-
-
Patent Agency Ranking
公开(公告)号：CN111079898B
公开(公告)日：2023-04-07
申请号：CN201911191857.5
申请日：2019-11-28
Applicant: 华侨大学
IPC: G06N3/0464 , G06N3/08 , G06F16/35
Abstract: 本发明涉及一种基于TextCNN网络的信道编码识别方法，引入了深度学习的技术思路，利用TextCNN网络的文本分类能力，利用深度学习中的TextCNN网络自动提取信道编码方案的特征，在人工干预较少的情况下，能够实时识别接收信息序列的编码方式，避免人工提取特征的偶然性，并且减小了计算复杂度，提高了信道编码识别的精度。本发明的实施，可用于解决认知无线电环境中的信道编码识别问题。
-
公开(公告)号：CN111079347A
公开(公告)日：2020-04-28
申请号：CN201911371132.4
申请日：2019-12-26
Applicant: 华侨大学
Abstract: 本发明公开了一种利用星座图的基于深度学习的信噪比估计方法，方案为：a)生成[m，n]范围内的N个已知信噪比的数字信号，对其进行预处理，得到对应的N张星座图，进而对其进行数据标定以及数据集的划分，将数据喂给预先配置好的深度神经网络进行训练，得到深度神经网络模型M；b)对于接收到的第k个观测信号yk，同样进行预处理s后得到相同尺寸的星座图，将其喂给深度神经网络模型M，进行模型测试，得到接收信号的信噪比估计值 该方法充分利用星座图能完整且清晰地反映数字调制信号的信噪比信息这一特点，以星座图作为信号的表征形式，巧妙地将传统的信噪比估计问题转换成一个图像识别问题，进而利用深度学习技术，通过模型训练和在线估计这两个阶段对实际应用场景中接收信号的信噪比进行比较精确地估计。并且，该方法克服了传统信噪比估计方法存在的不足，有效解决了低信噪比场景下信噪比估计误差大的问题。
-
公开(公告)号：CN111079347B
公开(公告)日：2023-08-01
申请号：CN201911371132.4
申请日：2019-12-26
Applicant: 华侨大学
IPC: G06V10/82 , G06V10/774 , G06V10/776 , G06F18/10 , G06N3/08
Abstract: 本发明公开了一种利用星座图的基于深度学习的信噪比估计方法，方案为：a)生成[m，n]范围内的N个已知信噪比的数字信号，对其进行预处理，得到对应的N张星座图，进而对其进行数据标定以及数据集的划分，将数据喂给预先配置好的深度神经网络进行训练，得到深度神经网络模型M；b)对于接收到的第k个观测信号yk，同样进行预处理s后得到相同尺寸的星座图，将其喂给深度神经网络模型M，进行模型测试，得到接收信号的信噪比估计值该方法充分利用星座图能完整且清晰地反映数字调制信号的信噪比信息这一特点，以星座图作为信号的表征形式，巧妙地将传统的信噪比估计问题转换成一个图像识别问题，进而利用深度学习技术，通过模型训练和在线估计这两个阶段对实际应用场景中接收信号的信噪比进行比较精确地估计。并且，该方法克服了传统信噪比估计方法存在的不足，有效解决了低信噪比场景下信噪比估计误差大的问题。
-
公开(公告)号：CN111079898A
公开(公告)日：2020-04-28
申请号：CN201911191857.5
申请日：2019-11-28
Applicant: 华侨大学
Abstract: 本发明涉及一种基于TextCNN网络的信道编码识别方法，引入了深度学习的技术思路，利用TextCNN网络的文本分类能力，利用深度学习中的TextCNN网络自动提取信道编码方案的特征，在人工干预较少的情况下，能够实时识别接收信息序列的编码方式，避免人工提取特征的偶然性，并且减小了计算复杂度，提高了信道编码识别的精度。本发明的实施，可用于解决认知无线电环境中的信道编码识别问题。
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
