-
公开(公告)号：CN116306935B
公开(公告)日：2025-05-16
申请号：CN202310273570.7
申请日：2023-03-20
Applicant: 重庆邮电大学
IPC: G06N5/022 , G06N3/04 , G06N3/048 , G06N3/08 , G06F18/213 , G06F18/214 , G06F18/2415 , G06F18/2431
Abstract: 本发明涉及一种基于深度学习网络的干扰知识库构建方法，属于干扰识别技术领域，包括以下步骤：S1：分析干扰信号在复杂场景中的特点，通信终端设备周围环境中不同种类的干扰信号给出不同的干扰抑制策略；S2：构建干扰知识库离线训练模块：基于场景分析，利用原始干扰数据来建立初始知识库并训练深度学习网络，得到具有在线识别能力的干扰识别模型；S3：构建干扰知识库在线学习模块：将实时采集的干扰数据经模块识别后所得到的特征数据集与初始数据库进行匹配，若为新的数据集，则进行在线更新知识库，即得到具备在线学习能力的干扰知识库构建模块。
-
公开(公告)号：CN119996288A
公开(公告)日：2025-05-13
申请号：CN202510409424.1
申请日：2025-04-02
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于无人机位置信息的OLSR协议自适应策略，属于计算机网络路由协议技术领域。该OLSR协议方法的内容包括：通过无人机自身携带的北斗卫星导航系统(BDS)，获取自身节点的位置坐标和速度信息，然后利用无人机的速度信息计算出下一时刻的位置，即预测位置，根据无人机实际位置和预测位置计算出两者的余弦相似度，对比余弦相似度的数值大小，利用自身速度来定义一种新的HELLO消息发送周期，并对HELLO消息的数据包格式字段进行修改，添加余弦相似度、位置信息和速度信息。
-
公开(公告)号：CN119834905A
公开(公告)日：2025-04-15
申请号：CN202411968864.2
申请日：2024-12-30
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于投影变换的协方差矩阵重构和导向矢量优化的干扰抑制方法，属于阵列干扰抑制领域。本方法包括以下步骤：S1：利用接收数据构造接收信号协方差矩阵；S2：通过积分重构计算重构的干扰加噪声协方差矩阵；S3：对重构的干扰加噪声协方差矩阵进行特征值分解；S4：利用分解得到的噪声子空间构造投影变换矩阵，对干扰加噪声协方差矩阵进行投影变换；S5：采用加载最优对角加载因子的干扰加噪声协方差矩阵，并进行锐化处理；S6：建立一个包含所有的干扰信号导向矢量的空间；S7：基于最大化阵列输出功率准则优化导向矢量；S8：利用优化的导向矢量和重构出的干扰加噪声协方差矩阵，计算出波束形成器权重。在本发明中，解决了自适应波束形成技术中目标导向矢量失配引起的主瓣偏移问题，同时展宽了零陷宽度解决零陷和干扰方向不一致的问题，使得在干扰信号来向扰动条件下抑制干扰。
-
公开(公告)号：CN119316000A
公开(公告)日：2025-01-14
申请号：CN202411370153.5
申请日：2024-09-29
Applicant: 重庆邮电大学
Abstract: 本发明公开一种干扰信道下的极化码的编译码方法，属于信道编码领域。本发明主要包括以下步骤：构建干扰信道模型；通过改进的极化重量(Polarization Weights,PW)方法确定等效比特子信道的可靠性索引序列；完成极化码的编码、调制、交织；在接收端译码，采用基于对数似然比信息(Log Likelihood Ratio,LLR)的软判决译码，通过对LLR进行判决，得到对应比特的估计值。一方面，本发明提供的改进的PW算法能够在未知干扰状况的前提下衡量等效比特子信道的可靠度，且具有较低的复杂度。另一方面，为了避免干扰场景译码时传统LLR擦除方法带来的信息损失，本发明用广义似然比来近似计算被干扰位置的LLR值,获得了更低的误码率。
-
公开(公告)号：CN116306935A
公开(公告)日：2023-06-23
申请号：CN202310273570.7
申请日：2023-03-20
Applicant: 重庆邮电大学
IPC: G06N5/022 , G06N3/04 , G06N3/048 , G06N3/08 , G06F18/213 , G06F18/214 , G06F18/2415 , G06F18/2431
Abstract: 本发明涉及一种基于深度学习网络的干扰知识库构建方法，属于干扰识别技术领域，包括以下步骤：S1：分析干扰信号在复杂场景中的特点，通信终端设备周围环境中不同种类的干扰信号给出不同的干扰抑制策略；S2：构建干扰知识库离线训练模块：基于场景分析，利用原始干扰数据来建立初始知识库并训练深度学习网络，得到具有在线识别能力的干扰识别模型；S3：构建干扰知识库在线学习模块：将实时采集的干扰数据经模块识别后所得到的特征数据集与初始数据库进行匹配，若为新的数据集，则进行在线更新知识库，即得到具备在线学习能力的干扰知识库构建模块。
-
Patent Agency Ranking
公开(公告)号：CN118784423A
公开(公告)日：2024-10-15
申请号：CN202410633091.6
申请日：2024-05-21
