-
公开(公告)号：CN115236591B
公开(公告)日：2024-06-07
申请号：CN202210866116.8
申请日：2022-07-22
Applicant: 厦门大学
IPC: G01S5/16 , G06F18/214 , G06N3/0464 , G06N3/044 , G06N3/045 , G06N3/08
Abstract: 一种基于机器学习方式的室内可见光定位方法，涉及可见光通信。构建室内定位模型并搭建机器学习智能体模型，利用室内发光二极管(LED)和光电接收器之间的距离等关系，根据直视路径与非直视路径情况下可见光信道等数学模型得到训练数据集后进行预处理，输入训练数据集完成对机器学习智能体模型的训练。利用经过训练的机器学习智能体模型，对输入进行预测估计，得到光电接收器的位置坐标预测值并与真实值进行误差计算，此外规范使定位精度最高的最优LED数量和LED布局的方法。通过机器学习智能体模型学习室内多维可见光定位的特征，能够在室内环境中有效利用LED资源并提高室内定位精度，满足未来室内高精度定位和绿色节能的需求。
-
公开(公告)号：CN116828629A
公开(公告)日：2023-09-29
申请号：CN202310902345.5
申请日：2023-07-21
Applicant: 厦门大学
Abstract: 一种基于深度强化学习的稀疏感知大规模随机接入方法，涉及通信技术。构建随机接入控制模型，搭建状态分析深度强化学习网络，利用多次控制经验的数据集对该网络的权重训练更新，实现对大规模的随机接入进行智能控制；网络在前期通过试错的方式获取经验存入缓冲区中；当缓冲区数据足够时，网络在接下来的每个时刻从缓冲区随机采样经验用于训练状态分析深度强化学习网络，对高并发的随机接入流量进行控制；在发出控制动作后，系统得到用户接入量和用户识别精度等反馈信息，将此次经验存入缓冲区用于未来训练。通过深度学习接入场景的环境特征，能在高并发的随机接入场景中，有效提高用户接入量和用户识别精度，实现大规模设备的随机接入管理需求。
-
Patent Agency Ranking
公开(公告)号：CN111555992A
公开(公告)日：2020-08-18
申请号：CN202010413758.3
申请日：2020-05-15
Applicant: 厦门大学
IPC: H04L25/02
Abstract: 一种基于深度卷积神经网络的大规模多天线信道估计方法，属于无线通信技术领域。发射天线向接收天线发送OFDM数据块，经过无线多径信道传播后，接收到对应的归一化导频信号，按行堆叠得大规模多天线信道估计模型；构建深度卷积神经网络并进行权重训练后，对堆叠信道冲击响应进行估计，得到估计堆叠信道冲击响应；对估计堆叠信道冲击响应中对应于发射天线的子信道向量，选取构成估计稀疏支撑集；优化与各个发射天线相对应的估计稀疏支撑集，得到联合估计稀疏支撑集，进一步得到大规模多天线的精细化信道估计。在噪声强度较大的情况下，可准确地估计大规模多天线信道，有效提高大规模多天线信道估计精度，并有效降低信道估计时延。
-
公开(公告)号：CN112511469B
公开(公告)日：2022-02-08
申请号：CN202011361757.5
申请日：2020-11-27
Applicant: 厦门大学
IPC: H04L25/02
Abstract: 一种基于深度学习的稀疏水声信道估计方法，涉及水声通信技术领域。构建水声信道估计模型，搭建一个稀疏感知的深度神经网络，利用水声信道训练数据集对稀疏感知的深度神经网络的权重进行训练，使其能够准确学习所述水声信道稀疏特征；利用已训练的稀疏感知的深度神经网络，对待估计水声信道脉冲响应进行估计，得到水声信道脉冲响应估计值；选取水声信道脉冲响应估计值中具有最大幅值的K个元素对应的索引，得到水声信道稀疏支撑集；利用水声信道稀疏支撑集，得到水声信道脉冲响应精细化估计值。通过深度学习水声信道的稀疏特征，能够在通信条件恶劣的水声信道中，有效提高水声信道估计的精度和频谱效率，满足未来不断增长的水声通信需求。
-
公开(公告)号：CN112511469A
公开(公告)日：2021-03-16
申请号：CN202011361757.5
申请日：2020-11-27
Applicant: 厦门大学
IPC: H04L25/02
Abstract: 一种基于深度学习的稀疏水声信道估计方法，涉及水声通信技术领域。构建水声信道估计模型，搭建一个稀疏感知的深度神经网络，利用水声信道训练数据集对稀疏感知的深度神经网络的权重进行训练，使其能够准确学习所述水声信道稀疏特征；利用已训练的稀疏感知的深度神经网络，对待估计水声信道脉冲响应进行估计，得到水声信道脉冲响应估计值；选取水声信道脉冲响应估计值中具有最大幅值的K个元素对应的索引，得到水声信道稀疏支撑集；利用水声信道稀疏支撑集，得到水声信道脉冲响应精细化估计值。通过深度学习水声信道的稀疏特征，能够在通信条件恶劣的水声信道中，有效提高水声信道估计的精度和频谱效率，满足未来不断增长的水声通信需求。
-
公开(公告)号：CN115236591A
公开(公告)日：2022-10-25
申请号：CN202210866116.8
申请日：2022-07-22
Applicant: 厦门大学
Abstract: 一种基于机器学习方式的室内可见光定位方法，涉及可见光通信。构建室内定位模型并搭建机器学习智能体模型，利用室内发光二极管(LED)和光电接收器之间的距离等关系，根据直视路径与非直视路径情况下可见光信道等数学模型得到训练数据集后进行预处理，输入训练数据集完成对机器学习智能体模型的训练。利用经过训练的机器学习智能体模型，对输入进行预测估计，得到光电接收器的位置坐标预测值并与真实值进行误差计算，此外规范使定位精度最高的最优LED数量和LED布局的方法。通过机器学习智能体模型学习室内多维可见光定位的特征，能够在室内环境中有效利用LED资源并提高室内定位精度，满足未来室内高精度定位和绿色节能的需求。
-
公开(公告)号：CN111555992B
公开(公告)日：2021-08-24
申请号：CN202010413758.3
申请日：2020-05-15
Applicant: 厦门大学
IPC: H04L25/02
Abstract: 一种基于深度卷积神经网络的大规模多天线信道估计方法，属于无线通信技术领域。发射天线向接收天线发送OFDM数据块，经过无线多径信道传播后，接收到对应的归一化导频信号，按行堆叠得大规模多天线信道估计模型；构建深度卷积神经网络并进行权重训练后，对堆叠信道冲击响应进行估计，得到估计堆叠信道冲击响应；对估计堆叠信道冲击响应中对应于发射天线的子信道向量，选取构成估计稀疏支撑集；优化与各个发射天线相对应的估计稀疏支撑集，得到联合估计稀疏支撑集，进一步得到大规模多天线的精细化信道估计。在噪声强度较大的情况下，可准确地估计大规模多天线信道，有效提高大规模多天线信道估计精度，并有效降低信道估计时延。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
