-
公开(公告)号：CN116055275A
公开(公告)日：2023-05-02
申请号：CN202211639827.8
申请日：2022-12-20
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本申请提供一种基于波束方向图动态匹配的低轨卫星PAPR降低方法及装置，方法包括：根据天线波束方向图获取动态低轨卫星相控阵天线波束方向图模型；根据映射关系构建不同波束方向图和对应的所述最优降低策略的最优匹配数据库；根据最相似相控阵天线波束方向图与最优匹配数据库进行适配得到对应的多用户最优选择编码序列和多用户最优相位旋转组合；根据所述多用户最优选择编码序列和所述多用户最优相位旋转组合获取控制函数；根据调度周期及仰角变化建立缩放函数；更新所述控制函数并根据所述缩放函数进行功率调整得到最终的波束成形信号。本申请能够在相控阵捷变波束下保障FBMC波形质量且有效降低峰均比。
-
公开(公告)号：CN114205053B
公开(公告)日：2023-04-07
申请号：CN202111349324.2
申请日：2021-11-15
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: H04L1/00
Abstract: 本发明提供一种卫星通信系统强化学习自适应编码调制方法、系统及装置，所述方法基于强化学习的方式在每个状态下选择价值最高的调制编码方式，能够实现对动作的最优。同时，在强化学习过程中，设置了直接学习和虚拟学习两部分，直接学习是直接通过真实数据进行学习并选择调制编码方式进行通信，虚拟学习则基于虚拟环境模型对状态和奖励值的更新进行仿真，并通过虚拟学习更新Q值表至各信道收敛，引入虚拟学习过程可以减少与真实环境的交互，提高收敛速度和通信质量。进一步地，通过对状态动作对设置优先级数值，并在虚拟学习过程中专注于采用优先级数值较高的对状态动作，减少智能体无意义的查找，提高效率。
-
公开(公告)号：CN113783591A
公开(公告)日：2021-12-10
申请号：CN202110959025.4
申请日：2021-08-20
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: H04B7/0456 , H04B7/185
Abstract: 本发明提供一种用于多个多波束卫星通信的预编码方法、通信系统及装置，所述方法针对单个终端的多个数据流设计了两种发射模式，使用并行结构优化针对每个终端的多个数据流抉择出最佳发射模式并构建所有终端的最佳整体发射模式，包括两个部分：第一个部分是在参考整体发射模式的基础上，分别改变每个终端的发射模式，得到整体发射模式然后计算对比性能指标；第二个部分是选择方案，根据对比性能指标选择出每个终端的最佳发射模式并构建最佳整体发射模式。根据最佳整体发射模式的最佳信道矩阵对待发送信号进行预编码，在不增加卫星成本和复杂度的条件下，获得了较高的系统误码率性能。
-
公开(公告)号：CN115841031B
公开(公告)日：2025-03-25
申请号：CN202211538810.3
申请日：2022-12-02
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: G06F30/20 , G06F17/18 , G06Q10/04 , G06V10/74 , G06N3/04 , G06N3/08 , G06F111/08 , G06F111/06 , G06F119/14 , G06F119/08
Abstract: 本发明提供一种基于分数差分自回归和移动平均模型的星历预测方法及装置，该方法包括以下步骤：接收星历预测指令，所述星历预测指令包括指定的待预测卫星，接收所述待预测卫星和所述待预测卫星的邻接卫星的星历数据；构建同一历史时刻不同卫星的等式组和不同历史时刻相同卫星的等式组；基于同一时刻不同卫星的等式组和不同时刻相同卫星的等式组计算得到待预测卫星在的历史星历总误差；分别采用多个不同的采样频率对待预测卫星的历史星历总误差进行采样，并基于预设的分数差分自回归和移动平均模型输出预测的星历总误差；获取星历数据中待预测时刻的星历参数，基于待预测时刻的星历参数和预测的所述星历总误差计算待预测时刻的预测星历参数。
-
公开(公告)号：CN116388832B
公开(公告)日：2025-02-25
申请号：CN202211501825.2
申请日：2022-11-28
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: H04B7/185
Abstract: 本申请提供一种低轨卫星捷变波束多普勒频偏估计策略选取方法及装置，方法包括：构建相控阵捷变波束多场景几何与信道约束关系，设定不同多普勒频偏估计算法组合的权重，建立基于场景约束与多效能组合的动态博弈模型以及基于递归神经网络求解多普勒频偏估计策略组合。本申请能够实现低轨卫星相控阵捷变波束下的多场景动态的多普勒频偏估计，且能够有效提高多普勒频偏估计的精确性、有效性、可靠性及适用广泛性，进而能够有效提高低轨卫星与用户之间的链路连接可靠性。
-
Patent Agency Ranking
