-
公开(公告)号：CN119011341A
公开(公告)日：2024-11-22
申请号：CN202410951517.2
申请日：2024-07-16
Applicant: 浙江工业大学
Abstract: 本发明涉及通信感知一体化技术领域，公开了一种云接入网中有源智能反射面辅助用户到达角估计的方法，首先多天线远程射频头RRH发射信号到K个目标上，各个接收RRH收到来自由IRS的反射路径回波信号，RRH将接收信号上传给基带处理单元池BBU，BBU从接收信号中估计目标到各IRS的到达角；采用本方案可以使得BBU以较高精度估计目标到IRS的到达角，有助于高精度目标定位。
-
公开(公告)号：CN115413055B
公开(公告)日：2024-07-02
申请号：CN202211073065.X
申请日：2022-09-02
Applicant: 浙江工业大学
IPC: H04W74/0833
Abstract: 本发明涉及一种基于非授权的多前导码随机接入方法，包括：用户从公共前导码序列池中选择由若干个连续前导码组成的超级前导码；将超级前导码在多个连续的前导码阶段中依次发送至基站；基站将接收的前导码与公共前导码序列池进行相关，在每个前导码阶段得到与每个前导码对应的用户信道信息之和；选择任意两个前导码阶段进行相关，生成两个前导码阶段的相关矩阵；根据相关矩阵确定每个用户于两个前导码阶段发送的前导码；对每个用户于每个前导码阶段发送的前导码进行检漏和检错。本发明的方法在进行用户的前导码检测时，根据选择某一前导码的用户个数进行检测，提高了用户检测的准确性，进而提高了随机接入的成功率。
-
公开(公告)号：CN114269009B
公开(公告)日：2024-03-22
申请号：CN202111612204.7
申请日：2021-12-27
Applicant: 浙江工业大学
Abstract: 一种基于无人机无线能量传输的边缘计算系统能耗优化方法，无人机移动边缘计算系统由一架搭载移动边缘计算服务器的无人机UAV和L个地面用户Ui组成，通信过程分为两个子时隙，第一时隙，无人机UAV对L个地面用户发射能量信号，计算用户Ui收到的能量#imgabs0#第二时隙，L个用户执行二元卸载策略，决定任务在本地计算或全部卸载到无人机UAV进行计算，计算用户Ui本地计算的能耗#imgabs1#卸载计算的能耗#imgabs2#和系统的总能耗#imgabs3#在该方法中，无人机通过无线能量传输方式给地面用户发射能量信号，用户使用二元卸载策略，决定其任务在本地计算，或利用收集到的能量将任务全部卸载到无人机上进行计算，本发明能够有效降低无人机无线能量传输和边缘计算系统的总能耗。
-
公开(公告)号：CN117579434A
公开(公告)日：2024-02-20
申请号：CN202311306499.4
申请日：2023-10-10
Applicant: 浙江工业大学
IPC: H04L25/02 , H04B7/0452 , H04B7/06 , H04B7/08
Abstract: 本发明属于无线通信技术领域，公开了一种基于MIUF的多用户CFO和信道联合估计方法。针对上行大规模多输入多输出(Multi‑input Multi‑output,MIMO)系统的多用户频率同步和信道估计问题，尤其是用户到达角(Angle‑of‑Arrival，AoA)严重重叠的情况，基于多阶段迭代更新滤波(Multi‑stage Iteration Update Filtering，MIUF)进行多用户载波频偏(Carrier Frequency Offset，CFO)和信道联合估计。采用最小二乘算法对信道进行估计，并在此基础上精心设计滤波矩阵以抑制多用户干扰。此外，考虑到CFO估计误差对信道估计的影响，提出了一种迭代方法来提高MUI抑制和估计精度。本文对大规模均匀线阵(Uniform Linear Array，ULA)的场景给出了具体解决方案，不仅具有有效性，还相对于现有方法具有优越性。
-
公开(公告)号：CN115952827A
公开(公告)日：2023-04-11
申请号：CN202310055544.7
申请日：2023-01-19
Applicant: 浙江工业大学
IPC: G06N3/0442 , G06N3/08 , G06N3/049
Abstract: 本发明涉及一种基于人工智能的QPSK接收机辅助模型训练方法，包括：搭建QPSK系统模型，使用QPSK系统模型获取训练数据集，搭建rethink神经网络模型，生成预测标签，使用训练数据集训练rethink神经网络模型，优化rethink神经网络模型的损失函数，使用Nadam算法优化损失函数，更新rethink神经网络模型的参数，直至预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。本发明的方法所训练的模型采用基于反思结构的rethink神经网络，考虑到标签之间隐藏的相关性，能够在通信接收机的解调环节中进行解调，该模型的解调能够解决传统硬判决方法在低信噪比条件下，因噪声干扰而导致识別准确率不高的问题。
-
