-
公开(公告)号：CN109067404A
公开(公告)日：2018-12-21
申请号：CN201810916606.8
申请日：2018-08-13
IPC: H03M7/30
CPC classification number: H03M7/3062
Abstract: 一种基于单比特量化的压缩感知信号盲重构方法，它用于压缩感知信号的重构技术领域。本发明解决了目前的单比特压缩感知必须经过大量计算，才能从仅保留符号位的测量信号中重构出源信号的问题。本发明对输入信号的符号测量值y进行量化，然后利用这些符号数据进行最优支撑集估计，并在最优支撑集上进行一致重建，以便获得更新输入信号的估计值，将前后两次迭代的信号幅度估计值的差值和精度阈值进行对比，来确定迭代是否终止；为防止迭代陷入死循环，设定迭代到最大迭代次数时也停止迭代；根据末次迭代结果确定稀疏度和信号幅度的估计值，实现信号盲重构，本发明方法相比现有方法将计算量减小40％以上。本发明可以应用于压缩感知信号的重构领域用。
-
公开(公告)号：CN119676828A
公开(公告)日：2025-03-21
申请号：CN202411475095.2
申请日：2024-10-22
Applicant: 哈尔滨工业大学
IPC: H04W72/044 , H04B7/06 , H04B7/0413 , G06N3/02
Abstract: 基于同构图神经网络的可扩展Cell‑Free Massive MIMO功率分配方法，它涉及一种可扩展Cell‑Free Massive MIMO功率分配方法。本发明为了解决目前还没有一种适用于Cell‑Free网络中用户数、AP数及AP天线数动态变化的信息携带图神经网络功率分配算法的问题。本发明将Cell‑Free网络构建为一个同构虚拟有向图，并设计了一种适用于Cell‑Free网络中用户数，AP数及AP天线数动态变化的信息携带图神经网络功率分配算法，其网络结构独立于虚拟图中的节点数量，能够适应不同规模的图。本发明属于通信技术领域。
-
公开(公告)号：CN115643142B
公开(公告)日：2024-10-22
申请号：CN202211225882.2
申请日：2022-10-09
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04L27/20 , H04L27/22 , H04B17/336 , H04B17/391 , G06N3/045 , G06N3/08
Abstract: 本发明提供一种基于LSTM的QDPSK差分解调方法，本发明涉及电子和通信技术领域，本发明利用LSTM网络具有记忆功能的特性，解决DNN网络无法进行差分译码的问题。采用QDPSK差分调制解调方式能有效解决基于DNN的QPSK解调器在载波提取时存在的反向工作问题。同时，本发明不仅在基带下进行仿真，还在带通下存在干扰时进行设计，测试了神经网络的抗干扰情况。
-
公开(公告)号：CN118714644A
公开(公告)日：2024-09-27
申请号：CN202410936161.5
申请日：2024-07-12
Applicant: 哈尔滨工业大学
IPC: H04W72/044 , H04W72/542 , H04B7/0413 , H04L27/26
Abstract: 本发明提出基于OTFS信号的MIMO‑ISAC系统功率分配方法，包括：步骤1：构建基于OTFS信号的无蜂窝大规模的MIMO‑ISAC系统模型；步骤2：获取MIMO‑ISAC系统模型的信道估计，基于MIMO‑ISAC系统模型的信道估计获取低复杂度闭合通信频谱效率下限；步骤3：基于低复杂度闭合通信频谱效率下限优化MIMO‑ISAC系统模型的通信频谱效率性能；步骤4：根据功率分配算法对通信频谱效率性能优化后的MIMO‑ISAC系统模型进行功率分配。本发明利用功率分配提升一体化系统的综合性能，以在满足特定的感知性能的同时最大化用户通信性能，并保证通信公平性。
-
公开(公告)号：CN113342529B
公开(公告)日：2024-03-29
申请号：CN202110679260.6
申请日：2021-06-18
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
Abstract: 本发明提出了基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法，方法包括：设置网络中CF‑MEC环境参数，确定用户设备UE与AP之间的数量关系；计算密集型任务的生成，使整个网络的时延tall最小化；定义动作、状态和奖励，训练深度Q网络，并保存网络模型；本发明的方法运行在和所有AP都相连的CPU上；并且在无小区大规模多天线架构中，每个AP都会将关于某个特定接收信号的局部软判决传输至CPU进行最终的综合判决，因此在CPU处可以获得全部的上行信号，同时在CPU处运行的本方法能够获得所有的卸载任务信息，并为它们一一选择合适的服务器来最优化整个网络所经历的卸载时延。
