-
公开(公告)号：CN109995449A
公开(公告)日：2019-07-09
申请号：CN201910199408.9
申请日：2019-03-15
Applicant: 北京邮电大学
IPC: H04B17/391 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的毫米波信号检测方法，其特征在于，包括：使用特征编码方法对接收信号进行标注，得到标注数据；对所述标注数据进行预处理，得到训练数据和测试数据；将所述训练数据输入神经网络模型进行线下训练并使用所述测试数据对所述神经网络模型进行测试，固化所述神经网络模型，得到毫米波检测神经网络模型；将所述毫米波检测神经网络模型应用于线上毫米波信号检测，解决非线性失真和多径干扰问题。
-
公开(公告)号：CN113516151A
公开(公告)日：2021-10-19
申请号：CN202110369242.8
申请日：2021-04-06
Applicant: 北京邮电大学
Abstract: 本公开提供一种联邦学习方法，其中，方法由中心服务器和至少一个边缘节点实现，方法包括：中心服务器对神经网络每一层的权重矩阵降维以得到降维的权重矩阵参数集合，并将降维的权重矩阵参数集合发送至边缘节点；边缘节点基于降维的权重矩阵参数集合利用本地样本进行训练以得到该边缘节点对应的边缘表征矩阵，并将边缘表征矩阵发送至中心服务器；中心服务器基于所有边缘表征矩阵得到更新的降维的权重矩阵参数集合，并将更新的降维的权重矩阵参数集合发送至边缘节点。本公开在保证了边缘节点的数据隐私性的同时，降低了对于边缘节点的计算能力和存储能力的要求，且提高了中心服务器和边缘节点之间的数据传输速度。
-
公开(公告)号：CN113516151B
公开(公告)日：2024-07-16
申请号：CN202110369242.8
申请日：2021-04-06
Applicant: 北京邮电大学
IPC: G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/098 , G06N20/00 , H04L67/12
Abstract: 本公开提供一种联邦学习方法，其中，方法由中心服务器和至少一个边缘节点实现，方法包括：中心服务器对神经网络每一层的权重矩阵降维以得到降维的权重矩阵参数集合，并将降维的权重矩阵参数集合发送至边缘节点；边缘节点基于降维的权重矩阵参数集合利用本地样本进行训练以得到该边缘节点对应的边缘表征矩阵，并将边缘表征矩阵发送至中心服务器；中心服务器基于所有边缘表征矩阵得到更新的降维的权重矩阵参数集合，并将更新的降维的权重矩阵参数集合发送至边缘节点。本公开在保证了边缘节点的数据隐私性的同时，降低了对于边缘节点的计算能力和存储能力的要求，且提高了中心服务器和边缘节点之间的数据传输速度。
-
公开(公告)号：CN114430294B
公开(公告)日：2022-12-13
申请号：CN202111544788.9
申请日：2021-12-16
Applicant: 北京邮电大学
Abstract: 本申请提供一种对GEO卫星的对地波束校准方法、装置、电子设备及存储介质。所述方法包括：获取卫星的标校波束的测量功率值；根据测量功率值，得到卫星天线指向的俯仰角偏差及方位角偏差；根据得到的俯仰角偏差及方位角偏差，通过训练好的偏差预测模型，得到下一时刻的预测俯仰角偏差及预测方位角偏差；将所述预测俯仰角偏差及预测方位角偏差传输至卫星。对于GEO卫星，通过上述步骤，可以在获取GEO卫星俯仰角和方位角偏差先验信息模型困难的情况下，根据过往偏差数据，有效预测后续时刻的俯仰角和方位角偏差角度。从而进一步地对GEO卫星波束进行校准，降低最大地表指向偏移。
-
公开(公告)号：CN111401513A
公开(公告)日：2020-07-10
申请号：CN202010086791.X
申请日：2020-02-11
Applicant: 北京邮电大学
Abstract: 本说明书一个或多个实施例提供一种基于随机矩阵采样的轻量级深度学习方法与装置，在不牺牲神经网络性能的前提下，降低模型运算时间与空间复杂度，提高计算效率。所述基于随机矩阵采样的轻量级深度学习方法，包括：对神经网络层的高维权重矩阵进行降维处理，得到低维表征矩阵；在推理阶段，根据推理计算复杂度调整低维表征矩阵间乘法顺序；在训练阶段，根据误差矩阵对低维表征矩阵进行更新；对更新后低维表征矩阵进行重叠耦合与再更新变换，得到轻量级的权重矩阵。所述基于随机矩阵采样的轻量级深度学习装置，包括低维权重表征模块、前向推理模块、训练更新模块与权重校准模块。
-
Patent Agency Ranking
公开(公告)号：CN111310895A