Patent Agency Ranking
公开(公告)号：CN115941009A
公开(公告)日：2023-04-07
申请号：CN202211333268.8
申请日：2022-10-28
Applicant: 浙江工业大学
Abstract: 本发明公开了一种面向云接入网有源智能反射面辅助的通感一体化方法，该方法在云接入网C_RAN的背景下通过多天线基带处理单元池BBU的集中信号处理优势有效减少了通信和感知系统之间的相互干扰，同时利用有源智能反射面Active‑IRS同时辅助通信和感知，联合设计多天线远程射频头RRH和有源智能反射面处的波束赋形，使得有源智能反射面的反射信号对准目标方向。有源智能反射面整合的放大器能够增强反射信号的能量以对抗多径损耗对信号强度带来的影响。该方法在保证用户信干噪比下可以获得预期的反射面反射波束。
-
公开(公告)号：CN115484628A
公开(公告)日：2022-12-16
申请号：CN202211129240.2
申请日：2022-09-16
Applicant: 浙江工业大学
Abstract: 本发明涉及一种基于多智能体强化学习的上行NOMA‑URLLC资源分配方法，包括：将每个用户作为一个智能体生成DQN网络，优化目标设置为解码成功次数最大；获取每个用户的信道状态信息作为当前状态；将每个用户的当前状态输入DQN网络，生成每个用户的动作；根据每个用户的动作生成奖励及下一时刻状态；将当前状态、子信道分配动作和功率分配动作、奖励、下一时刻状态作为经验样本存储，并在达到一定数量后抽取训练DQN网络，直至达到优化目标。使用优化后的DQN网络进行每个用户的子信道分配及功率分配。本发明的方法利用DQN网络输出各个用户的子信道分配和功率分配动作，然后根据系统反馈的接入率调整分配方案，从而最大化用户传输成功的概率。
-
公开(公告)号：CN119299271A
公开(公告)日：2025-01-10
申请号：CN202411416828.5
申请日：2024-10-11
Applicant: 浙江工业大学
IPC: H04L27/00 , G06F18/213 , G06F18/2431 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/08
Abstract: 本说明书涉及无线通信技术领域，涉及一种调制信号识别方法，方法包括获取训练集数据、验证集数据和测试集数据，获取参数初始化的调制信号识别模型；基于训练集数据训练调制信号识别模型，直到调制信号识别模型的损失函数收敛或训练次数达到阈值；基于验证集数据计算调制信号识别模型在训练过程中的预测准确率，训练完成后选择预测准确率最高时的模型参数作为训练结果；基于测试集数据测试训练后的调制信号识别模型进行的预测准确率，预测准确率超过阈值时继续上述训练模型训练过程；使用调制信号识别模型进行调制信号识别。本说明书实施例的方法能准确提取有效特征，对信号的调制类别识别准确率较高。
-
公开(公告)号：CN116055273B
公开(公告)日：2024-06-28
申请号：CN202310055588.X
申请日：2023-01-19
Applicant: 浙江工业大学
IPC: H04L27/22 , G06N3/08 , G06N3/0442
Abstract: 本发明涉及一种神经网络级联的QPSK接收机辅助模型训练方法，包括：搭建QPSK系统模型，使用QPSK系统模型获取训练数据集，搭建并训练rethink神经网络模型，rethink神经网络模型用于对经过编码和噪声影响的信号进行解调，生成预测标签；搭建并训练LSTM_CNN神经网络模型，LSTM_CNN神经网络模型用于对第一QPSK接收机辅助模型输出的预测标签进行译码。本发明的方法所训练的两个模型分别具有解调和信道译码两个小型神经网络，相比于Deepreceiver的深度神经网络，这两个小型神经网络显著减少了网络复杂度、能针对局部进行优化、应用更灵活，信息处理能力和信息恢复性能也在Deepreceiver的基础上得到了进一步提升。
-
公开(公告)号：CN117692104A
公开(公告)日：2024-03-12
申请号：CN202311704661.8
申请日：2023-12-11
Applicant: 浙江工业大学
Abstract: 一种基于深度学习的预降噪通信物理层盲接收方法，用matlab搭建无线通信系统模型，并使用该系统模型分别获得PDN模型和SLSTM模型的训练数据集和测试数据集；构建基于PDN模型和SLSTM模型级联的无线通信物理层接收模型；利用训练数据集，采用均方误差函数作为损失函数，并使用Nadam优化算法对PDN网络模型进行训练，以更新PDN网络模型；采用交叉熵损失函数作为损失函数，并使用Nadam优化算法对SLSTM网络模型进行训练，以更新SLSTM网络模型；利用测试数据集，对所得到的无线通信物理层接收机进行BER性能测试。本发明提升BER性能。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.025 seconds)
