-
公开(公告)号：CN119741386A
公开(公告)日：2025-04-01
申请号：CN202411736810.3
申请日：2024-11-29
Applicant: 重庆邮电大学
IPC: G06T9/00 , G06T3/08 , G06V10/762 , G01S7/48
Abstract: 本发明涉及一种基于深度图和冗余点去除的点云压缩方法，属于数据压缩技术领域，包括以下步骤：S1：将单帧点云数据转化为深度图表示；S2：对地平线进行估计；S3：去除深度图中的近地点；S4：对深度图剩余的点进行聚类；S5：根据点云簇的密度特征进行冗余点去除；S6：对点云数据进行帧内预测；S7：将得到每一帧距离图像的点云簇标签、点云簇中心值和预测残差压缩成比特流并打包成文件。
-
公开(公告)号：CN119727855A
公开(公告)日：2025-03-28
申请号：CN202411736798.6
申请日：2024-11-29
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于卷积神经网络的自适应卫星信道估计方法，属于信道估计领域，包括以下步骤：S1：构建上行卫星信道的系统模型，并根据系统模型生成信道矩阵；S2：根据所建立的系统模型，模拟生成接收端的接收信号；S3：根据导频，使用最小二乘估计法对信道进行初步估计；S4：基于卷积神经网络，构建自适应信噪比的信道估计模型；S5：将对卫星信道的初步估计值作为模型的输入，将依据上行卫星信道系统模型生成的信道特征作为标签，信道估计值作为模型的输出；S6：将标签和输入数据划分为测试集和训练集，以归一化均方误差作为损失函数，对信道估计模型进行训练，直至所述信道估计模型收敛，用测试集检验信道估计模型性能。
-
公开(公告)号：CN119727854A
公开(公告)日：2025-03-28
申请号：CN202411736791.4
申请日：2024-11-29
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种面向RIS辅助的卫星通信信道估计方法，属于信道估计技术领域，包括以下步骤：S1：构建基于自注意力的深度学习网络模型；S2：建立RIS辅助的LEO上行链路系统模型，并根据所述系统模型生成信道特征矩阵，得到接收信号；S3：对接收信号进行最小二乘估计得到初步估计值#imgabs0#S4：将所述初步估计值作为步骤S1所述深度学习网络模型的输入，对深度学习网络模型进行训练，直到深度学习网络模型收敛，输出为RIS辅助的LEO信道的最终估计值。
-
公开(公告)号：CN119741385A
公开(公告)日：2025-04-01
申请号：CN202411736795.2
申请日：2024-11-29
Applicant: 重庆邮电大学
IPC: G06T9/00 , H04N19/124 , G06N3/0455 , G06N3/0464 , G06N3/08 , G01S17/88
Abstract: 本发明涉及一种面向语义分割的激光雷达点云压缩系统，属于自动驾驶技术领域，包括：激光雷达点云投影模块：用于将三维空间在的激光雷达点云数据投影为深度图像，将点云数据转为二维表示；非线性变换网络：用于将深度图像进行编码处理，获得编码特征；量化模块：用于将获得的编码特征进行量化，获得量化特征；超先验变换网络和超先验反变换网络：作用于所获得的编码特征，生成先验信息；非线性反变换网络：用于将解码特征还原为用于下游机器视觉任务的中间特征；机器视觉任务网络：用于对非线性反变换网络传递的中间特征进行分析处理，获得激光雷达点云压缩结果。
-
公开(公告)号：CN110927661A
公开(公告)日：2020-03-27
申请号：CN201911155691.1
申请日：2019-11-22
Applicant: 重庆邮电大学
Abstract: 本发明提出了基于MUSIC算法的单基地展开互质阵列MIMO雷达DOA估计方法，首先通过将传统互质阵列按照相反的两个方向展开得到展开互质阵列，进而将展开互质阵列分别作为MIMO雷达的发射阵列与接收阵列进行信号的发射与接收，将整个接收阵列作为一个整体，使用所有接收阵元的接收数据来进行DOA估计，由于同时利用了阵列的自信息以及互信息，因此自由度以及DOA估计精度相较于传统互质阵列DOA方法均有大幅的提高。传统互质阵列DOA估计算法往往不能严格消除相位模糊问题，本发明所提算法由于引入了MIMO雷达，使得产生相位模糊的条件极为严苛，算法严格无相位模糊。
-
Patent Agency Ranking
公开(公告)号：CN109995403A
公开(公告)日：2019-07-09
申请号：CN201910284620.5
申请日：2019-04-10
Applicant: 重庆邮电大学
IPC: H04B7/0413 , H04B17/20 , H04B17/336
