-
公开(公告)号：CN118483691A
公开(公告)日：2024-08-13
申请号：CN202410401565.4
申请日：2024-04-03
Applicant: 东南大学
Abstract: 本发明公开了一种频率分集阵列流形分离定位方法、系统及电子设备，包括：引入频率分集阵列生成接收信号，对匹配滤波后的接收信号转换为矢量形式，计算协方差矩阵并进行特征值分解，得到信号子空间和噪声子空间，进一步得到零空间谱估计公式；根据二维流形分离模型将位置导向矢量分解，得到位置导向矢量分解式；根据各接收阵元对应的中间向量，确定位置导向矢量分解式中的采样矩阵；将位置导向矢量分解式带入零空间谱估计公式，将零谱代价函数重写为二维DFT形式；采用两步对角求和的方法，计算二维系数矩阵；使用切片的二维稀疏傅里叶变换替代对二维系数矩阵采用的二维FFT操作，得到最终定位结果。本发明方法能够重建空间谱，提高计算效率。
-
公开(公告)号：CN114204971B
公开(公告)日：2024-01-30
申请号：CN202111504444.5
申请日：2021-12-10
Applicant: 东南大学
IPC: H04B7/06 , H04B7/08 , H04B7/0456 , G06N20/20
Abstract: 本发明公开了一种迭代的聚合波束成形设计和用户设备选择方法，该方法针对一个边缘智能系统，将中心节点和用户设备共同完成机器学习任务的问题建模为一个分布式联邦学习模型，并采用了空中计算技术来提高通信效率，但是该技术会引入聚合误差，因此，本发明通过优化中心节点的波束成形矢量和用户设备选择方案，来减小均方误差，提升模型的学习性能。在选择的用户设备数固定时，本发明与随机用户设备选择方案和基于信道的用户设备选择策略相比能取得更低的聚合误差，进而获得更好的学习性能。
-
公开(公告)号：CN112882005B
公开(公告)日：2024-01-26
申请号：CN202110047037.X
申请日：2021-01-14
Applicant: 东南大学
Abstract: 本发明公开了一种基于贝叶斯学习的OTFS雷达目标参数估计方法，包括以下步骤，获取时延‑多普勒域下接收符号的矩阵Y；对矩阵Y按行展开，得到其列矢量形式y；根据先验信息计算出有效时延单元Meff和有效多普勒单元Neff，得到简化的估计模型；从矢量y中随机选取S行，并计算获取相同行索引下的测量矩阵A；利用CPCSBL‑GAMP算法得到稀疏雷达信道矢量hest；将雷达信道矢量hest重新恢复成矩阵形式Hest，并找出其非零元所在的位置；得到目标距离和相对速度的估计值。通过本发明可以解决现有OTFS调制雷达目标参数估计方案中复杂度高的问题，显著降低计算复杂度，并具有较高的估计精度和鲁棒性。
-
公开(公告)号：CN117310638A
公开(公告)日：2023-12-29
申请号：CN202311035462.2
申请日：2023-08-17
Applicant: 东南大学
Abstract: 本发明公开了一种面向旋转互质阵列的相干目标二维角度估计方法，属于雷达信号处理领域，提出了旋转二维互质线性阵列的概念，以物理一维互质阵列搭载在旋转平台上，并对阵列信息进行采样得到等价二维阵列，从而估计目标二维参数。引入阵列插值将二维互质阵列转化成均匀阵列以利用接收信号的全部信息。引入原子范数最小化方法对协方差矩阵进行秩恢复，达到解相干的目的。最后通过MUSIC算法以及配对算法估计相干目标的方位角及俯仰角。本发明扩大了物理阵元的自由度，充分利用了非均匀阵列的全部信息，有效解决了相干性导致协方差矩阵缺秩的问题，有效提高目标二维角度估计精度。
-
公开(公告)号：CN115390060A
公开(公告)日：2022-11-25
申请号：CN202210683507.6
申请日：2022-06-16
Applicant: 东南大学
IPC: G01S13/46
Abstract: 本发明涉及目标二维角度定位方法、装置、计算机设备和存储介质，所述方法包括通过搭载在旋转平台上的雷达发射机向目标发射信号，并通过雷达的接收机接收所述目标反射的接收信号；根据一维线性互质阵列在不同时刻的接收信号，进行相位补偿；确定扩展虚拟二维非平行线性阵列的等效接收信号矢量，选取不含孔洞的均匀二维非平行线性阵列确定均匀接收信号矢量，基于所述均匀接收信号矢量，分别确定两维阵列的等效接收信号等效导向矢量；根据所述两维均匀接收信号矢量及等效导向矢量，构建角度谱及最小二乘问题，解算目标配对的二维角度，并确定所述目标位置。
-
Patent Agency Ranking
