-
公开(公告)号：CN103957571B
公开(公告)日：2017-03-29
申请号：CN201410199508.9
申请日：2014-05-12
申请人： 中国石油大学(华东)
摘要： 本发明公开了一种基于布朗运动的Ad hoc网络路由发现方法，旨在借助历史记录定向和概率转发相结合的思想降低网络的路由开销。该算法通过建立基于布朗运动的移动网络模型，发现和总结与目标节点相遇过的中间节点的分布规律；根据此分布规律和网络环境设计中间节点转发概率的计算公式；依据转发概率决定中间节点是否参与转发，由此建立源节点到目标节点的路由。本发明的路由算法在定向广播的基础上降低了参与转发的中间节点的密度，简单低耗。
-
公开(公告)号：CN104064062A
公开(公告)日：2014-09-24
申请号：CN201410283637.6
申请日：2014-06-23
申请人： 中国石油大学(华东)
摘要： 本发明公开了一种基于声纹和语音识别的在线听力学习方法及系统，本系统由客户端和服务器端组成，其中客户端包括用户界面、语音采集模块，服务器端包括声纹识别模块、语音识别模块、实时处理模块、信息存储模块和监督控制模块。用户在使用本系统进行在线听力学习的过程中，首先进行登录，通过身份验证之后根据系统的语音提示进行作答，系统将作答数据上传到服务器。在服务器端系统主要实现以下功能：实时提取用户的声纹特征判断用户身份；实时进行语音识别，获取用户语音中所包含的信息以判断用户作答是否正确。本发明的实现克服了传统在线学习方式不能识别当前用户真实身份的缺点，而且能够直接从用户的语音中识别答案，提高了在线学习的效率。
-
公开(公告)号：CN103957571A
公开(公告)日：2014-07-30
申请号：CN201410199508.9
申请日：2014-05-12
申请人： 中国石油大学(华东)
摘要： 本发明公开了一种基于布朗运动的Ad hoc网络路由发现方法，旨在借助历史记录定向和概率转发相结合的思想降低网络的路由开销。该算法通过建立基于布朗运动的移动网络模型，发现和总结与目标节点相遇过的中间节点的分布规律；根据此分布规律和网络环境设计中间节点转发概率的计算公式；依据转发概率决定中间节点是否参与转发，由此建立源节点到目标节点的路由。本发明的路由算法在定向广播的基础上降低了参与转发的中间节点的密度，简单低耗。
-
公开(公告)号：CN108900198A
公开(公告)日：2018-11-27
申请号：CN201810692970.0
申请日：2018-06-29
申请人： 中国石油大学(华东)
摘要： 本发明提供了一种串行抵消列表译码参数的快速确定方法，所述方法首先从收集、整理数据开始；然后确定核函数并初始化参数，构造支持向量机多类分类器，并训练支持向量机多类分类器模型；然后再将由接收信号计算得到的似然比输入到已完成训练的支持向量机多类分类器模型中，输出G；最后将L初始化为G，执行串行抵消列表译码算法。该方法通过将支持向量机技术与极化码译码技术进行结合，避免了不必要的计算操作，从而极大降低了极化码的译码复杂度。
-
公开(公告)号：CN108880568A
公开(公告)日：2018-11-23
申请号：CN201810737117.6
申请日：2018-07-06
申请人： 中国石油大学(华东)
摘要： 本发明提供了一种基于卷积神经网络的串行抵消列表译码参数优化方法，所述方法首先从收集、整理样本数据开始；然后以样本数据的特点及大小作为依据进行建模，并采用反向传播算法来训练网络；然后再将由接收信号计算得到的似然比输入到已完成训练的卷积神经网络中，输出Q；最后将L初始化为Q，执行串行抵消列表译码算法。该方法通过将卷积神经网络技术与极化码译码技术进行结合，避免了不必要的计算操作，从而极大降低了极化码的译码复杂度。
-
公开(公告)号：CN109245776A
公开(公告)日：2019-01-18
申请号：CN201810687120.1
申请日：2018-06-28
申请人： 中国石油大学(华东)
摘要： 本发明提供了一种基于深度神经网络的极化码译码参数确定方法，所述方法首先从收集、整理样本数据开始；然后以样本数据的特征、标签及大小作为依据进行建模，并采用反向传播算法来训练网络；然后再将由接收信号计算得到的似然比输入到已完成训练的深度神经网络中，输出Q；最后将L初始化为Q，执行串行抵消列表译码算法。该方法通过将深度神经网络技术与极化码译码技术进行结合，避免了不必要的计算操作，从而极大降低了极化码的译码复杂度。
-
公开(公告)号：CN108964672A
公开(公告)日：2018-12-07
申请号：CN201810736700.5
申请日：2018-07-06
申请人： 中国石油大学(华东)
CPC分类号： H03M13/13 , G06N3/0454 , G06N3/084
摘要： 本发明提供了一种基于深度神经网络的极化码译码方法，所述方法首先从收集、整理样本数据开始；然后设置参数进行建模，并采用反向传播算法来训练网络；然后再将Rate‑R结点对应的似然比输入到已完成训练的深度神经网络模型中，得到0或1；最后根据0、1状态执行简化的连续消除译码算法。该方法通过将深度神经网络技术与极化码译码技术进行结合，减少对Rate‑R结点的遍历操作，提高译码速度，降低译码时延。
-
公开(公告)号：CN108777584A
公开(公告)日：2018-11-09
申请号：CN201810735831.1
申请日：2018-07-06
申请人： 中国石油大学(华东)
摘要： 本发明提供了一种极化码译码参数的快速优化方法，所述方法首先从收集、整理样本数据开始；然后以样本数据的特点及大小作为依据进行建模，并采用监督学习和随机梯度优化方法来训练网络；然后再将由接收信号计算得到的似然比输入到已完成训练的径向基函数神经网络模型中，输出M；最后将L初始化为M，执行串行抵消列表译码算法。该方法通过将径向基函数神经网络技术与极化码译码技术进行结合，避免了不必要的计算操作，从而极大降低了极化码的译码复杂度。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.028 秒)
