-
公开(公告)号：CN109640269A
公开(公告)日：2019-04-16
申请号：CN201811547046.X
申请日：2018-12-18
Applicant: 上海大学
Abstract: 一种基于CSI与时域融合算法的指纹定位方法，在离线阶段以各个参考点获取的CSI的幅度信息对基于时隙指纹的定位网络(SLN)和时域位置融合网络(FN)组成的复合网络进行两步式训练；在在线测试阶段，将实时采集到的CSI信息输入训练后的网络并得出预测位置。本发明以LTE网络的CSI作为更细粒度的指纹，通过基于深度学习的两阶段处理的时域融合算法捕捉CSI指纹的时间波动性和相关性，将CSI指纹的时间相关性考虑到定位系统中，具有更高的精确度、更好的系统鲁棒性且在线测试速度更快。
-
公开(公告)号：CN108809522A
公开(公告)日：2018-11-13
申请号：CN201810742784.3
申请日：2018-07-09
Applicant: 上海大学
CPC classification number: H04L1/0047 , G06N3/04 , G06N3/08 , H04L1/0057 , H04L1/0061 , H04L1/203
Abstract: 一种多码的深度学习译码器的实现方法，通过在两种不同的编码之前加入用于区分两种码字的指示节后对接收端神经网络进行训练，训练后的神经网络作为译码器，使用相同的权重同时学习两种不同的编码的编码方式，达到解码时网络吞吐量的提高。本发明通过共用神经网络同时训练两种不同的编码并共享网络权重，在接收端能够使用深度学习，在接收端所得到的信号加入所提出的指示节后同时放入神经网络中进行学习，相比于传统的解码器可以实现近似的误码率性能以及更高的吞吐量增益。
-
Patent Agency Ranking
公开(公告)号：CN109640269B
公开(公告)日：2020-08-14
申请号：CN201811547046.X
申请日：2018-12-18
Applicant: 上海大学
Abstract: 一种基于CSI与时域融合算法的指纹定位方法，在离线阶段以各个参考点获取的CSI的幅度信息对基于时隙指纹的定位网络(SLN)和时域位置融合网络(FN)组成的复合网络进行两步式训练；在在线测试阶段，将实时采集到的CSI信息输入训练后的网络并得出预测位置。本发明以LTE网络的CSI作为更细粒度的指纹，通过基于深度学习的两阶段处理的时域融合算法捕捉CSI指纹的时间波动性和相关性，将CSI指纹的时间相关性考虑到定位系统中，具有更高的精确度、更好的系统鲁棒性且在线测试速度更快。
-
公开(公告)号：CN109065030A
公开(公告)日：2018-12-21
申请号：CN201810862022.7
申请日：2018-08-01
Applicant: 上海大学
Abstract: 一种基于卷积神经网络的环境声音识别方法及系统，将从音频中提取得到的梅尔能量谱特征进行混合构建得到样本库，用于对卷积神经网络模型进行训练，最终以训练后的卷积神经网络进行环境声音的识别，本发明在ESC‑10、ESC‑50和UrbanSound8K三个公开声音数据集上取得了最好或者接近最好的结果。
-
公开(公告)号：CN108809522B
公开(公告)日：2021-09-14
申请号：CN201810742784.3
申请日：2018-07-09
Applicant: 上海大学
Abstract: 一种多码的深度学习译码器的实现方法，通过在两种不同的编码之前加入用于区分两种码字的指示节后对接收端神经网络进行训练，训练后的神经网络作为译码器，使用相同的权重同时学习两种不同的编码的编码方式，达到解码时网络吞吐量的提高。本发明通过共用神经网络同时训练两种不同的编码并共享网络权重，在接收端能够使用深度学习，在接收端所得到的信号加入所提出的指示节后同时放入神经网络中进行学习，相比于传统的解码器可以实现近似的误码率性能以及更高的吞吐量增益。
-
公开(公告)号：CN109065030B
公开(公告)日：2020-06-30
申请号：CN201810862022.7
申请日：2018-08-01
Applicant: 上海大学
Abstract: 一种基于卷积神经网络的环境声音识别方法及系统，将从音频中提取得到的梅尔能量谱特征进行混合构建得到样本库，用于对卷积神经网络模型进行训练，最终以训练后的卷积神经网络进行环境声音的识别，本发明在ESC‑10、ESC‑50和UrbanSound8K三个公开声音数据集上取得了最好或者接近最好的结果。
-
公开(公告)号：CN108882151A
公开(公告)日：2018-11-23
申请号：CN201810707020.0
申请日：2018-07-02
Applicant: 上海大学
Abstract: 一种基于CSI信息区域化标注的室内定位方法，通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练，并采用训练后的深度神经网络对待测试的CSI数据进行识别，通过基于概率向量的用户位置测试方法实现室内精确定位。本发明能够建立高效而又鲁棒的离线指纹库，在线测试阶段通过更好的算法实现更为精准的定位精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