-
Patent Agency Ranking
公开(公告)号：CN116930904A
公开(公告)日：2023-10-24
申请号：CN202310937148.7
申请日：2023-07-28
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种探地雷达图像对齐及差异检测方法，所述方法包括步骤1：对不同时间获取的探地雷达回波图像进行预处理，得到杂波受到抑制的探地雷达回波图像；步骤2：计算步骤1获取的前后两次测量回波图像的全局相似度并对齐；步骤3：从步骤2完成图像对齐和裁剪的两次图像数据中选取部分有差异的图像和无差异的图像；步骤4：提取步骤3中得到图像的特征，并进行差异检测。本发明解决现有探地雷达图像识别方法难以在大量数据中准确判断地下缺陷的问题，根据不同时间对同一地下环境复测图像进行比对，通过图像变化情况找到异常点进而检测出缺陷点。
-
公开(公告)号：CN116886138A
公开(公告)日：2023-10-13
申请号：CN202310852406.1
申请日：2023-07-12
Applicant: 哈尔滨工业大学
IPC: H04B7/0456 , H04B7/0413 , G06N3/0464 , G06N3/0895
Abstract: 一种基于自监督学习的混合预编码算法，它涉及一种混合预编码算法。本发明为了解决传统优化算法普遍存在计算复杂度高、性能有所欠缺的问题。本发明的步骤包括步骤一、对信道矩阵H进行线下训练；步骤二、对信道矩阵H进行线上预测。本发明属于编码算法技术领域。
-
公开(公告)号：CN114882236A
公开(公告)日：2022-08-09
申请号：CN202110542902.8
申请日：2021-05-19
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
Abstract: 本发明提供一种基于SinGAN算法的探地雷达地下空洞目标自动识别方法。步骤1：利用SinGAN算法对已获取的地下空洞目标的探地雷达回波图像进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像；步骤2：对步骤1生成的探地雷达回波图像进行标注明确相关目标像素位置；步骤3：将步骤2中已标注的数据随机分配至训练集和验证集；步骤4：利用步骤3的训练集和验证集对深度学习目标识别算法进行训练，得到权重模型；步骤5：将步骤4获得的权重模型输入已有深度学习算法模型，对地下空洞目标探地雷达回波图像进行目标识别检测。本发明解决现有方法难以检测识别地下空洞目标的问题。
-
公开(公告)号：CN114035858A
公开(公告)日：2022-02-11
申请号：CN202111254423.2
申请日：2021-10-27
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
Abstract: 本发明公开了一种基于深度强化学习的无小区大规模MIMO下移动边缘计算的分布式计算卸载方法，属于移动边缘计算领域，包括：设置CF‑MEC训练环境；基于CF‑MEC训练环境，使用M/M/1排队论模型生成计算任务；在每个用户设备上构建深度Q网络，利用计算任务对被分配到任务的用户设备上的深度Q网络进行训练，直至贪婪策略的概率趋近于1，训练结束得到训练后的深度Q网络；将待测数据输入训练后的深度Q网络中，使用户设备对边缘服务器进行独立计算卸载决策。该方法通过在每个用户设备上部署训练好的深度Q网络，用户可以自行根据网络中的相关信息进行卸载决策，从而尽可能降低自身运行计算密集型任务的时延，提高用户体验。
-
公开(公告)号：CN113708803A
公开(公告)日：2021-11-26
申请号：CN202110684805.2
申请日：2021-06-21
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04B7/0413 , H04B7/06
Abstract: 本发明提出在Cell‑freeMassiveMIMO下的正交多址与非正交多址的结合方法，将所有用户分成L簇，每簇内用户数为1或2，每簇内的用户使用相同的导频，不同簇用户使用相互正交的导频，则正交导频的个数为L；将AP随机分为两部分，一部分为OMA用户提供服务，另一部分为NOMA用户提供服务；下行链路的数据传输依赖于共轭波束赋形，得到单用户下行数据传输的频谱效率；使用的功率分配算法来最大化最小SINR的功率控制算法P1，将功率控制转化为凸优化问题P2；对凸优化问题P2使用二分查找方法来找到下行最大最小化SINR的解，根据具体的用户数量和信道相关时间情况，将正交多址接入与非正交多址接入相结合，在不同的用户数量和相关时间条件下都能得到最佳的频谱效率。
-
-
-
-
-
-
-
-
-
Search Results
191
records
(took 0.034 seconds)