公开(公告)号：CN113676289A
公开(公告)日：2021-11-19
申请号：CN202110953367.5
申请日：2021-08-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于变换域最大比合并的OTFS信号检测方法，包括如下步骤：步骤一，根据信道的路径信息构建时延多普勒域的有效信道矩阵；步骤二，根据步骤一所构建的矩阵中循环矩阵对角化的相关性质推导有效信道矩阵的分块带状结构，并得到多普勒分集形式的输入输出关系；步骤三，根据有效信道矩阵的结构特征设计低复杂度的变换域最大比合并算法，通过该算法得到得到发射符号的估计值。本发明能够解决现有OTFS信号检测方法中复杂度高的问题，显著降低计算复杂度，并具有较好的误码率性能。
-
公开(公告)号：CN111192337A
公开(公告)日：2020-05-22
申请号：CN201911345747.X
申请日：2019-12-24
Applicant: 东南大学
IPC: G06T11/00
Abstract: 本发明提出一种基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法，属于医学和工业检测技术领域。具体步骤为：首先利用内部电导率变化与相应边界电压变化的近线性关系，将序贯多帧电阻抗层析成像图像的重建建模成一个测量矢量逆问题求解，然后将解矩阵分解以便于基于结构感知的稀疏贝叶斯学习框架的使用，通过采用最大边缘似然方法优化对数代价函数来实现后验分布估计，电导率分布的解矩阵最后由最大后验概率估计给出。和直接利用结构感知稀疏贝叶斯算法等先前的方法相比，本发明降低了计算复杂度，并且具有更好的鲁棒性，同时进一步提高了图像重建的准确度，能够获得更高的图像分辨率。
-
公开(公告)号：CN110910466A
公开(公告)日：2020-03-24
申请号：CN201911157997.0
申请日：2019-11-22
Applicant: 东南大学
Abstract: 本发明涉及一种新型多频差分电阻抗层析成像重建算法，具体步骤为：首先利用内部电导率变化与相应边界电压变化的近线性关系，将多频电阻抗层析成像图像的重建建模成一个多重测量矢量逆问题求解，然后将解矩阵分解以便于基于结构感知的稀疏贝叶斯学习框架的使用，通过采用最大边缘似然方法优化对数代价函数来实现后验分布估计，电导率分布的解矩阵最后由最大后验概率估计给出。与现有技术相比，本发明的有益效果在于：本发明不再针对单矢量问题，而是在多重测量矢量的稀疏贝叶斯框架下实现差分电阻抗层析成像图像重建，采用的最大边缘似然法提高了后验概率的估计效率，满足高分辨、低复杂度的应用需求。
-
公开(公告)号：CN115460232B
公开(公告)日：2025-04-25
申请号：CN202211136348.4
申请日：2022-09-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于因果强化学习的边缘缓存方法，在边缘缓存系统中，流行的内容可以缓存在网络边缘附近，例如基站中，这样可以大大减少网络的重复流量并缩短传输延迟，但是如何优化基站中缓存的内容是一个关键的问题。因此，本发明的方法利用了观察数据并考虑了隐藏状态的影响，通过优化基站中缓存的文件内容，最大化命中率，减少存储开销和延迟。相比于其他没有利用观察数据或没有考虑隐藏状态的方法，本发明的方法能够大大提高初始时刻的命中率。
-
公开(公告)号：CN113326128B
公开(公告)日：2024-08-16
申请号：CN202110594483.2
申请日：2021-05-28
Applicant: 东南大学
IPC: G06F9/50 , G06F21/62 , G06N3/044 , G06N3/0442 , G06N3/098
Abstract: 本发明公开了移动边缘计算网络中基于无监督循环联邦学习的隐私保护流行度预测方法，通过对每个用户的局部动态流行度模型的构建，以及对全局动态流行度模型的推导，将系统中的内容流行度预测问题建模成一个分布式预测问题；通过结合循环神经网络、自编码器以及联邦学习架构，提出了一种无监督循环联邦学习；最后通过迭代训练，获得了隐私保护约束下的流行度预测方案设计；本发明有助于实现边缘无线网络中用户隐私保护约束下的流行度预测，并且相比于传统的流行度预测算法，本发明不仅能够保护用户隐私还能够获得更低的预测误差。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.028 seconds)
