-
公开(公告)号：CN117040984A
公开(公告)日：2023-11-10
申请号：CN202310561806.7
申请日：2023-05-18
Applicant: 重庆邮电大学
IPC: H04L27/00 , G06F18/214 , G06N3/0464 , G06N3/092 , G06N3/096
Abstract: 为了解决通信场景下小样本造成调制识别准确率下降的问题，使用迁移学习方法将已有的模型中最有用的信息迁移到设计的调制识别网络中。本发明提出一种基于Q‑Learning和迁移学习的调制识别算法。使用公开数据集RML2016.10a和RML2018.01a模拟两种通信场景，RML2016.10a为源域数据集，将该数据集随机划分多个子集，从RML2018.01a中抽取11000个与RML2016.10a调制识别方式相同的样本为目标域数据集。按照ε‑greedy策略选择子集输入源域模型训练，然后迁移某一网络层到目标域模型，迁移的网络层作为Q‑Learning中的状态，使用目标域数据集对目标域模型进行微调和性能验证得到识别准确率作为奖励函数，更新Q表。当Q表收敛，根据Q表选择迁移的参数。相比于其他使用参数迁移的调制识别算法，本发明实现了有用知识的最大化迁移。
-
公开(公告)号：CN112307927A
公开(公告)日：2021-02-02
申请号：CN202011153288.8
申请日：2020-10-26
Applicant: 重庆邮电大学
Abstract: 本发明提出了一种针对非合作通信系统中MPSK信号的类内识别的BP‑GA神经网络模型。首先根据MPSK信号的特点选取六个基于时域和频域的特征作为模型的输入样本；设计一个含两个隐藏层的BP神经网络作为调制识别的分类器，同时借助遗传算法来对神经网络的参数进行优化；最后，为了降低模型对信噪比的敏感性，打乱训练样本的信噪比有序性之后再作为网络模型的输入进行网络训练。相比较现有的基于BP神经网络的调制识别算法而言，提高了低信噪比下MPSK信号的识别准确率。此外，本发明可实现性强，识别准确率高，能够很好地运用到非合作通信系统的相关工程里。
-
公开(公告)号：CN113536919A
公开(公告)日：2021-10-22
申请号：CN202110649508.4
申请日：2021-06-10
Applicant: 重庆邮电大学
Abstract: 为了提高调制识别的正确率，本发明提出基于数据增强和卷积神经网络的信号调制识别算法。本发明首先把数据集RML2016.10a里的时域信号处理成星座图，并把图片按8:2的比例分为训练集和测试集；其次对训练集分别使用旋转、随机擦除、翻转、CutMix 4种数据增强方法进行处理，得到4种增强后的训练集；然后把4种增强后的训练集分别输入到GoogleNet网络中进行训练，根据反向传播不断优化网络参数，得到训练好的网络。最后把测试集送进训练好的GoogleNet网络中进行测试，绘制出正确率随信噪比变化的曲线，对比不同数据增强方法对正确识别率的改善效果，得到最优的数据增强方法。相比于其他没有进行数据增强的调制识别算法，本发明减小了模型过拟合的风险，提高了模型的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN117810192A
公开(公告)日：2024-04-02
申请号：CN202410020419.7
申请日：2024-01-05
Applicant: 重庆邮电大学
IPC: H01L23/492 , H01L23/367 , H01L23/373 , H01L23/40
Abstract: 本发明属于半导体工艺领域，具体涉及一种硅基微孔金刚石衬底氮化镓晶圆及键合方法，包括由下至上依次层叠设置的金刚石薄膜层、中间键合硅层和氮化镓有源层，所述中间键合硅层具有通孔的中间键合介质层，所述金刚石薄膜层为晶圆散热层，所述氮化镓有源层为晶圆有源层，本申请用于提高金刚石与氮化镓晶圆的键合强度，增大氮化镓器件沟道中热量传导于金刚石衬底上，通过提高晶圆尺寸减小键合成本，键合金刚石与氮化镓晶圆成品率可得到有效提高。
-
公开(公告)号：CN119883993A
公开(公告)日：2025-04-25
申请号：CN202411949342.8
申请日：2024-12-27
Applicant: 重庆邮电大学
