018-09-19

    CPC classification number: H04R5/027 H04R3/005

    Abstract: 基于列阵麦克风的声源跟踪系统及其控制方法,包括,包括列阵麦克风,滤波放大电路、单片机、旋转云台和编码器;使用时,先用阵列麦克风进行拾音;麦克风拾音信号通过频率采样滤波器处理;然后经过处理的信号通过单片机的ADC进行采样;最后采样结束之后对采样数据进行DOA估计,把估计出来的角度与当前云台的角度比较,来确定是否转动云台以及转动方向,从而使摄像头或者高指向性麦克风对准声源;本发明具有跟踪准确的优点。

    基于最小化量化误差L1范数的对数似然比均匀量化方法

    公开(公告)号:CN108833051B

    公开(公告)日:2020-03-31

    申请号:CN201810387035.3

    申请日:2018-04-26

    Abstract: 一种基于最小化量化误差L1范数的对数似然比均匀量化方法,包括以下步骤:第一步、根据LLR公式计算每个样本符号的原始对数似然比;第二步、计算量化区间对应的量化结果,得到原始对数似然比量化误差的L1范数;第三步、利用黄金分割法找出使量化误差的L1范数最小的量化间隔,实现均匀量化。本发明在对数似然比的概率分布无法准确已知的情况下,克服以往依靠LLR的分布进行量化的方法无从下手的问题,只需要利用符号样本计算LLR量化误差,就能够进行均匀量化,克服了对LLR概率分布的依赖性。此外,对数似然比的量化误差采用L1范数进行计算,更符合对数似然比的对数特性,而且在性能上有明显改善。

    基于最小化量化误差L1范数的对数似然比均匀量化方法

    公开(公告)号:CN108833051A

    公开(公告)日:2018-11-16

    申请号:CN201810387035.3

    申请日:2018-04-26

    Abstract: 一种基于最小化量化误差L1范数的对数似然比均匀量化方法,包括以下步骤:第一步、根据LLR公式计算每个样本符号的原始对数似然比;第二步、计算量化区间对应的量化结果,得到原始对数似然比量化误差的L1范数;第三步、利用黄金分割法找出使量化误差的L1范数最小的量化间隔,实现均匀量化。本发明在对数似然比的概率分布无法准确已知的情况下,克服以往依靠LLR的分布进行量化的方法无从下手的问题,只需要利用符号样本计算LLR量化误差,就能够进行均匀量化,克服了对LLR概率分布的依赖性。此外,对数似然比的量化误差采用L1范数进行计算,更符合对数似然比的对数特性,而且在性能上有明显改善。

Patent Agency Ranking