-
公开(公告)号：CN110348019B
公开(公告)日：2023-04-28
申请号：CN201910644003.1
申请日：2019-07-17
Applicant: 南通大学
IPC: G06F40/289 , G06N3/045 , G06N3/0499 , G06N3/08 , G16H50/20 , G16H50/30 , G16H50/70
Abstract: 本发明提供一种基于注意力机制的医疗实体向量转化方法，建立MedE2vec模型，具体包括以下步骤：患者整个医疗过程的电子病历包括时间分布零散的多次诊疗事件Event，单次的诊疗事件Event由患者的多个医疗实体Entity组成；输入患者的一次临床诊疗的所有医疗实体，由初始化向量矩阵W将其初始化为向量表示的诊疗序列；捕获患者诊疗事件序列V内部的医疗实体之间的关系即注意力机制；捕获患者不同诊疗事件间的关系：经过迭代训练得到向量矩阵W，W中的第i行即表示医疗实体集合中的向量；通过损失函数不断优化向量矩阵W，来得到最终的医疗实体向量。本发明是一个基于注意力机制的深度学习模型；MedE2vec可以生成更加精确的医疗实体向量。
-
公开(公告)号：CN115694767A
公开(公告)日：2023-02-03
申请号：CN202211327629.8
申请日：2022-10-27
Applicant: 南通大学
Abstract: 本发明涉及一种基于Transformer的联合导频设计、反馈和信道估计方法，离线训练阶段中在基站端构建导频设计网络和信道估计网络，在用户端构建导频反馈网络，将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作数据集并训练。在线预测阶段中基站端将训练完成的导频设计网络的权重作为导频信号发送至用户端，用户端将导频信号输入导频反馈网络，得到压缩的导频信号，并通过反馈链路反馈给基站端，基站端将接收到的压缩的导频信号输入信道估计网络，得到下行实时估计信道。本发明利用深度学习技术，实现了导频设计、反馈和信道估计的一体化，可获得较好的信道估计精度，也减少了导频开销、反馈开销和硬件的复杂度。
-
公开(公告)号：CN115278810A
公开(公告)日：2022-11-01
申请号：CN202210897865.7
申请日：2022-07-28
Applicant: 南通大学
Abstract: 本发明涉及海上无线通信技术领域，特别涉及一种分布式可重构智能表面辅助的海上通信方法，包括：多个配置可重构智能表面的高空平台在岸基基站和终端船舶设备之间随机分布式布设；基站依据净能量效率最大准则选择一组可重构智能表面，在确定最优的一组可重构智能表面后，岸基基站端和终端船舶设备同时向所选的可重构智能表面发送正交导频进行信道估计，在获取信道状态信息后对所选的一组可重构智能表面相位进行调整，最后从岸基基站通过可重构智能表面辅助的海上通信系统发送数据信号给终端船舶设备。本发明通过对多个可重构智能表面进行调度协助海上中继系统进行通信，进一步增强了海上通信系统净能量效率，具有低成本，低能耗以及高速率等优点。
-
公开(公告)号：CN113343710A
公开(公告)日：2021-09-03
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 , G06K9/62 , G06N3/04 , G06N3/08
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的梯度及步骤S5.利用局部关系矩阵Wscm结合梯度更新辅助向量θu，利用负关系矩阵WNCM结合梯度更新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：CN113163325A
公开(公告)日：2021-07-23
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。
-
Patent Agency Ranking
公开(公告)号：CN117811633A
公开(公告)日：2024-04-02
申请号：CN202311819511.1
申请日：2023-12-27
Applicant: 南通大学
