-
公开(公告)号：CN119583269A
公开(公告)日：2025-03-07
申请号：CN202411787147.X
申请日：2024-12-06
Applicant: 重庆邮电大学
Abstract: 本发明属于通信工程技术领域，涉及一种用于跳频通信系统的数字预失真和色散补偿方法，包括：生成S个混频信号xs(n),s∈(1,S)，将信号xs(n)分别输入跳频通信系统，采集信号xs(n)在跳频通信系统中的功放前向信号zs(n)、功放输出信号μs(n)、系统反馈信号vs(n)；根据信号vs(n)和μs(n)计算群时延残差均衡信号rs(n)；将信号rs(n)和zs(n)进行时间对齐，得到时间对齐信号rs'(n)；根据信号xs(n)和rs'(n)估计预失真系数，将系数更新至数字预失真器中，得到更新后的跳频通信系统；将混频信号输入更新后跳频通信系统，得到预失真和色散补偿的输出信号；本发明通过针对快速跳频的宽带信号激励下功放非线性行为进行数学建模，并采用数字预失真与色散补偿相结合的方法，能够精确地补偿由于功率放大器非线性引起的信号失真，从而提高了信号质量。
-
Patent Agency Ranking
公开(公告)号：CN119543846A
公开(公告)日：2025-02-28
申请号：CN202411634891.6
申请日：2024-11-15
Applicant: 重庆邮电大学
Abstract: 本发明属于并行双频发射机中信号线性化领域，具体涉及双频并发信号频谱衍生和谐波增生的数字预失真方法及系统，包括：对双频信号进行合成，得到双频并发信号；将双频并发信号输入功率放大器，得到输出信号；通过对双频并发信号的频谱衍生和谐波增生进行建模构建功放模型；采集前向信号和反馈信号，通过信号频域互相关算法将前向信号和反馈信号对齐；根据对齐后的前向信号和反馈信号估计功放模型的逆模型的系数，将估计的系数更新至数字预失真器中；本发明通过对双频并发信号的高次谐波和交调失真进行精确建模构建功放模型，并结合反馈机制将功放模型逆模型的系数更新至数字预失真器，更新后数字预失真器能够有效抑制谐波衍生和频谱污染。
-
公开(公告)号：CN114281528B
公开(公告)日：2024-12-13
申请号：CN202111505917.3
申请日：2021-12-10
Applicant: 重庆邮电大学
Abstract: 本发明属于强化学习和大数据处理领域，具体涉及一种基于深度强化学习和异构Spark集群的节能调度方法及系统；该方法包括：实时获取Spark集群上真实负载下的在线数据信息，将数据信息输入到训练好的Q网络，Q网络对数据信息进行能耗‑时间目标预测，系统根据能耗‑时间目标预测选择能耗‑时间目标最低的方案进行资源分配；本发明考虑到集群异构导致能耗不同从而带来的资源优先分配问题，在保证满足用户响应时间情况下寻找最低能耗‑时间目标，并根据最低能耗‑时间目标进行资源调度，能针对能耗目标或者多种SLA目标进行优化并尽可能的节能减排，对通过此方法来达到平衡云服务提供商成本和用户之间响应时间有重要意义，具有良好的经济效益。
-
公开(公告)号：CN111126453A
公开(公告)日：2020-05-08
申请号：CN201911232112.9
申请日：2019-12-05
Applicant: 重庆邮电大学
Abstract: 本发明涉及深度学习领域和图像分类领域，具体为一种基于注意力机制和切割填充的细粒度图像分类方法，该方法包括：构建卷积神经网络模型；将原始图像输入卷积神经网络模型，结合注意力机制得到关注图像；将关注图像进行切割，得到子图像，对子图像进行填充，并进行下采样得到填充图像；将关注图像和填充图像输入卷积神经网络模型，并分别通过线性层和softmax分类器，得到对应类别的概率值；选取最大概率值，根据最大值判断分类结果；根据结果在原始图像上标记分类标签；本发明对原图像的关注图像进行分割，再进行填充处理，破坏了各部分之间的相关性，使网络更加关注局部特征，确保高层语义不会被破坏，极大地减少了参数的使用和训练时间。
-
公开(公告)号：CN111126453B
公开(公告)日：2022-05-03
申请号：CN201911232112.9
申请日：2019-12-05
Applicant: 重庆邮电大学
IPC: G06K9/62 , G06V10/764 , G06V10/26 , G06V10/82 , G06N3/04
Abstract: 本发明涉及深度学习领域和图像分类领域，具体为一种基于注意力机制和切割填充的细粒度图像分类方法，该方法包括：构建卷积神经网络模型；将原始图像输入卷积神经网络模型，结合注意力机制得到关注图像；将关注图像进行切割，得到子图像，对子图像进行填充，并进行下采样得到填充图像；将关注图像和填充图像输入卷积神经网络模型，并分别通过线性层和softmax分类器，得到对应类别的概率值；选取最大概率值，根据最大值判断分类结果；根据结果在原始图像上标记分类标签；本发明对原图像的关注图像进行分割，再进行填充处理，破坏了各部分之间的相关性，使网络更加关注局部特征，确保高层语义不会被破坏，极大地减少了参数的使用和训练时间。
-
公开(公告)号：CN114281528A
公开(公告)日：2022-04-05
申请号：CN202111505917.3
申请日：2021-12-10
Applicant: 重庆邮电大学
Abstract: 本发明属于强化学习和大数据处理领域，具体涉及一种基于深度强化学习和异构Spark集群的节能调度方法及系统；该方法包括：实时获取Spark集群上真实负载下的在线数据信息，将数据信息输入到训练好的Q网络，Q网络对数据信息进行能耗‑时间目标预测，系统根据能耗‑时间目标预测选择能耗‑时间目标最低的方案进行资源分配；本发明考虑到集群异构导致能耗不同从而带来的资源优先分配问题，在保证满足用户响应时间情况下寻找最低能耗‑时间目标，并根据最低能耗‑时间目标进行资源调度，能针对能耗目标或者多种SLA目标进行优化并尽可能的节能减排，对通过此方法来达到平衡云服务提供商成本和用户之间响应时间有重要意义，具有良好的经济效益。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
