-
公开(公告)号：CN109936857A
公开(公告)日：2019-06-25
申请号：CN201910051747.2
申请日：2019-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种无线感知度智能识别方法，所述识别方法包括以下步骤：采集待测区域的无线感知度指标数据；将所述指标数据输入至自编码器神经网络中，对所述指标数据进行降维操作；对于降维后的指标数据进行聚类分析，计算其与预确定的两个有效簇中心点的距离；根据距离计算结果，将被测区域归到距离较近的一类，输出被测区域无线感知度识别结果，本发明能够根据一组待测数据有效地预测出其感知度正常与否，提高了运营商的维护效率，有利于在用户投诉之前发现问题并及时解决，提高了用户体验。
-
公开(公告)号：CN109936857B
公开(公告)日：2022-09-16
申请号：CN201910051747.2
申请日：2019-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种无线感知度智能识别方法，所述识别方法包括以下步骤：采集待测区域的无线感知度指标数据；将所述指标数据输入至自编码器神经网络中，对所述指标数据进行降维操作；对于降维后的指标数据进行聚类分析，计算其与预确定的两个有效簇中心点的距离；根据距离计算结果，将被测区域归到距离较近的一类，输出被测区域无线感知度识别结果，本发明能够根据一组待测数据有效地预测出其感知度正常与否，提高了运营商的维护效率，有利于在用户投诉之前发现问题并及时解决，提高了用户体验。
-
公开(公告)号：CN108768585B
公开(公告)日：2021-03-16
申请号：CN201810391478.X
申请日：2018-04-27
Applicant: 南京邮电大学
IPC: H04L1/00
Abstract: 本发明公开了一种基于深度学习的上行免信令NOMA系统多用户检测方法，该方法包括对接收信号建模，将接收信号稀疏表示和训练用于稀疏信号恢复的深度结构三个部分；本发明利用NOMA系统中用户的稀疏性以及在不同时隙的发送信号之间存在的联系，使用结构化压缩感知理论进行多用户检测，并利用深度学习理论来解决稀疏重构问题，能够实现低复杂度且高性能的多用户检测，结合用户在不同时隙的发送信号之间存在的相关性，使用结构化压缩感知理论实现多用户检测；利用深度学习理论来解决信号恢复的欠定逆问题，基于深度学习的方法从优化参数、训练稀疏表示以及神经网络三个方面进一步改进了稀疏重构算法的重构精度并提高了重构效率。
-
公开(公告)号：CN108768585A
公开(公告)日：2018-11-06
申请号：CN201810391478.X
申请日：2018-04-27
Applicant: 南京邮电大学
IPC: H04L1/00
Abstract: 本发明公开了一种基于深度学习的上行免信令NOMA系统多用户检测方法，该方法包括对接收信号建模，将接收信号稀疏表示和训练用于稀疏信号恢复的深度结构三个部分；本发明利用NOMA系统中用户的稀疏性以及在不同时隙的发送信号之间存在的联系，使用结构化压缩感知理论进行多用户检测，并利用深度学习理论来解决稀疏重构问题，能够实现低复杂度且高性能的多用户检测，结合用户在不同时隙的发送信号之间存在的相关性，使用结构化压缩感知理论实现多用户检测；利用深度学习理论来解决信号恢复的欠定逆问题，基于深度学习的方法从优化参数、训练稀疏表示以及神经网络三个方面进一步改进了稀疏重构算法的重构精度并提高了重构效率。
-
-
-
Search Results
4
records
(took 0.016 seconds)