Abstract: 本发明涉及一种基于深度学习的轻量化端到端CSI获取方法，包括：首先生成训练轻量化端到端CS I获取网络HOPFNet的输入数据集，然后，将生成的输入数据集输入HOPFNet中，对HOPFNet进行训练，保存模型最佳权重。最后，基站端将训练完成的导频信号发送至用户端；用户端将接收到的导频信号输入CS I反馈编码器网络，得到压缩的导频信号，并将其通过反馈链路反馈回基站端；基站端将接收到的压缩的导频信号输入CS I反馈解码器网络，得到基站端到用户端的下行实时估计信道。本发明绕过了信道估计，实现了导频设计、信道压缩和信道重建的一体化设计，采用HOPFNet将计算复杂度降低到了线性水平，可获得较好的信道估计精度，也减少了反馈开销和计算复杂度。
-
公开(公告)号：CN115173914B
公开(公告)日：2023-12-26
申请号：CN202210835698.3
申请日：2022-07-15
Applicant: 南通大学
Abstract: 本发明公开了一种多智能反射面辅助通信主被动波束赋形迭代优化方法，该方法首先用户端通过智能反射面发送导频信号，基站端根据导频信号获取级联链路的信道状态信息；然后基站端为每个用户端分配一个智能反射面，采用广义瑞利熵算法计算得到基站端通过所选智能反射面服务各自用户端的最优主动波束赋形向量，并计算信噪泄漏比值；接着基站端通过最大化各个用户端的最小信噪泄漏比，优化用户端所选择的智能反射面的被动波束赋形；之后基站端联合基站端的主动波束赋形和智能反射面的被动波束赋形进行迭代优化。本发明增强了无线通信系统的稳定性、可靠性，提升了无线通信系统的频谱效率。
-
公开(公告)号：CN116566769A
公开(公告)日：2023-08-08
申请号：CN202310633176.X
申请日：2023-05-31
Applicant: 南通大学
IPC: H04L25/02 , H04B7/0413 , H04L5/00
Abstract: 本发明涉及无线通信技术领域，尤其涉及一种RIS辅助的去蜂窝大规模MIMO共生通信信道估计方法，包括：去蜂窝大规模MIMO网络布设M个接入点AP，K个RIS和K个单天线用户；在上行导频传输阶段，所有用户向所有的接入点AP同时发送导频和数据信号，且每个时隙发送的数据信号是相同的；RIS同时也在发送导频，且使用二元相移键控的方法进行简单处理，让RIS相继发送带有“+1”和“‑1”两种符号的导频给接入点AP，各个接入点AP接收到来自直接链路和间接链路的信号后，将前一时隙和后一时隙接收到的信号进行一个简单的计算处理，再分别对两者进行信道估计。本发明用较小的序列来获得更好的信道条件，减小了时隙开销，且均方误差低、复杂度低。
-
公开(公告)号：CN115694767B
公开(公告)日：2023-07-14
申请号：CN202211327629.8
申请日：2022-10-27
Applicant: 南通大学
Abstract: 本发明涉及一种基于Transformer的联合导频设计、反馈和信道估计方法，离线训练阶段中在基站端构建导频设计网络和信道估计网络，在用户端构建导频反馈网络，将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作数据集并训练。在线预测阶段中基站端将训练完成的导频设计网络的权重作为导频信号发送至用户端，用户端将导频信号输入导频反馈网络，得到压缩的导频信号，并通过反馈链路反馈给基站端，基站端将接收到的压缩的导频信号输入信道估计网络，得到下行实时估计信道。本发明利用深度学习技术，实现了导频设计、反馈和信道估计的一体化，可获得较好的信道估计精度，也减少了导频开销、反馈开销和硬件的复杂度。
-
公开(公告)号：CN115085782B
公开(公告)日：2023-06-16
申请号：CN202210681193.6
申请日：2022-06-15
Applicant: 南通大学
IPC: H04B7/0456 , H04B7/06 , G06N3/08 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了基于深度学习的智能反射面联合反馈和混合预编码方法，离线训练阶段中，首先根据信道计算模拟、数字预编码矩阵，并输入深度学习模型训练，然后将模型的信道压缩网络和混合预编码网络分别部署在用户端和基站端。在线预测阶段中，用户端将实时信道输入信道压缩网络，并将压缩信息反馈回基站端，基站端将反馈信息输入混合预编码网络，得到模拟、数字预编码矩阵，然后根据数字预编码矩阵对发送信号进行数字预编码，将数字预编码信号通过馈源传输至智能反射面，智能反射面根据模拟预编码矩阵对数字预编码信号进行相移处理，并发送至用户端。本发明利用深度学习技术，实现多用户的信道反馈和基于智能反射面的混合预编码，降低系统的功耗。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.019 seconds)
