-
公开(公告)号：CN115307567A
公开(公告)日：2022-11-08
申请号：CN202110536619.4
申请日：2021-05-17
Applicant: 南通大学
IPC: G01B11/24 , G01B11/255 , G02B6/02 , G02B6/255
Abstract: 本申请提出一种基于多芯光纤拉锥的曲率传感器及制备方法，该曲率传感器，包括：第一单模光纤区、多芯光纤区、拉锥微光纤区及第二单模光纤区；第一单模光纤区包括：第一纤芯，且第一纤芯的外部包覆有第一包层，第二单模光纤区包括：第二纤芯，且第二纤芯的外部包覆有第二包层，多芯光纤区包括：多股纤芯，多股纤芯配置成以其中一根纤芯作为中心纤芯，其余纤芯环绕排布于中心纤芯的侧壁圆周上，且多芯光纤区沿着中心纤芯的轴线方向从一端向另一端收缩的锥形结构，第一纤芯连接多芯光纤区的中心纤芯，多芯光纤区的远离第一纤芯侧通过拉锥微光纤区与第二单模光纤区熔接。该曲率传感器在30℃‑140℃范围内对温度不敏感，对曲率却有着极高的灵敏度。
-
公开(公告)号：CN113163325B
公开(公告)日：2022-09-30
申请号：CN202110207960.5
申请日：2021-02-24
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
Abstract: 本发明涉及无线通信技术领域，特别涉及一种多个智能反射面辅助的无线通信方法及其系统，该系统包括单天线基站和单天线用户端，以及在基站与用户端间随机分布式布设的多个智能反射面；首先智能反射面按照距离乘积的升序顺序进行排序，基站选择第一个智能反射面，用户端发送导频信号通过所选智能反射面级联链路以及直接链路到基站端，从而基站估计出此时所选级联链路与直接链路信道；其次在选择后，基站端调整所选智能反射面的相位到最优并计算出此时系统的净数据速率；然后基站依次选择下一个智能反射面，用户端发送导频到基站端并估计出信道，基站端计算出所选一组智能反射面的最优相位以及该系统的净数据速率并与前一个净数据速率值进行比较。
-
公开(公告)号：CN113453148B
公开(公告)日：2022-05-13
申请号：CN202110710289.6
申请日：2021-06-25
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04W4/02 , H04W4/021 , H04W4/33 , H04W64/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种联合深度学习与加权K邻近算法的室内位置指纹定位方法，该方法首先在定位区域采集WLAN信号特征数据建立指纹库以训练卷积神经网络，之后基于该训练完成的CNN网络模型进行用户位置的初定位，然后根据用户初定位位置坐标确定用户在定位区域内的理论范围，并在局部蓝牙Mesh网络中应用加权K邻近算法进行用户精确位置定位，最后将用户精确位置坐标反馈给用户设备。本发明联合应用了深度学习模型与加权K邻近算法进行位置指纹定位算法的优化，提高了该算法的定位精度，同时联合应用了蓝牙Mesh与WiFi技术搭建主体网络，用户设备组网方便，可实现室内高精度定位。
-
公开(公告)号：CN117336755B
公开(公告)日：2025-04-15
申请号：CN202311391735.7
申请日：2023-10-25
Applicant: 南通大学
IPC: H04W24/02 , H04W24/06 , H04B17/391 , H04B17/382 , H04B7/0413
Abstract: 本发明涉及无线通信技术领域，具体为一种基于WPT辅助的去蜂窝大规模MIMO低功耗高能效优化方法，包括：建立WPT辅助的蜂窝大规模MIMO系统模型，构建非线性能量收集模型，考虑实际问题中能量收集以及信息传输的硬件设备是存在损耗问题，并使用更通用的Rician衰落信道，建立关于下行传输功率控制系数、上行传输功率控制系数以及大尺度衰落解码的联合优化问题，其优化目标是最大化上行传输的总能效。本发明既提高了系统的总能效，又降低了上行、下行传输过程的功耗，综合考虑了实际通信过程中的问题，具有很强的实用价值。
-
公开(公告)号：CN117768272B
公开(公告)日：2024-09-03
申请号：CN202311789693.2
申请日：2023-12-22
Applicant: 南通大学
IPC: H04L25/02 , H04W52/14 , H04B7/0426
Abstract: 本发明涉及无线通信技术领域，特别涉及一种无线能量传输的去蜂窝网络信道统计信息估计方法，包括：在去蜂窝系统中布设M个AP、T个RIS、K个用户和一个CPU，假设在每个AP旁都有一个RIS主要为其提供服务；在信道估计阶段，用户采用特殊的导频结构方案向AP发送导频信号，AP为了获得信道统计信息将在不同相干块接收到的信号进行处理，同时采用MMSE信道估计方法进行信道估计；在下行能量传输阶段用户从AP发送能量信号中收集能量；在上行数据传输阶段，将收集到的能量按照比例进行分配，用于此次数据传输及下次信道估计。本发明适用于无线能量传输系统，大大降低了导频开销，可获得较为准确的信道估计。
-
Patent Agency Ranking
公开(公告)号：CN118450319A
公开(公告)日：2024-08-06
申请号：CN202410631353.5
