-
公开(公告)号：CN116405077A
公开(公告)日：2023-07-07
申请号：CN202310386768.6
申请日：2023-04-12
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习的大规模MIMO混合波束赋形方法，可以实现不完美信道状态信息的混合波束赋形。该方法适用于单基站多用户场景，采用SV毫米波信道模型，生成大量的完美的信道状态信息作为数据集；将完美信道状态信息采用稀疏重构的信道估计算法进行信道估计，获得不完美信道状态信息；构建神经网络模型，网络输入为不完美信道状态信息和噪声功率，网络输出为数字波束赋形矩阵和模拟波束赋形矩阵，以负的系统总下行速率作为损失函数，进行无监督的训练，对收敛的神经网络模型输入不完美信道状态信息和噪声功率进行测试，与传统的OMP算法相比，具有更低的时间复杂度和更好的性能。
-
公开(公告)号：CN115622639A
公开(公告)日：2023-01-17
申请号：CN202211127541.1
申请日：2022-09-16
Applicant: 东南大学
IPC: H04B17/11 , H04B17/21 , H04B17/391 , H04B7/0413
Abstract: 本发明公开了一种基于生成树算法的6G无蜂窝大规模MIMO信道校准方法，包括如下步骤：(1)构建TDD模式下的无蜂窝大规模MIMO通信系统，并建立信道模型；(2)面向收发机中RF链路失配导致的信道非互易性问题，以最小化信道校准系统相对误差的期望值为目标，提出空口信道校准问题；(3)基于AP内部信道间的大尺度衰落先验信息，利用树图模型描述无蜂窝通信系统中AP间的拓扑校准关系；(4)基于有向树拓扑图，求解最优信道校准树，基于信道校准树计算AP的校准系数。本发明的基于信道生成树的校准算法降低了通信开销，且无需用户辅助，降低了通信校准系统实现难度。与传统算法相比，所提算法具有更高的系统校准精度。
-
公开(公告)号：CN114677403A
公开(公告)日：2022-06-28
申请号：CN202111359719.0
申请日：2021-11-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习注意力机制的肝脏肿瘤图像分割方法，属于图像处理领域。本发明将轴向注意力和多尺度注意力融合进深度学习肝脏肿瘤分割网络。轴向注意力能够在占用少量计算资源的情况下，有效地提取肝脏肿瘤CT图像的全局信息特征，而多尺度注意力可以有效地针对多尺度目标进行自适应的特征提取。网络整体采用U型的网络结构，主干为卷积提取路径，辅路为注意力机制，能够有效地提高肝脏肿瘤分割的性能。
-
公开(公告)号：CN114677403B
公开(公告)日：2024-07-09
申请号：CN202111359719.0
申请日：2021-11-17
Applicant: 东南大学
IPC: G06T7/194 , G06N3/0464 , G06N3/08 , G06N3/084
Abstract: 本发明公开了一种基于深度学习注意力机制的肝脏肿瘤图像分割方法，属于图像处理领域。本发明将轴向注意力和多尺度注意力融合进深度学习肝脏肿瘤分割网络。轴向注意力能够在占用少量计算资源的情况下，有效地提取肝脏肿瘤CT图像的全局信息特征，而多尺度注意力可以有效地针对多尺度目标进行自适应的特征提取。网络整体采用U型的网络结构，主干为卷积提取路径，辅路为注意力机制，能够有效地提高肝脏肿瘤分割的性能。
-
公开(公告)号：CN116630177A
公开(公告)日：2023-08-22
申请号：CN202310362947.6
申请日：2023-04-07
Applicant: 东南大学
IPC: G06T5/00 , G06N3/0475 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种基于频域卷积和大卷积的图像修复方法，可用来实现将缺损图像完整的修复，并保持纹理的连续性与语义的合理性，符合人类的感知。该方法包括：根据原始图像数据和图像掩膜，预处理获得被掩膜遮挡待修复图像，构建训练数据集；构建基于频域卷积和大卷积的图像修复LKFFC‑GAN生成对抗网络模型；将构建的训练数据集输入到LKFFC‑GAN网络的生成器并且输出修复后的图像；将已修复图像输入LKFFC‑GAN网络的判别器得到此图像各个部分判别为原始图像的概率并通过加权损失函数对生成器和判别器联合训练；在测试集上评估模型LKFFC‑GAN的训练效果。本发明相比于当前主流模型，在L1误差、峰值信噪比(Peak Signal‑to‑Noise Ratio，PSNR)、和结构相似性(Structural Similarity Index，SSIM)这三项指标中取得了更好的恢复效果。
-
Patent Agency Ranking
公开(公告)号：CN115412134B
公开(公告)日：2025-04-25
申请号：CN202211051651.4
申请日：2022-08-31