Abstract: 本发明提供了一种MIPI DSI发送控制器的功能安全机制及电路结构，从而满足MIPI DSI发送控制器在汽车上的应用条件。此发送控制器兼容DPI、DBI两种并行接口以及DCS命令集，以D‑PHY作为物理层，并采用APB总线进行寄存器配置。为了达到车用芯片要求，提供一种MIPI DSI发送控制器的功能安全设计方法，包括以下几点：(1)添加超时监控机制：定义五个超时监控，分别为发送控制器中的高速发送超时、低功耗接收超时和外设响应超时和对外部的假设：接收控制器中的高速接收超时和低功耗发送超时；(2)端到端的保护机制：对DSI包进行ECC和CRC校验，添加消息计数器；定义确认和错误报告机制；(3)在FIFO存储器添加ECC保护功能和上下溢出探测功能；(4)内部错误监控机制：对应用层的解码过程进行监控，对配置寄存器状态进行监控，对协议层的打包解包过程进行监控；(5)重要模块进行双核锁步的冗余处理。
-
公开(公告)号：CN116967202A
公开(公告)日：2023-10-31
申请号：CN202310877396.7
申请日：2023-07-18
Applicant: 重庆邮电大学
Abstract: 本发明涉及集成电路加工技术领域，具体的说是一种集成电路加工用清洁设备及方法，包括架体组件，且架体组件包括支撑架和清洁箱，清洁箱的下端中间位置固定安装有升降组件，且升降组件的上端卡接有置物组件，升降组件的输出端固定安装有晃动组件，支撑架的中间位置固定安装有水处理组件，且水处理组件与清洁箱相连通，在进行使用时，通过配置多个置物组件，便于进行不间断的进行清洁作业，提高清洁速度，并在进行清洁时，通过超声波对洗板水进行震动，提高清洁效果，便于对残留的油剂等附着物进行清洁，并通过晃动组件，在清洁后，便于将杂质及时抽入到水处理组件的内部，避免在进行出水时，导致再次附着在集成电路板上，便于使用。
-
公开(公告)号：CN113486724A
公开(公告)日：2021-10-08
申请号：CN202110649792.5
申请日：2021-06-10
Applicant: 重庆邮电大学
Abstract: 针对现有基于深度学习的调制识别方法大都忽略了不同深度学习模型之间的相互作用，以及不同信号表示能在不同层面反映信号的特性，本发明提出基于CNN‑LSTM多支流结构和多种信号表示的调制识别模型。首先将公开数据集RML2016.10a里的时域信号处理成I/Q,A/φ,循环谱图表示作为模型的输入样本。其次，构建一个基于CNN‑LSTM的多支流模型对不同信号表示进行特征提取，其中第一条支流负责提取I/Q信号表示的特征，第二条支流负责提取A/φ信号表示的特征，第三条支流负责提取循环谱信号表示的特征。最后，将三条支流提取到的特征外积以得到特征矩阵，然后通过flatten层将特征矩阵转换为特征向量，利用基于softmax的神经网络作为分类器进行分类。本发明充分考虑了不同网络之间的互补性以及不同信号表示反映的多层面特征，利用CNN和LSTM的组合结构提取信号空间上和时间上的相关信息，提高了调制识别的正确率，可实现性强，能够很好地运用到非合作通信系统的相关工程中。
-
公开(公告)号：CN111079788A
公开(公告)日：2020-04-28
申请号：CN201911127104.8
申请日：2019-11-18
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于密度Canopy的K-means聚类方法，以密度Canopy聚类作为K-means算法的预处理步骤，通过计算数据集的样本密度、簇内样本平均距离以及簇间距离，选取密度最大样本点为第一类聚类中心，并从数据集中去除初始密度簇；定义样本密度、簇内样本平均距离的倒数和簇间距离三者乘积为权值积，在余下数据集中以权值积最大依次确定聚类中心，直到数据集为空集，并把密度Canopy聚类结果作为K-means的类别数和初始聚类中心，最终进行数据集的聚类分析。选取UCI上的数据集对算法的有效性进行比较验证，结果表明：相比传统K-means算法、基于Canopy的K-means算法、半监督K-means++算法和K-means-u*算法，本发明提出的基于密度Canopy的K-means算法的聚类准确率均有所提高。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