申请日：2024-05-21
Applicant: 南通大学
Abstract: 本申请涉及一种基于有源RIS位置和相位联合优化的近海无线通信方法。该方法包括：生成N组K艘配备有源智能反射面的船的位置坐标作为初始迭代的位置种群；对当前第t次迭代中的N组K艘配备有源智能反射面的船的位置坐标依次排列组成位置种群；在N组有源智能反射面的船的位置坐标配置下对所有有源智能反射面的相位进行优化，取得最佳的相位组合；得到当前第t次迭代的位置坐标配置和相位配置；如果不满足最大迭代次数，获得新的K艘配备有源智能反射面的船的位置坐标，进入下一次迭代优化；如果满足，如果满足最大迭代次数，输出最佳位置坐标配置和最佳相位配置，对近海无线通信系统中的有源智能反射面的位置和相位进行部署，提升整个系统的通信性能。
-
公开(公告)号：CN113343710B
公开(公告)日：2023-09-29
申请号：CN202110726042.3
申请日：2021-06-29
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: G06F40/30 , G06F40/295 , G06F18/22 , G06N3/048 , G06N3/088
Abstract: 本发明公开了一种基于Ising模型的无监督词嵌入表示学习方法，包含以下步骤S1.将输入的文本数据实体依照Ising Model构建稀疏矩阵WISM；S2.将WISM经过SLEP得到全局关系矩阵WWCM；S3.构建批次文本数据实体集Batchi；S4.依次将n个Batchi输入至Word2vec模型，利用Skip‑Gram框架结合负采样的方法得到各实体Vmij的梯度#imgabs0#及#imgabs1#步骤S5.利用局部关系矩阵Wscm结合梯度#imgabs2#更新辅助向量θu，利用负关系矩阵WNCM结合梯度#imgabs3#更新Vmij的词嵌入Veij，本发明通过利用引入由Ising模型获取的带有全局信息的矩阵结合梯度不断更新辅助向量θu及词嵌入Veij，在Word2vec训练过程中引入全局关系得分，本发明的词嵌入表示学习方法准确性高。
-
公开(公告)号：CN116647426A
公开(公告)日：2023-08-25
申请号：CN202310783453.5
申请日：2023-06-28
Applicant: 南通大学
Abstract: 本发明涉及无线通信技术领域，特别涉及一种基于无线能量传输的去蜂窝共生通信传输方法，包括：在去蜂窝系统中部署一定数目的AP、RIS和用户，假设每个RIS为离它最近的一个用户服务，即部署的RIS的数目与AP的数目相同；在信道估计阶段用户具有初始的能量，当RIS发送一个导频符号时用户发送Q个导频符号，AP将接收到的信号进行处理，再使用MMSE信道估计方法实现信道估计；在下行能量传输阶段AP发送能量信号，用户和RIS都进行能量收集；在上行数据传输阶段，RIS利用收集到的能量感知数据，用户利用收集到的能量进行数据传输及下一次的信道估计。本发明大大降低了计算复杂度和信道估计误差，可获得较为准确的信道估计，并且大大降低了能耗。
-
公开(公告)号：CN115776424B
公开(公告)日：2023-08-01
申请号：CN202211435456.1
申请日：2022-11-16
Applicant: 南通大学
IPC: H04L25/02 , H04B7/0452
Abstract: 本发明涉及无线通信技术领域，特别是涉及一种去蜂窝大规模MIMO共生通信系统信道估计方法，包括：去蜂窝大规模MIMO网络布设大量分布式接入点AP和一个反向散射装置；信道估计阶段，所有用户向所有的接入点AP与反向散射装置发送导频信号，反向散射装置接收到信号将不进行处理而是直接发送给所有接入点AP；各个接入点AP接收到来自反向散射装置和用户的信号后，先根据接收到的信号进行直接链路信道估计，获得直接链路信道估计信息；之后利用直接链路信道估计信息对之前接收到的信号进行信号去除；然后对剩下的信号进行信道估计，得到间接链路信道估计信息。本发明具有均方误差低、复杂度低和所需信令开销小的优点。
-
公开(公告)号：CN114611792B
公开(公告)日：2023-05-02
申请号：CN202210238135.6
申请日：2022-03-11
Applicant: 南通大学
IPC: G06Q10/04 , G06N3/0464
Abstract: 本发明涉及一种基于混合CNN‑Transformer模型的大气臭氧浓度预测方法，设计了一种混合CNN‑Transformer模型，该模型由卷积神经网络和改进的Transformer模型组合构成。卷积神经网络由2个一维卷积层组成，Transformer模型由编码器和解码器组成，每个编码器有3个编码层，解码器有3个解码层。同时，在传统Transformer编码器解码器架构的基础上，为编码器的不同编码层之间加入了“编码器到编码器”的交叉多头注意力层，进一步挖掘不同编码层之间编码信息的关联。CNN模型可以在特征维度上很好地提取有效信息，弥补了Transformer模型中编码器提取信息能力不足的问题。该预测方法能够更真实地反映多元数据对臭氧浓度的影响，并通过CNN‑Transformer模型学习这种影响模式，从而给出更精确的臭氧浓度预测结果。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.016 seconds)
