-
公开(公告)号：CN119603017A
公开(公告)日：2025-03-11
申请号：CN202411683158.3
申请日：2024-11-22
Applicant: 南通大学
Abstract: 本发明涉及联邦学习模型可靠训练和安全聚合技术领域，尤其涉及一种用于移动场景中联邦学习模型的攻击检测与抵御方法，包括：利用区块链存储设备信息，服务器在与设备无接触的情况下完成联邦学习用户的选择；设备利用零知识证明方法判断收到的训练任务的真实性；设备利用证明密钥对本地模型进行加密传输，抵御模型参数推理攻击；区块链利用验证密钥和佩德森承诺对本地模型的有效性进行验证，从而实现联邦学习全局模型的安全聚合。本发明具有攻击检测速度快、所需通信和计算资源少、算法复杂度低的特点。
-
公开(公告)号：CN117811633B
公开(公告)日：2024-10-01
申请号：CN202311819511.1
申请日：2023-12-27
Applicant: 南通大学
Abstract: 本发明涉及一种基于深度学习的轻量化端到端CS I获取方法，包括：首先生成训练轻量化端到端CS I获取网络HOPFNet的输入数据集，然后，将生成的输入数据集输入HOPFNet中，对HOPFNet进行训练，保存模型最佳权重。最后，基站端将训练完成的导频信号发送至用户端；用户端将接收到的导频信号输入CS I反馈编码器网络，得到压缩的导频信号，并将其通过反馈链路反馈回基站端；基站端将接收到的压缩的导频信号输入CS I反馈解码器网络，得到基站端到用户端的下行实时估计信道。本发明绕过了信道估计，实现了导频设计、信道压缩和信道重建的一体化设计，采用HOPFNet将计算复杂度降低到了线性水平，可获得较好的信道估计精度，也减少了反馈开销和计算复杂度。
-
公开(公告)号：CN118312763A
公开(公告)日：2024-07-09
申请号：CN202410511783.3
申请日：2024-04-26
Applicant: 南通大学
IPC: G06F18/213 , G01C21/20 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明属于深度学习特征提取技术领域，具体涉及一种基于轻量化神经网络的双波段红外辐射干扰检测方法。本发明包括以下步骤：S11、数据集的建立主要包括：S11‑1、搭建双波段红外辐射测量半实物平台；S11‑2、按无干扰、太阳干扰、云层干扰和传感器故障采集并建立合适的双波段红外辐射时间序列数据集；S12、将采集的双波段红外辐射时间序列数据集，通过Ds‑GADF进行数据融合，将一维的双波段红外辐射时间序列数据集转换为二维的双波段红外辐射彩色图像数据集；S13、将转换后的二维的双波段红外辐射彩色图像数据集输入进FIRViT神经网络当中，对FIRViT神经网络进行训练，并保存模型的最佳权重；S14、将模型的最佳权重放入嵌入式设备中验证算法可行性。
-
公开(公告)号：CN118199762A
公开(公告)日：2024-06-14
申请号：CN202410289269.X
申请日：2024-03-14
Applicant: 南通大学
IPC: H04B17/336 , H04B17/382 , H04B17/345
Abstract: 本发明公开了一种全向智能表面辅助NOMA网络的电磁干扰抑制方法，涉及无线通信技术领域，该方法包括以下步骤：收集基站、全向智能表面、透射用户和反射用户的基本数据，并确定电磁干扰与电磁干扰强度；基于收集数据，计算透射用户和反射用户的信干噪比，并构建全向智能表面的相位矩阵；利用启发式梯度投影法，迭代更新全向智能表面的相位矩阵，使信干噪比收敛到最优值；基于信干噪比的最优值，确定最优相位矩阵，调整全向智能表面的相位，并计算网络的中断概率性能指标。本发明算法复杂度低，采用启发式梯度算法对全向智能表面的相位进行调整，可以有效地抑制电磁干扰对通信的影响，增强通信的可靠性与稳定性。
-
公开(公告)号：CN118101006A
公开(公告)日：2024-05-28
申请号：CN202410325285.X
申请日：2024-03-21
Applicant: 南通大学
IPC: H04B7/0456 , H04B7/145
Abstract: 本发明公开了有源智能反射面辅助的海上多天线信道有效秩提升方法，涉及无线通信技术领域，该方法包括以下步骤：在岸基基站和终端船舶设备之间布设船载有源智能反射面，并收集相位信息；基于收集的相位信息生成相位配置粒子，构建初始相位配置粒子群；基于粒子群优化算法，迭代初始相位配置粒子群，得到最佳相位配置粒子群；输出最佳相位配置粒子群的有效秩和相位配置粒子位置，并调节有源智能反射面的相位。本发明具有成本效益高、覆盖范围广、灵活性高及算法复杂度低的优点，通过对有源智能反射面相位进行优化来提升秩亏信道下的有效秩，增强了海上通信在秩亏环境下同时传输多流数据的能力。
-
Patent Agency Ranking
公开(公告)号：CN117768272A
公开(公告)日：2024-03-26
申请号：CN202311789693.2
申请日：2023-12-22
