-
公开(公告)号：CN104168075B
公开(公告)日：2017-06-23
申请号：CN201410432678.7
申请日：2014-08-28
Applicant: 北京邮电大学
IPC: H04B17/382
Abstract: 本发明针对实际应用中噪声方差未知情况下的频谱检测问题，设计了一种新型频谱感知方法装置。该方法装置能实现对授权用户状态与噪声方差的联合估计。感知算法根植于贝叶斯统计推理理论，并采用边缘化粒子滤波(Mariginal Particle Filtering,MPF)技术，通过迭代估计的方式来逼近未知噪声方差。利用准确估计得到的噪声方差信息，该算法装置可方便地拓展应用至(但不限于)单节点单天线感知系统中去，并获得良好频谱感知性能(见附图)。本发明提出的联合估计与检测装置具有优良的稳健性，因而可广泛应用于实际认知无线电系统设计中。
-
公开(公告)号：CN106385274A
公开(公告)日：2017-02-08
申请号：CN201610811493.6
申请日：2016-09-08
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种大规模MIMO系统中导频分配的方法及装置，方法包括：将蜂窝移动网络中的小区划分为三个或者四个小区分组，使蜂窝移动网络中的相邻小区分别属于不同的小区分组；获取待处理的当前小区；根据当前小区中各用户的信道质量，对当前小区中的用户进行排序，得到排序后的用户列表；根据当前小区中各用户受到的导频干扰量，对当前小区中各用户分别使用的导频序列进行排序，得到排序后的导频序列列表；按照预设的分配规则，将导频序列列表中的各导频序列分别重新分配给用户列表中的各用户。应用本发明实施例既能消除不同组小区之间的导频污染，又能进一步减少同组小区之间的导频污染，提升大规模MIMO系统的通信性能。
-
公开(公告)号：CN104852874A
公开(公告)日：2015-08-19
申请号：CN201510007053.0
申请日：2015-01-07
Applicant: 北京邮电大学
IPC: H04L25/02
Abstract: 本发明提出了一种时变衰落信道下的自适应调制识别方法装置，区别于现有的静态系统模型，设计出一种新的动态状态空间模型来描述信号调制方式与时变信道增益的时变特性，将信号调制方式和衰落信道增益看作两个隐藏系统状态，并引入一阶FSMC模型刻画时变慢衰落信道增益时变迁移特性，将特定时间窗内采样信号的似然函数作为系统观测值；在此基础上，针对时变衰落信道提出一种全新的自适应调制识别方法，充分发掘信道状态动态转移特性，对调制方式和时变信道增益实施联合估计，极大地提高了时变衰落信道下调制识别性能。该方案采用贝叶斯序贯推理法，新方法具有复杂度低及检测时间短的优势。
-
公开(公告)号：CN104320222A
公开(公告)日：2015-01-28
申请号：CN201410613737.0
申请日：2014-11-04
Applicant: 北京邮电大学
CPC classification number: H04L1/0618 , H04B7/0456
Abstract: 本发明设计了一种针对60GHz毫米波通信系统的空间调制方法，在此技术上进一步提出了一种高效的联合编码调制技术，显著提升了非线性射频功率放大器下的传输性能；通过对空间调制码的相位进行旋转优化，按照特定规则修正空间调制输出符号的星座点分布，有效增强了毫米波传输信号抵抗非线性失真的能力。相比于现有的应对毫米波非线性失真技术(主要分为功率回退和外围电路设计两个方面)，该联合编码空间调制方案能在不降低功放系统的增益，且无需任何额外处理的情况下，有效改善存在射频器件减损情况下的毫米波系统传输性能，同时也进一步提升毫米波无线通信的传输效率，为毫米波通信提供了一种极具应用潜力的新方案。本发明提出的针对60GHz毫米波通信系统空间调制方法具有优良的稳健性，因而可广泛的应用于实际毫米波通信系统设计中。
-
公开(公告)号：CN1812287A
公开(公告)日：2006-08-02
申请号：CN200610055000.7
申请日：2006-02-27
Applicant: 北京邮电大学
IPC: H04B7/04
Abstract: 本发明公开了用户接入广义分布式小区时服务天线单元集的构建方法，包括：接入点获得用户从天线单元接收到的导频信号强度；接入点根据导频信号强度选择其中一个天线单元作为用户的服务天线单元，服务天线单元利用空闲资源与用户通信；接入点获得服务天线单元利用分配的资源与用户通信时用户接收信号的总信干比，与用户业务要求的信干比相比较；在服务天线单元不能满足用户的业务要求，当前服务天线单元的数量小于系统允许的服务天线单元的数量时，接入点获得用户接收到的除服务天线单元之外的各个天线单元的导频信号强度，按照最大效用原则为用户选择另一个天线单元，使选择的另一个天线单元与服务天线单元采用相同的资源为用户服务。
-
Patent Agency Ranking
