一种收发机、接收及发送方法

    公开(公告)号:CN112332892A

    公开(公告)日:2021-02-05

    申请号:CN202011158996.0

    申请日:2020-10-26

    Abstract: 本发明实施例提供了一种收发机、接收及发送方法,将多通道的信号合成一路宽带信号后,送入一个中频复用模块。这样使用一个中频复用模块完成对多通道的信号进行处理,相较于使用多个中频模块,减少了部件,不仅节约了成本,而且达到减小芯片总面积的目的;另外,使用中频复用模块考虑总带宽,可以在同一带宽下同时处理多通道的信号,实现多通道复用,提高了设备的高效性。

    基于全卷积网络的多特征融合的目标检测方法

    公开(公告)号:CN107563381A

    公开(公告)日:2018-01-09

    申请号:CN201710816619.3

    申请日:2017-09-12

    Abstract: 本发明设计了一种基于全卷积网络的多特征融合的目标检测方法,其主要技术特点是:搭建具有六个卷积层组的全卷积神经网络;利用卷积神经网络的前五组卷积层提取图像特征,并将其输出进行融合,形成融合特征图;对融合后的特征图进行卷积处理,直接产生固定数目的不同大小的目标边框;计算卷积神经网络生成的目标边框与真实边框之间的分类误差与定位误差,利用随机梯度下降法降低训练误差,得到最终训练模型的参数,最后进行测试得到目标检测结果。本发明利用了深度卷积网络对目标的强大的表示能力,构建了用于目标检测的全卷积神经网络,提出了新的融合特征方法,提高了算法的检测速度和精度,获得了良好的目标检测结果。

    一种中继物理层安全传输方法

    公开(公告)号:CN106059705A

    公开(公告)日:2016-10-26

    申请号:CN201610326446.2

    申请日:2016-05-17

    CPC classification number: Y02D70/00 H04K3/825 H04W12/00

    Abstract: 本发明提供了一种中继物理层安全传输方法,属于通信领域。本发明的中继节点工作在全双工模式下,配备多根天线,采用解码转发协议。本发明设计了预编码矩阵作为人工噪声,让中继节点在每个时隙同时发送期望信号和人工噪声的混合信号到目的节点。窃听节点能够窃听到该混合信号。目的节点能够从混合信号中消除设计的人工噪声,从而解码出期望信号,而窃听节点无法做到这一点。本发明还推导获得系统的安全速率,获取了期望信号和人工噪声之间的最优功率分配策略。通过本发明方法,可以有效地对抗窃听行为,显著提升系统的安全性能。

    一种多天线设备空间性能验证方法及其系统

    公开(公告)号:CN103428746B

    公开(公告)日:2016-02-03

    申请号:CN201310303791.0

    申请日:2013-07-18

    Abstract: 本发明公开了一种多天线设备空间性能验证方法,包括:针对系统传输影响因子,将其中第一传输影响因子的待测信息和参考信息输入系统中,并将其他传输影响因子的参考信息输入系统中;根据第一传输影响因子的待测信息以及所述其他传输影响因子的参考信息,得到第一测试结果;根据第一传输影响因子的参考信息以及所述其他传输影响因子的参考信息,得到第二测试结果;并将两次结果,验证当前第一传输影响因子的性能。本发明还公开了一种多天线设备空间性能验证系统。本发明技术方案实现了接口的灵活转换和多层次多方位的评估,提高了系统性能测试结果的准确性,有利于完善设计方案或网络优化,提高多天线设备性能。

    软件测试中循环代码的处理方法与系统

    公开(公告)号:CN103207833A

    公开(公告)日:2013-07-17

    申请号:CN201310113328.X

    申请日:2013-04-02

    Abstract: 本发明公开了一种软件测试中循环代码的处理方法,先依据程序控制流图,查找被测代码的循环体,确定当前循环体的循环体前子路径,再确定当前循环体的所有单条子路径,组合所述单条子路径为组合子路径,所述循环体前子路径与所述组合子路径的集合路径为可达时,确定所述组合子路径为当前循环体的确定子路径,确定所述循环体前子路径与所述确定子路径的集合路径为可达时,生成测试用例,并依据所述测试用例,执行被测代码,捕获所述当前循环体的实际执行路径,重复上述步骤,直至处理完被测代码的所有循环体。同时本发明还公开了一种软件测试中循环代码的处理系统。本发明灵活性高、能够节省人力成本、避免路径爆炸。