Applicant: 南通大学
IPC: H04L25/02 , H04W52/14 , H04B7/0426
Abstract: 本发明涉及无线通信技术领域，特别涉及一种无线能量传输的去蜂窝网络信道统计信息估计方法，包括：在去蜂窝系统中布设M个AP、T个RIS、K个用户和一个CPU，假设在每个AP旁都有一个RIS主要为其提供服务；在信道估计阶段，用户采用特殊的导频结构方案向AP发送导频信号，AP为了获得信道统计信息将在不同相干块接收到的信号进行处理，同时采用MMSE信道估计方法进行信道估计；在下行能量传输阶段用户从AP发送能量信号中收集能量；在上行数据传输阶段，将收集到的能量按照比例进行分配，用于此次数据传输及下次信道估计。本发明适用于无线能量传输系统，大大降低了导频开销，可获得较为准确的信道估计。
-
公开(公告)号：CN117336755A
公开(公告)日：2024-01-02
申请号：CN202311391735.7
申请日：2023-10-25
Applicant: 南通大学
IPC: H04W24/02 , H04W24/06 , H04B17/391 , H04B17/382 , H04B7/0413
Abstract: 本发明涉及无线通信技术领域，具体为一种基于WPT辅助的去蜂窝大规模MIMO低功耗高能效优化方法，包括：建立WPT辅助的蜂窝大规模MIMO系统模型，构建非线性能量收集模型，考虑实际问题中能量收集以及信息传输的硬件设备是存在损耗问题，并使用更通用的Rician衰落信道，建立关于下行传输功率控制系数、上行传输功率控制系数以及大尺度衰落解码的联合优化问题，其优化目标是最大化上行传输的总能效。本发明既提高了系统的总能效，又降低了上行、下行传输过程的功耗，综合考虑了实际通信过程中的问题，具有很强的实用价值。
-
公开(公告)号：CN117220731A
公开(公告)日：2023-12-12
申请号：CN202311310411.6
申请日：2023-10-11
Applicant: 南通大学
IPC: H04B7/0426 , H04B7/06 , H04B7/145
Abstract: 本发明公开了一种去蜂窝大规模MIMO共生通信的大尺度衰落解码方法，包括：布设分布式接入点AP，物联网设备和一个反向散射装置，所有接入点AP由一个中心处理单元所控制；物联网设备向接入点AP发送信号，同时反向散射装置也会调制这些信号来发送自己的信号；接入点AP接收到信号后，对来自物联网设备的信号进行一次解码并发送给中心处理单元。中心处理单元接收到信号后，将对其进行复制；对于信号A，根据广义瑞利熵定理，中心处理单元对来自物联网设备的信号进行大尺度衰落解码；对于信号B，中心处理单元先用解码信息进行信号消除，再对来自反向散射装置的信号进行大尺度衰落解码。本发明可以有效地降低信号中的干扰项，提高功率效率与频谱效率。
-
公开(公告)号：CN115278810B
公开(公告)日：2023-11-07
申请号：CN202210897865.7
申请日：2022-07-28
Applicant: 南通大学
Abstract: 本发明涉及海上无线通信技术领域，特别涉及一种分布式可重构智能表面辅助的海上通信方法，包括：多个配置可重构智能表面的高空平台在岸基基站和终端船舶设备之间随机分布式布设；基站依据净能量效率最大准则选择一组可重构智能表面，在确定最优的一组可重构智能表面后，岸基基站端和终端船舶设备同时向所选的可重构智能表面发送正交导频进行信道估计，在获取信道状态信息后对所选的一组可重构智能表面相位进行调整，最后从岸基基站通过可重构智能表面辅助的海上通信系统发送数据信号给终端船舶设备。本发明通过对多个可重构智能表面进行调度协助海上中继系统进行通信，进一步增强了海上通信系统净能量效率，具有低成本，低能耗以及高速率等优点。
-
公开(公告)号：CN116596033A
公开(公告)日：2023-08-15
申请号：CN202310575634.9
申请日：2023-05-22
Applicant: 南通大学
IPC: G06N3/0455 , G06N3/08 , G06N5/04 , G06F17/18
Abstract: 本发明涉及臭氧浓度预测技术领域，尤其涉及一种基于窗口注意力和生成器的Transformer臭氧浓度预测方法，包括模型训练阶段和模型推理阶段；模型训练阶段包括：步骤S1.1、数据预处理阶段；步骤S1.2、调整模型参数，构建基于窗口注意力和生成器的TransformerWAG‑NAT模型，WAG‑NAT模型包括编码器、生成器和解码器三个部分；步骤S1.3、将历史数据输入至WAG‑NAT模型的编码器中，抽取历史信息和长程依赖；步骤S1.4、将协变量输入至生成器中，结合编码器的输出，生成最优序列；步骤S1.5、将生成器产生的序列输入至解码器中，得到的运算结果即为预测结果。本发明不仅能有效提取局部信息，还能充分挖全局信息，并将二者融合；还学习其他多源数据对臭氧浓度的影响模式，从而给出更精确的臭氧浓度预测结果。
-
-
-
-
-
-
-
-
-
Search Results
131
records
(took 0.029 seconds)