公开(公告)号：CN116319522B
公开(公告)日：2025-03-25
申请号：CN202310249916.X
申请日：2023-03-15
Applicant: 北京邮电大学
IPC: H04L45/121 , H04L47/125 , H04L67/101 , H04L67/1012
Abstract: 本发明提供一种算力网络中的多路径转发方法及系统，所述方法包括：获取计算任务的算力要求和时延要求，删除算力网络中不满足计算任务传输带宽需求值的链路以及不满足计算任务算力需求量化值的算力节点后，计算各剩余候选算力节点的综合指数并基于综合指数筛选主目标算力节点和备份目标算力节点，计算主目标算力节点和备份目标算力节点到入口节点的最短距离，得到主路径和备份路径，当算力网络的链路带宽资源、算力资源、主路径以及备份路径均满足计算任务需求时接受该计算任务，在算力网络中为计算任务预留计算资源并更新算力网络的网络状态。本发明能够避免计算任务在算力网络中出现拥塞丢包现象，为计算任务的传输提供了确定性保障。
-
公开(公告)号：CN113723632B
公开(公告)日：2024-03-05
申请号：CN202110995175.0
申请日：2021-08-27
Applicant: 北京邮电大学 , 北京赛博星通科技有限公司
Abstract: 本发明提供了一种基于知识图谱的工业设备故障诊断方法，属于工业设备故障诊断技术领域。本发明包括：从设备故障历史维修记录和设备故障维修保养使用手册的电子数据中抽取故障设备、故障现象、原因和解决办法等实体及实体间关系，构建三元组数据；对三元组数据合并和删除后，根据设备零部件间的物理连接关系及实体间关系构建设备的故障维修知识图谱；根据新故障的日志更新实体及实体关系；根据输入的故障现象、采集的传感器数据，利用图谱及AI深度学习分类判别模型综合判断故障原因，并输出关联的实体信息。本发明实现对设备故障诊断的辅助分析，提高了工业设备故障诊断的准确率和效率，并减少了工作人员频繁重复的故障分析工作。
-
公开(公告)号：CN111857065B
公开(公告)日：2023-06-20
申请号：CN202010513144.2
申请日：2020-06-08
Applicant: 北京邮电大学
IPC: G05B19/418
Abstract: 本发明提出一种基于边缘计算和数字孪生的智能生产系统和方法，属于智能化生产领域。本发明智能生产系统包括物理系统、边缘数字孪生节点、数字孪生管理控制系统、生产制造仿真系统、订单系统和AI算法模型库。本发明方法包括：智能感知设备实时获取物理生产线信息传输至边缘数字孪生节点；边缘数字孪生节点构建设备模型、预测设备故障和寿命、进行可视化展示；数字孪生管理控制系统生成生产设备调度的仿真分析作业，根据生产制造仿真系统的仿真结果优化生产调度策略，发送生产调度指令给物理系统。本发明降低了终端处理器的计算负担，减小了时延，提高了整个智能生产系统的信息映射效率和工作效率，实现了边缘侧的设备故障监控、预测与维护。
-
公开(公告)号：CN114943332A
公开(公告)日：2022-08-26
申请号：CN202210255417.7
申请日：2022-03-15
Applicant: 北京邮电大学
Abstract: 本申请提供一种轻量级YOLO模型的训练方法及相关设备。一种轻量级YOLO模型的训练方法，包括：对原始YOLO模型中每一层卷积层的四维权重矩阵进行降维处理，得到每一层卷积层对应的低维权重表征矩阵；基于所述低维权重表征矩阵及所述原始YOLO模型进行前向计算，得到所述前向计算的输出结果；响应于确定所述前向计算的输出结果未达到预设条件，计算每一层卷积层对应的权重梯度，并基于每一层卷积层对应的所述权重梯度对对应的所述低维权重表征矩阵进行更新。本申请提供的一种轻量级YOLO模型的训练方法及相关设备，前向计算复杂度、空间复杂度及更新复杂度均较低，有利于直接在资源受限的边缘设备或终端设备中部署。
-
公开(公告)号：CN114611659A
公开(公告)日：2022-06-10
申请号：CN202210083764.6
申请日：2022-01-24
Applicant: 北京邮电大学 , 北京物联智通科技有限公司
Abstract: 本申请提供一种基于STN的高效安全联邦学习方法及相关设备，其中，所述方法包括：首先，利用空间转换网络对输入的初始二维特征矩阵进行仿射变换，再将仿射变换后的二维特征矩阵输入到联邦学习模型中的卷积神经网络中，得到预测分类结果。利用空间转换网络对输入的初始二维特征矩阵进行仿射变换，等于对不同的二维特征矩阵数据集做相似处理，解决了数据集不一致的问题，从而减小了联邦学习模型中的本地模型的数据集的大小；同时也消除了后续步骤中二维特征矩阵进行多次矩阵初等变换对卷积神经网络特征提取的影响，提升了联邦学习模型分类预测的准确率。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.059 seconds)