公开(公告)日：2020-06-19
申请号：CN202010086723.3
申请日：2020-02-11
Applicant: 北京邮电大学
Abstract: 本说明书一个或多个实施例提供一种输入特征分解的高效CNN推理方法与装置，能够解决推理计算复杂度高的问题。所述方法包括：利用卷积神经网络卷积层的权重张量对输入张量进行降维展开变换，得到过渡输入张量，对所述过渡输入张量进行行采样操作，得到行表征矩阵；根据所述行表征矩阵对所述过渡输入张量进行列采样操作，得到列表征矩阵；根据所述过渡输入张量、所述行表征矩阵与所述列表征矩阵，计算确定核心表征矩阵；调整所述行表征矩阵、所述列表征矩阵、所述核心表征矩阵与所述权重张量间的相乘顺序，使计算复杂度最低，根据相乘结果确定输出张量。所述装置包括行表征矩阵构建模块、列表征矩阵构建模块、核心表征矩阵构建模块与推理计算模块。
-
公开(公告)号：CN111324860B
公开(公告)日：2024-01-23
申请号：CN202010086785.4
申请日：2020-02-11
Applicant: 无锡北邮感知技术产业研究院有限公司 , 北京邮电大学
IPC: G06F17/16 , G06N3/0464 , G06N3/084 , G06N20/00
Abstract: 本发明提供一种基于随机矩阵逼近的轻量级CNN计算方法与装置，包括：对数据样本进行降维处理，得到数据样本的低维表征；对模型的权重参数进行降维处理，得到权重参数的低维权重表征；利用所述数据样本的低维表征和所述权重参数的低维权重表征进行CNN模型训练。本发明通过降低数据样本的数据量，降低网络的权重参数的数据量，利用降低维度之后的低维表征和低维权重表征进行CNN模型运算，能够降低模型运算的复杂度，降低模型运算所需存储资源和计算资源，能够在配置较低的终端设备上实现模型运算。
-
公开(公告)号：CN114943332A
公开(公告)日：2022-08-26
申请号：CN202210255417.7
申请日：2022-03-15
Applicant: 北京邮电大学
Abstract: 本申请提供一种轻量级YOLO模型的训练方法及相关设备。一种轻量级YOLO模型的训练方法，包括：对原始YOLO模型中每一层卷积层的四维权重矩阵进行降维处理，得到每一层卷积层对应的低维权重表征矩阵；基于所述低维权重表征矩阵及所述原始YOLO模型进行前向计算，得到所述前向计算的输出结果；响应于确定所述前向计算的输出结果未达到预设条件，计算每一层卷积层对应的权重梯度，并基于每一层卷积层对应的所述权重梯度对对应的所述低维权重表征矩阵进行更新。本申请提供的一种轻量级YOLO模型的训练方法及相关设备，前向计算复杂度、空间复杂度及更新复杂度均较低，有利于直接在资源受限的边缘设备或终端设备中部署。
-
公开(公告)号：CN114357504A
公开(公告)日：2022-04-15
申请号：CN202111421244.3
申请日：2021-11-26
Applicant: 北京邮电大学 , 国网辽宁省电力有限公司
Abstract: 本公开实施例提供一种基于隐私保护的联邦学习方法以及相关设备。所述方法包括：根据神经网络的权重矩阵，得到行采样序列集合和列采样序列集合；根据行采样序列集合和列采样序列集合，生成低维行表征矩阵和低维列表征矩阵；接收边缘节点端发送的公钥，并根据公钥对对称密钥进行加密，得到密文，并将密文发送到边缘节点端；生成对称密钥，并根据对称密钥对行采样序列集合和列采样序列集合进行加密，得到加密后的行采样序列集合和列采样序列集合；根据低维行表征矩阵、低维列表征矩阵、加密后的行采样序列集合和加密后的列采样序列集合，生成初始化参数集合，并将初始化参数集合发送至中心服务器端。
-
公开(公告)号：CN109995449B
公开(公告)日：2020-12-18
申请号：CN201910199408.9
申请日：2019-03-15
Applicant: 北京邮电大学
IPC: H04B17/391 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的毫米波信号检测方法，其特征在于，包括：使用特征编码方法对接收信号进行标注，得到标注数据；对所述标注数据进行预处理，得到训练数据和测试数据；将所述训练数据输入神经网络模型进行线下训练并使用所述测试数据对所述神经网络模型进行测试，固化所述神经网络模型，得到毫米波检测神经网络模型；将所述毫米波检测神经网络模型应用于线上毫米波信号检测，解决非线性失真和多径干扰问题。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.026 seconds)
