-
公开(公告)号：CN104749554A
公开(公告)日：2015-07-01
申请号：CN201510125618.5
申请日：2015-03-20
Applicant: 江苏大学
Abstract: 本发明公开了一种基于递归秩损的幅相误差校准和波达方向估计方法，包括：获得在t时刻包含入射方向信息的数据向量，计算接收到的数据向量的协方差矩阵并进行特征分解，利用原RARE方法求出空间谱P(θ)极大值对应的角度利用估计出来的DOA构造秩损矩阵。对空间谱Pk+1(θ)进行谱峰搜索，找出前k+1个极大值对应的k+1个角度，记为判断计数变量k+1是否等于入射角度个数N，如果不等于进入步骤7，如果等于进入步骤8，将计数变量k的值加1，并返回步骤4。构造矩阵求出其最小特征值对应的特征向量u，本发明幅相误差的估计在递归结束后一次性获得，避免了像原始RARE方法那样利用每个DOA的估计值计算一次幅相误差再取平均值，保证了幅相误差估计具有较好的性能。
-
公开(公告)号：CN103503726A
公开(公告)日：2014-01-15
申请号：CN201310416111.6
申请日：2013-09-12
Applicant: 江苏大学
IPC: A01G9/22 , G05B19/042
CPC classification number: Y02A40/258
Abstract: 本发明公开了一种遮阳的方法，包括：单片机控制系统判断蓄电池的电压是否正常；如果蓄电池的电压不正常，则单片机控制系统通知报警指示灯显示红灯；如果蓄电池的电压在正常范围之内，则接收用户通过数字键盘输入的大棚内所期望的光照强度的期望值；在接收用户通过数字键盘输入的大棚内所期望的光照强度后，单片机控制系统通过分布在大棚中光敏传感器采集大棚中的光照信息，并且对收集到的光照信息进行对齐求和取平均，获得当前的光照强度的现实值；根据所述当前的光照强度的现实值和所述光照强度的期望值，调节电致变色玻璃两端的电压值。实现了可自主控制大棚内光照强度，节约能源。
-
公开(公告)号：CN103259592A
公开(公告)日：2013-08-21
申请号：CN201310195050.5
申请日：2013-05-24
Applicant: 江苏大学
IPC: H04B10/116 , H04W84/12
Abstract: 本发明公开了一种可见光通信网与WLAN融合方法，属于无线网络技术领域。本发明的多个可见光热点与一个服务器及WLAN接入节点有线连接，可见光通信网只提供下行链接，各可见光热点之间使用相同频率的光波，移动节点配备可见光接收机及WLAN收发机，融合方法包括移动节点接入及切换两个阶段。本发明利用了可见光波的免费频谱及可见光通信网的高速下行传输速度，大大提高了WLAN的网络传输速度和系统容量 。
-
公开(公告)号：CN109633634B
公开(公告)日：2022-06-21
申请号：CN201910022184.4
申请日：2019-01-10
Applicant: 江苏大学
IPC: G01S13/88
Abstract: 本发明公开了一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，1：接收到的信号经匹配滤波后，在接收机处的输出表示为y(t)；2：建立二维非均匀采样网格；3：在L快拍情况下，建立基于步骤2网格的离网模型Y；4：设置迭代次数计数变量i＝1，信号的精度向量中各元素初始化为1，噪声精度初始化为α0＝1；5：初始化β和η中各元素为0，固定δ为当前值，更新α0；6：固定α0，β和η为当前值，更新δ；7：固定α0，δ和η为当前值，更新β；8：固定α0，δ和β为当前值，更新η；9：利用7，8中的β和η更新网格10：判断i是否达到上限或δ是否收敛，如都不满足，则i＝i+1，返回5；11：对δ进行谱峰搜索，得到K个极大值点对应的角度，即为目标角度最终估计值。
-
公开(公告)号：CN111337893A
公开(公告)日：2020-06-26
申请号：CN201911317378.3
申请日：2019-12-19
Applicant: 江苏大学
Abstract: 本发明公开了一种基于实值稀疏贝叶斯学习的离格DOA估计方法，属于雷达信号处理领域，通过构造一个粗糙的离格网格，利用酉矩阵将复数流型矩阵转换为实数矩阵，将DOA估计问题转化到实数域，极大地降低了计算复杂度，同时采用固定的步长来更新网格点的位置，有效的提高了DOA估计的精度，并结合奇异值分解(Singular Value Decomposition，SVD)来降低矩阵维数以减少计算量，同时将采样网格视为可调参数，使用固定的步长来更新网格位置，并利用期望最大化(Expectation Maximization，EM)算法迭代地更新采样网格，从而有效地提高估计精度。
-
Patent Agency Ranking
公开(公告)号：CN108667494B
公开(公告)日：2020-01-24
申请号：CN201810253185.5
申请日：2018-03-26
Applicant: 江苏大学
IPC: H04B7/0413 , H04L25/02