Abstract: 本发明提出了基于模拟退火算法改进的邻域搜索检测算法、基于对称‑加权连续超松弛迭代(Weighted Symmetric Successive Over Relaxation Iteration，WSSOR)算法求解初始解和设置多邻域搜索候选集并行搜索这三个创新点，在大规模多输入多输出(Multiple Input Multiple Output,MIMO)系统中，现有的邻域搜索算法只接受比当前解更优的解，容易陷入局部最优解的问题，因此引入模拟退火算法中的概率因素，以一定的概率来接受一个比当前解还要差的解，跳出局部最优，搜索到全局最优解，从而显著地提高了算法的检测性能；同时，在求解初始解时，利用WSSOR迭代来处理复杂的矩阵求逆运算，降低初始解的求解复杂度；进一步通过解向量间不同的符号比特数来设置多邻域搜索候选集进行并行搜索，从而增大有效搜索面积、提高搜索速度。
-
公开(公告)号：CN119729018A
公开(公告)日：2025-03-28
申请号：CN202411736789.7
申请日：2024-11-29
Applicant: 重庆邮电大学
IPC: H04N19/597 , H04N19/70 , H04N19/132 , H04N13/161 , H04N13/194
Abstract: 本发明涉及一种面向三维点云无线传输的自适应深度信源信道联合编码方法，属于信源信道编码领域，包括以下步骤：S1：构建深度信源信道联合编码器模型，包括点云下采样模块和特征提取模块；S2：利用适合于无序点云的功率归一化方法获得输入信道的复数语义向量#imgabs0#使其在噪声信道上传输；S3：对点云特征与点云坐标进行初始估计；S4：设计信道条件自适应的感知机制；S5：利用多压缩率支持的训练策略对深度信源信道联合编码器模型进行训练；S6：构建深度信源信道联合解码器模型，包括特征提取模块、特征扩展模块的和点云坐标重建模块。
-
公开(公告)号：CN111580040A
公开(公告)日：2020-08-25
申请号：CN202010233412.5
申请日：2020-03-29
Applicant: 重庆邮电大学
Abstract: 本发明涉及雷达技术领域，尤其涉及双基地展开互质阵列MIMO雷达DOD和DOA降维估计方法，该方法基于双基地展开互质阵列MIMO雷达阵列结构，提出了基于降维多重信号分类算法的双基地展开互质阵列MIMO雷达离开角、到达角联合估计方法，该方法通过增加约束并构造代价函数的方式，将二维MUSIC算法中的二维谱峰搜索最大值转化为求解带约束的一维最优值，先后得到DOA、DOD，并且DOD与DOA自动配对。本发明中降维思想的引入使得算法无需二维搜索，因而复杂度显著下降；得益于展开互质阵列更大的阵列孔径与MIMO雷达形成的虚拟阵列，使得本发明提出的方法在各方面性能优异；此外，子阵数目的互质消除了阵元间距大于半波长可能导致的相位模糊问题。
-
公开(公告)号：CN111580039A
公开(公告)日：2020-08-25
申请号：CN202010233410.6
申请日：2020-03-29
Applicant: 重庆邮电大学
Abstract: 本发明涉及雷达技术领域，尤其涉及基于非圆信号的单基地展开互质阵列MIMO雷达DOA估计方法，对接收阵元匹配滤波后的数据进行采样，得到等价虚拟阵列的接收数据，随后进行共轭处理并组合为新的扩展接收数据，进行空间协方差矩阵和特征值分解，根据噪声子空间与导向矢量的正交性构造空间谱的计算表达式，谱峰搜索K个谱峰的位置即为K个来波的波达方向估计。本发明的方法将展开互质阵列作为MIMO雷达的发射阵列和接收阵列，使得收发阵列的阵列空间大大扩展，并同时将非圆信号作为MIMO雷达的发射阵列的发射信号，结合非圆信号的非圆特性、MIMO雷达优异的空间分辨率和参数识别性、展开互质阵列扩展的阵列孔径的三重优点，极大提高了DOA估计性能。
-
公开(公告)号：CN109981151A
公开(公告)日：2019-07-05
申请号：CN201910284512.8
申请日：2019-04-10
Applicant: 重庆邮电大学
IPC: H04B7/0413 , H04B7/0456 , H04B7/08
Abstract: 本发明提出了大规模MIMO系统中改进的高斯树近似消息传递检测算法，该算法提出了基于低复杂度的多级线性接收算法近似求解协方差矩阵和最小均方误差估计、基于Kruskal算法求解高斯分布的最优树这两个创新点，在大规模MIMO系统的接收端进行信号检测时，首先考虑到现有的高斯树近似消息传递检测算法在近似消息传递的过程中计算协方差矩阵和最小均方误差估计涉及到复杂的矩阵求逆问题，利用多级线性接收算法近似求解协方差矩阵和最小均方误差估计，从而降低计算复杂度；进一步通过Kruskal算法先对整个连通图的权重排序，然后从大到小进行查找生成最大权重生成树，此过程只需要搜索一次邻边的权重值，通过这种高效的算法来找到一个高斯分布的最优树，明显的降低了算法的复杂度，并且提高了算法的计算效率。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