    宏小区与毫微微小区的混合组网中的干扰抑制方法

    公开(公告)号:CN102006599B

    公开(公告)日:2013-07-03

    申请号:CN201010537815.5

    申请日:2010-11-05

    CPC classification number: H04W16/32 H04W52/244 H04W84/045

    Abstract: 本发明公开了一种宏小区与毫微微小区的混合组网中的干扰抑制方法,该方法对一定范围内的Femtocell进行分簇;对簇内毫微微基站的发射功率进行控制;调整Femtocell分簇情况;对干扰敏感区域的Femtocell进行分簇;对已完成分簇的干扰敏感区域的Femtocell,以簇为单位,对簇内的毫微微基站进行发射功率控制;调整干扰敏感区域的Femtocell的分簇情况,确定干扰敏感区域的Femtocell簇;将宏用户设备分为死区用户设备和非死区用户设备;从而将频谱资源分为相不重叠的三部分;并为干扰敏感区域的Femtocell,死区用户设备,非干扰敏感区域的Femtocell和非死区用户设备分配频谱资源。本发明能有效提高宏小区和Femtocell重叠覆盖的双层网络的频谱利用效率和系统容量,有效解决宏小区和Femtocell间的跨层干扰和Femtocell的同层干扰问题。

    无线多中继协作传输网络的中继选择和功率分配方法

    公开(公告)号:CN101848524A

    公开(公告)日:2010-09-29

    申请号:CN201010131914.3

    申请日:2010-03-23

    Abstract: 本发明涉及一种无线多中继协作传输网络的中继选择和功率分配方法,该方法包括步骤:中继节点根据来自源节点及目的节点的导频信号进行信道估计;将具有最小前、后向链路信道方差乘积的中继节点与当前门限进行比较;若满足设定标准,则将其排除,告知其余各中继节点更新备选节点列表以及门限值,重复比较直至没有可满足设定标准的中继节点;计算源节点与中继节点之间的功率分配因子,并将其反馈至源节点。本发明方法不需要在网络中部署功能强大的选择控制节点,也不需要大量的导频开销及反馈开销,可根据各自的信道状态信息自适应选择一个或多个中继节点,降低目的节点处的端到端的误码率。

    一种联邦学习系统的优化方法

    公开(公告)号:CN114943342B

    公开(公告)日:2025-01-03

    申请号:CN202210532203.X

    申请日:2022-05-09

    Abstract: 本发明公开了一种联邦学习系统的优化方法,属于大规模分布式边缘智能学习领域,具体为:服务器创建全局模型初始化后下发至所有用户端;各用户端分别利用各自隐私数据集进行训练,得到个性化的本地模型,随后进入联邦学习的循环过程,每一轮循环皆如下:服务器对用户端进行聚类,结合用户端的贡献度选择上行传输用户端集合,集合中各用户端压缩本地模型并上传;服务器利用联邦平均方法以及无标签数据集对本地模型进行聚合和对齐,以更新全局模型并压缩后下发到根据用户需求选择的下行传输用户端集合中;各用户端用隐私数据集再次训练为新的个性化模型,循环直至本地模型及全局模型皆收敛。因此,本发明提升了通信效率,实现了联邦学习的高效训练。

    一种通信网络状况预测方法

    公开(公告)号:CN114826949B

    公开(公告)日:2023-06-09

    申请号:CN202210499844.X

    申请日:2022-05-04

    Inventor: 王强 徐琛 刘天骄

    Abstract: 本发明公开了一种通信网络状况预测方法,属于信息技术领域;具体包括:实时获取通信网络各节点状况,并划分为短期数据,长期数据与典型数据;将短期通信状况数据输入到预先训练的自注意力神经网络中,得到通信网络节点间影响特征,并经全连接自编码器得到通信网络节点间影响特征向量;将典型数据输入到预先训练的卷积自编码器中,得到通信网络状况观测特征向量;将两个向量连接,并聚类获得每一类节点的类别特征向量。最后,结合长期历史数据以及各节点的类别特征向量输入到图递归神经网络中,得到未来时刻通信网络状况预测值;本发明有效避免不同类型数据对模型性能的干扰,提高模型预测准确性。

    一种网联车车辆行程时间估计方法

    公开(公告)号:CN112541638B

    公开(公告)日:2022-07-12

    申请号:CN202011519013.1

    申请日:2020-12-21

    Abstract: 本发明实施例提供的一种网联车车辆行程时间估计方法,应用于信息技术领域,将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,根据路网中各路线的空间特征更新道路动态特征向量与静态特征的向量后,将更新后的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征,再次更新动态特征向量;将路网中各路线中两次更新后的动态特征向量和路网中各路线的一次更新后的静态特征向量输入到基于图神经网络的注意力机制网络中,得到并根据路网中各路线的轨迹影响力得分和路网结构,抽取目标路线对应的路网子图;通过将子图转化为子图向量,然后计算得到目标路线预测行程时间,可以提高行程时间的计算的准确性。

Patent Agency Ranking