Abstract: 本发明公开了一种大规模MIMO通信系统的联合信道估计和用户分组方法。包括1：基站采用N根天线的均匀线性阵列，下行链路K个用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，用户接收信号；2：设置用户组数为G，初始化l＝1，α＝1，各组的精度向量中各元素为1，各用户独立的精度向量中的各元素为1，分组计数向量中的各元素为1/G；3：迭代更新α，和4：判断迭代计数变量l是否达到上限L或α是否收敛，如果都不满足，则l＝l+1，并返回3；5：设置门限ηk，利用该门限选取信道的有效角度集合Ωk；6：利用有效角度集合Ωk，估计最终的信道；7：输出最终的用户分组结果。
-
公开(公告)号：CN110636017A
公开(公告)日：2019-12-31
申请号：CN201910762240.8
申请日：2019-08-19
Applicant: 江苏大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明公开了一种冲击噪声环境下基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，包括步骤1：基站采用具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，设T个时刻内，基站发送导频信号矩阵X，则存在冲击噪声的情况下，移动用户接收到的信号为y＝Φ(β)s+e+w；2：建立q(s),q(e),q(α),q(ν),q(γ)和β的数据模型并初始化参数；3：设置迭代次数计数变量k＝1；4：固定q(e),q(α),q(ν),q(γ),β，更新q(s)；5：固定q(s),q(α),q(ν),q(γ),β，更新q(e)；6：固定q(s),q(e),q(ν),q(γ),β，更新q(α)；7：固定q(s),q(e),q(α),q(γ),β，更新q(ν)；8：固定q(s),q(e),q(α),q(ν),β，更新q(γ)；9：固定q(s),q(e),q(α),q(ν),q(γ)，更新β；10：判断迭代计数变量k是否达到上限K或ν是否收敛，如果都不满足，则k＝k+1，并返回步骤4；11：估计最终的信道。本发明能有效改善信道估计的性能。
-
公开(公告)号：CN108445462B
公开(公告)日：2019-10-01
申请号：CN201810110868.5
申请日：2018-02-05
Applicant: 江苏大学
Abstract: 本发明公开了一种基于稀疏贝叶斯学习的双基地MIMO雷达的DOD和DOA估计方法，由于高维矩阵运算会导致很高的运算复杂度，所以无法直接将压缩感知方法应用于MIMO雷达。为了解决这个问题并提高估计精度，本发明通过构造一个适当初始化的粗糙的离格(off‑grid)网格，利用SBL(Sparse Bayesian Learning)模型来处理离格间隙，然后利用期望最大化(EM)算法迭代地进行网格细化，从而消除由off‑grid模型引起的误差，缩小真实与估计的DOD和DOA之间的误差，与现有方法相比，即使在较少的快拍数下，本发明也能获得较好的性能，仿真结果验证了该方法的有效性。
-
公开(公告)号：CN110176950A
公开(公告)日：2019-08-27
申请号：CN201910321756.9
申请日：2019-04-22
Applicant: 江苏大学
IPC: H04B7/0413 , H04B7/06
Abstract: 本发明公开一种低精度ADC大规模MIMO系统上行链路最优量化比特数目计算方法。首先，输入信道矩阵、基站接收信号矢量、用户发射功率以及分配控制参数等信息；其次，使用分配方法计算量化比特分配结果；最后，输出经过若干次迭代后的最优分配方案。本发明能够解决用户数目较多的大规模MIMO系统上行链路的ADC量化比特选择问题，适用于Rayleigh衰落信道下，该方法具有应用范围广泛、计算复杂度低以及能量效率高等优点。
-
公开(公告)号：CN109633634A
公开(公告)日：2019-04-16
申请号：CN201910022184.4
申请日：2019-01-10
Applicant: 江苏大学
IPC: G01S13/88
CPC classification number: G01S13/88
Abstract: 本发明公开了一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，1：接收到的信号经匹配滤波后，在接收机处的输出表示为y(t)；2：建立二维非均匀采样网格；3：在L快拍情况下，建立基于步骤2网格的离网模型Y；4：设置迭代次数计数变量i＝1，信号的精度向量中各元素初始化为1，噪声精度初始化为α0＝1；5：初始化β和η中各元素为0，固定δ为当前值，更新α0；6：固定α0，β和η为当前值，更新δ；7：固定α0，δ和η为当前值，更新β；8：固定α0，δ和β为当前值，更新η；9：利用7，8中的β和η更新网格10：判断i是否达到上限或δ是否收敛，如都不满足，则i＝i+1，返回5；11：对δ进行谱峰搜索，得到K个极大值点对应的角度，即为目标角度最终估计值。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.019 seconds)