公开(公告)号：CN116055275B
公开(公告)日：2024-12-17
申请号：CN202211639827.8
申请日：2022-12-20
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本申请提供一种基于波束方向图动态匹配的低轨卫星PAPR降低方法及装置，方法包括：根据天线波束方向图获取动态低轨卫星相控阵天线波束方向图模型；根据映射关系构建不同波束方向图和对应的所述最优降低策略的最优匹配数据库；根据最相似相控阵天线波束方向图与最优匹配数据库进行适配得到对应的多用户最优选择编码序列和多用户最优相位旋转组合；根据所述多用户最优选择编码序列和所述多用户最优相位旋转组合获取控制函数；根据调度周期及仰角变化建立缩放函数；更新所述控制函数并根据所述缩放函数进行功率调整得到最终的波束成形信号。本申请能够在相控阵捷变波束下保障FBMC波形质量且有效降低峰均比。
-
公开(公告)号：CN116432003A
公开(公告)日：2023-07-14
申请号：CN202310185966.6
申请日：2023-03-01
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: G06F18/213 , G06F18/24 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/084 , H04L27/00
Abstract: 本发明提供一种基于射频学习的低轨卫星信号调制识别方法及装置，所述方法包括：根据射频信号计算出元素值并构建三维谱阵图，提取三维谱阵图中的频域特征、时频特征以及幅相特征，通过计算各特征的交叉熵值确定生成射频语义图谱的信号特征；根据频域特征得到频域特征射频语义图谱，时频特征得到的时频特征语义图谱，幅相特征得到幅相特征射频语义图谱；构建低轨卫星射频语义图谱识别分类模型，将最大交叉熵值对应的特征语义图谱输入低轨卫星射频语义图谱识别分类模型，对其进行分类识别输出调制识别结果。本发明能够提高在高动态大带宽低轨卫星通信场景下的信号调制方法的检测准确率。
-
公开(公告)号：CN115801094A
公开(公告)日：2023-03-14
申请号：CN202211268680.6
申请日：2022-10-17
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: H04B7/185 , H04B17/391
Abstract: 本发明提供一种双球心角体3D几何结构的低轨卫星信道建模方法及装置，包括：获取通信参数和用于构建双球心角体的几何参数；构建自由空间损耗模型；获取第一测量数据，确定接收端通信仰角范围并进行区间划分，基于第一测量数据将低轨道卫星在过顶过程中不同区间内的阴影衰落拟合为参数时变的动态阴影衰落高斯混合分布模型；获取第二测量数据，将低轨道卫星在过顶过程中的多径到达角拟合为参数时变的拉普拉斯分布模型，基于拉普拉斯分布模型确定小尺度衰落信道冲激响应模型；基于自由空间损耗模型、动态阴影衰落混合高斯分布模型及小尺度衰落信道冲激响应模型确定低轨道卫星的信道冲激响应模型。该方法提高了低轨道卫星通信信道特性描述的精确度。
-
公开(公告)号：CN112436975B
公开(公告)日：2022-09-13
申请号：CN202011073879.4
申请日：2020-10-09
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: H04L43/0876 , H04L41/147 , H04L43/50
Abstract: 本发明实施例提供了一种天地一体化信息网络流量预测方法及装置，采用多项式模型拟合尺度系数，Laplace分布模型拟合小波系数，这样Laplace分布模型表征小波系数，实现系数分布与流量特性相关，并且，多项式模型表征尺度系数，实现对流量的准确模拟。使用更符合流量数据实际分布情况的Laplace分布，预测的流量数据更符合流量实际分布情况。
-
公开(公告)号：CN114205053A
公开(公告)日：2022-03-18
申请号：CN202111349324.2
申请日：2021-11-15
Applicant: 北京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: H04L1/00
Abstract: 本发明提供一种卫星通信系统强化学习自适应编码调制方法、系统及装置，所述方法基于强化学习的方式在每个状态下选择价值最高的调制编码方式，能够实现对动作的最优。同时，在强化学习过程中，设置了直接学习和虚拟学习两部分，直接学习是直接通过真实数据进行学习并选择调制编码方式进行通信，虚拟学习则基于虚拟环境模型对状态和奖励值的更新进行仿真，并通过虚拟学习更新Q值表至各信道收敛，引入虚拟学习过程可以减少与真实环境的交互，提高收敛速度和通信质量。进一步地，通过对状态动作对设置优先级数值，并在虚拟学习过程中专注于采用优先级数值较高的对状态动作，减少智能体无意义的查找，提高效率。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.06 seconds)
