一种基于OCDM系统的平均信噪比及误比特率分析方法

    公开(公告)号:CN119210665A

    公开(公告)日:2024-12-27

    申请号:CN202411210063.X

    申请日:2024-08-30

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于OCDM系统的平均信噪比及误比特率分析方法,包括:步骤一、在多媒体无线通信系统中,生成4‑QAM发送符号,调制在Chirp子载波上得到发送信号;步骤二、接收信号,获取多径瑞利信道的统计特性,包含径的分布与平均功率;步骤三、根据物理信道信息,构建信道循环矩阵,对其做特征值分解,并用特征值表示瞬时信噪比;步骤四、计算特征值的联合概率密度函数,与瞬时信噪比相乘并对特征值作积分,得到ZF均衡下,通信系统的平均SNR与BER的通用表达式与具体表达式。本发明解决了难以直接、全面评估多媒体无线通信系统通过多径瑞利信道后相关性能的问题,为通信系统评估图片、视频等传输质量提供了参考。

    基于BEMD和深度学习的美颜图像还原方法

    公开(公告)号:CN113077382B

    公开(公告)日:2024-01-12

    申请号:CN202110457719.8

    申请日:2021-04-27

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于BEMD和深度学习的美颜图像还原方法,旨在从美颜图像中恢复出原始未美颜图像的亮度以及人脸上的皱纹、雀斑等信息,从而解决当今社会美颜图像的“照骗”所造成的社会信任危机。其主要操作过程是:首先,从IMDB‑WIKI人脸数据集中挑选照片,组成本发明的人像数据集。其次,构建一个成分递归神经网络模型,包含一个普通网络和若干个子网络,其输入是美颜图像,子网络的训练监督标签是原始未美颜图像经过BEMD得到的各个不同频率的分量。最后,对各个子网络的预测图像进行相加,得到还原图像。本发明方法通过构造成分递归网络,在恢复出图像整体轮廓信息的同时,也能够较好的恢复其中的细节信息。

    一种用于非解析复数非线性系统的无味算法的计算方法

    公开(公告)号:CN113407909B

    公开(公告)日:2024-01-09

    申请号:CN202110801131.X

    申请日:2021-07-15

    Applicant: 东南大学

    Abstract: 本发明公开了一种用于非解析非线性复数系统的无味算法,包括:计算增广形式的输入信号二阶统计量——增广方差及协方差,并将其输入系统,计算sigma点;无味算法可以通过少量sigma特征点的计算,得到非线性系统对应输出点的一阶、二阶统计量;通过研究误差与非圆度关系,调节beta参数,减小算法误差。本发明能够针对输入信号为复数信号,且系统函数为非线性非解析的情况,通过计算少量sigma点的统计特性,得到输出信号的近似二阶统计量,并当信号为非圆时,通过研究beta参数与非圆度间的关系,减少系统误差。

    一种基于非圆近场准平稳信号二阶统计量矩阵反对角线的DOA估计方法

    公开(公告)号:CN116338567A

    公开(公告)日:2023-06-27

    申请号:CN202310407295.3

    申请日:2023-04-17

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于非圆近场准平稳信号二阶统计量矩阵反对角线的DOA估计方法,属于阵列信号处理领域。本发明针对非圆近场准平稳信号DOA估计在信源角度相差较小时难以分辨的问题,将信号伪协方差矩阵的反对角线和协方差矩阵的反对角线平行线重构为虚拟等效信号,实现了对非圆近场信号的DOA估计。方法实施步骤包括:以准平稳信号的每个时间帧为粒度,计算信号在每个时间帧下的协方差矩阵和伪协方差矩阵;提取协方差矩阵反对角线的平行线以及伪协方差矩阵反对角线的元素,重构为等效信号;利用经典MUSIC算法对等效信号进行参数估计。该方案能避免在信源角度相差较小时出现的谱峰重叠问题,提高DOA估计精度。

    基于快速BEMD和深度学习的图像融合方法

    公开(公告)号:CN110148083B

    公开(公告)日:2023-04-07

    申请号:CN201910412600.1

    申请日:2019-05-17

    Applicant: 东南大学

    Abstract: 基于快速BEMD和深度学习的图像融合方法,属于图像处理技术领域。本发明使用快速BEMD对待融合图像进行多尺度分解得到频率从高到低的二维经验模态分解分量(Bidimensional Empirical Mode Component,BEMC),对各分量分别进行融合,最后经过BEMD重构可获取融合结果图。利用深度学习可提取图像特征的特点,设计了一种基于深度学习的图像融合规则。实验表明基于该融合方法的融合结果图具有最佳的视觉效果,满足人眼的视觉感知。

    基于编解码结构的深度分层去雾网络

    公开(公告)号:CN114862719A

    公开(公告)日:2022-08-05

    申请号:CN202210534303.6

    申请日:2022-05-17

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于编解码结构的深度分层去雾网络,将输入图像分割成多个小图像块,网络的下层是细粒度图像块,上层是粗粒度图像块,下层网络将学习到的局部特征叠加到上层,提高了提取特征的可重用性。每一层网络之间通过残差连接将下层网络的重建图像与上一层网络的输入图像进行元素级相加,使得上层网络可以共享下层网络的局部信息,从而专注于提取其他关键特征。另外,该模型在每一层中使用了新的编码器解码器结构,摒弃了广泛使用的残差块,选择残差通道注意力模块,根据各个通道之间的相关性,为每个通道的特征图分配相应权重,使每一层网络绕过图像的低频信息,专注于学习更关键的高频信息,提高了去雾网络的表征能力。

Patent Agency Ranking