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , H04B17/336 , H04B17/391
Abstract: 本发明公开了一种基于离线强化学习的以用户为中心的无蜂窝大规模MIMO功率分配方法，包括：构建以用户为中心的MIMO系统，建立无线接入点与部分用户之间的服务关系；将下行链路的功率控制系数作为优化参数提出问题并构建马尔可夫决策过程模型；建立DuelingDDQN网络并进行在线训练，存储在线训练过程中环境与网络交互产生的状态转移数据；取出在线数据集20％，并在损失函数中引入正则项对网络进行离线训练。“以用户为中心”的功率分配策略为无线接入点选择部分用户接入；本发明提出的离线算法降低了训练成本，仅需要部署在线训练数据集的20％的数据量进行训练，就可以实现在真实场景下离线、实时地调整功率控制系数。
-
公开(公告)号：CN115622639B
公开(公告)日：2024-11-29
申请号：CN202211127541.1
申请日：2022-09-16
Applicant: 东南大学
IPC: H04B17/11 , H04B17/21 , H04B17/391 , H04B7/0413
Abstract: 本发明公开了一种基于生成树算法的6G无蜂窝大规模MIMO信道校准方法，包括如下步骤：(1)构建TDD模式下的无蜂窝大规模MIMO通信系统，并建立信道模型；(2)面向收发机中RF链路失配导致的信道非互易性问题，以最小化信道校准系统相对误差的期望值为目标，提出空口信道校准问题；(3)基于AP内部信道间的大尺度衰落先验信息，利用树图模型描述无蜂窝通信系统中AP间的拓扑校准关系；(4)基于有向树拓扑图，求解最优信道校准树，基于信道校准树计算AP的校准系数。本发明的基于信道生成树的校准算法降低了通信开销，且无需用户辅助，降低了通信校准系统实现难度。与传统算法相比，所提算法具有更高的系统校准精度。
-
公开(公告)号：CN114268348A
公开(公告)日：2022-04-01
申请号：CN202111569023.0
申请日：2021-12-21
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度强化学习的无蜂窝大规模MIMO功率分配方法，包括：构建无蜂窝大规模MIMO系统，以AP与UE之间的功率控制系数为优化参数，提出下行链路功率分配的优化问题；将优化问题建模为一个马尔可夫决策过程，并构建可以与强化学习模型交互的无蜂窝大规模MIMO环境；建立DDQN网络拟合用于评价功率控制系数的Q函数，与无蜂窝大规模MIMO环境交互，训练Dueling DDQN网络，使得MDP问题的累积收益最大，最终得到各个AP与UE之间的功率控制系数。与传统的基于优化的算法相比，本方法通过建立环境，让强化学习模型与之交互的方式获得优解，而无需针对问题建立精确的模型。
-
公开(公告)号：CN118972873A
公开(公告)日：2024-11-15
申请号：CN202310545028.2
申请日：2023-05-15
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司 , 东南大学
IPC: H04W24/02 , H04W24/06 , H04L41/14 , H04L41/147 , H04L41/16 , H04L41/142
Abstract: 本发明公开了一种基于深度神经网络的小区级流量预测方法及相关装置，其中方法包括：对历史小区级业务流量特征数据进行数据清洗，去除其中的异常数值和与下行流量无关的特征量；对所述历史小区级业务流量特征数据进行筛选，去除其中的离群值；根据所述历史小区级业务流量特征数据，生成训练集，基于训练集训练得到小区级流量预测模型；将当前小区级业务流量特征数据输入至所述小区级流量预测模型，得到当前小区的下行预测流量。本发明通过去除异常数值、离群值和与下行流量无关的特征量，对小区级业务流量特征数据进行特征提取和预测，提高了小区下行流量预测的准确率，同时也提升了网络资源的利用率。
-
公开(公告)号：CN116405070A
公开(公告)日：2023-07-07
申请号：CN202310393588.0
申请日：2023-04-12
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/06 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习增强的大规模MIMO下行CSI反馈方法，在现有的自编码网络CsiNet基础上修改了编码器网络、解码器网络和反馈内容，增强了对CSI矩阵的特征提取能力、减少了网络复杂度、让深度学习网络的输入与CSI矩阵处于同一个数量级。增加了拼图解谜训练策略来平衡深度学习中压缩任务和识别任务的关系，既保留CSI矩阵物理信息的完整性又不丢失其可区分性，增强下行CSI反馈性能。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