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于循环前缀差异最小化的自适应阵列干扰抑制方法，属于阵列干扰抑制领域。该方法包括以下步骤：对接收信号采样后做快速傅里叶变换并计算协方差矩阵；利用协方差矩阵计算投影矩阵并通过投影抑制宽带干扰；子载波重配后做快速傅里叶逆变换并进行时频同步；利用循环前缀的循环特性计算权值，加权提取期望信号主径；对主径信号进行正交频分复用解调，再进行信道均衡；将信道估计得到的信道估计矢量用于信道均衡；均衡后的信号经过后续解调得到输出比特流。本发明首先在频域利用正交投影算法抑制宽带强干扰，再建立循环前缀差异最小化优化函数计算权值，多路信号加权以抑制残余干扰和多径干扰，能够有效提高接收端的可靠性。
-
公开(公告)号：CN118695283A
公开(公告)日：2024-09-24
申请号：CN202410734015.4
申请日：2024-06-07
Applicant: 重庆邮电大学
IPC: H04W24/06 , H04W56/00 , H04B17/391
Abstract: 本发明属于无线通信中的信道认知领域，涉及一种基于同步码的信道场景识别方法及系统。方法包括：采集无线接收机中的基带信号，捕获同步码作为信道场景的观测样本；对同步码进行长周期的间隔性捕获，并在每次捕获后计算观测样本均值，保存为信道数据样本；将每次捕获并计算得到的信道数据样本输入到预先训练并优化好的深度学习网络模型中，根据模型的输出结果更新信道场景识别结果。方法优势在于：通过对同步码的长周期间隔捕获和分析，实现更高效的信道场景识别，并简化系统的实现难度；创造性地将信道特征识别问题转换为接收信号识别问题，消除传统方法中复杂的人工特征提取步骤，结合深度学习技术，智能地学习更为精确且抽象的信道特征表示，提高信道场景识别的准确性和效率；无需对发射端做任何修改，灵活适用于各种现有无线通信系统，增强信道场景识别方法的实用性和适应性。识别结果可以用于各种后续处理，如动态调整通信参数和优化传输策略，从而提升通信系统的整体性能和环境适应性。
-
公开(公告)号：CN118611799A
公开(公告)日：2024-09-06
申请号：CN202410461331.9
申请日：2024-04-17
Applicant: 重庆邮电大学
IPC: H04B17/382 , H04W16/14
Abstract: 本发明请求保护一种面向多源复杂场景的频谱态势补全方法，属于无线电监测技术领域。本发明针对目标场景中辐射源和传播模型相关的先验信息未知、且存在多辐射源和阴影衰落，目标场景复杂，频谱态势恢复困难的问题。通过以下步骤解决：S1：对目标区域进行离散化处理；S2：坐标系中随机选取若干个目标点，部署传感器，获得目标位置的接收信号强度，构建稀疏张量、观测矩阵和RSS矩阵；S3：由观测矩阵和稀疏矩阵，进行非负矩阵分解获得各个辐射源采样分量；S4：将各个采样分量分别通过残差自编码器获得单辐射源的路径衰减分量S5:将各个路径衰减分量相加，获得完整频谱地图的路径衰减分量；S6：将采样数据与对应位置的路径衰减分量做除法获得阴影衰落分量；S7：阴影衰落分量进行薄板样条(Thin Plate Splines，TPS)插值获得完整频谱地图的阴影衰落分量估计；S8：将路径损耗分量和阴影衰落分量做Hadamard乘积，得到目标区域的整体频谱态势。本发明充分利用采样数据，具有较好的频谱态势重构效果，适用于环境中存在多辐射源和阴影衰落的复杂认知场景。
-
公开(公告)号：CN118568590A
公开(公告)日：2024-08-30
申请号：CN202410633128.5
申请日：2024-05-21
Applicant: 重庆邮电大学
IPC: G06F18/2415 , G06F18/25 , G06F18/2131 , G06F18/214 , G06N3/0464 , H04K3/00
Abstract: 本发明属于干扰识别领域，具体涉及一种基于Conv‑KANformer的神经网络干扰识别方法，包括如下步骤：S1：构建干扰数据库，采用短时傅里叶变换提取干扰时频图；对时频图进行剪裁、缩放、构建标签信息等预处理操作，确保数据的准确性和一致性；S2：搭建Conv‑KANformer神经网络框架，该网络由多尺度卷积特征提取模块、KANformer全局特征提取模块、分类模块构成，其中，多尺度卷积特征提取模块包含四层不同大小的卷积核，从而提取不同感受野特征；KANformer全局特征提取模块引入科尔莫格罗夫‑阿诺德网络(Kolmogorov–Arnold Networks，KAN)改进传统transformer结构；分类模块引入KAN完成7种干扰信号分类；S3：通过交叉熵损失函数完成模型离线训练，获得干扰识别模型；S4：利用干扰识别模型完成在线干扰识别。本发明提出一种基于Conv‑Kanformer的神经网络干扰识别方法，能够在较低干噪比下识别7种干扰类型。
-
公开(公告)号：CN119363265A
公开(公告)日：2025-01-24
申请号：CN202411464584.8
申请日：2024-10-21
Applicant: 重庆邮电大学
IPC: H04B17/309 , H04L27/26 , H04B7/08
Abstract: 本发明涉及一种低复杂度OTFS多天线检测算法，属于无线通信领域，基于正交时频空OTFS调制系统，发射端的发射信号通过时变多径信道到达多天线接收端；在接收端使用多天线阵列和波束形成初步分离来自不同到达角(AoA)的接收信号；然后，分别从时延‑多普勒(DD)域和低复杂度的延迟‑时间(DT)域角度出发，根据波束形成分支中信号的组成，通过最大比值合并(MRC)对每个分支中的多径分量进行相干合并，同时，由MRC收集全部分支并相干合并，不断迭代得到最优估计值；结果表明，所提出的低复杂度DT域多天线Bi‑MRC检测误码率性能显著优于现有的多天线MP‑MRC检测，并且达到最优值所需的迭代次数和单次迭代耗时均大幅降低。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.019 seconds)
