-
公开(公告)号：CN114629763B
公开(公告)日：2023-10-13
申请号：CN202111134319.X
申请日：2021-09-27
申请人： 亚萨合莱国强(山东)五金科技有限公司 , 齐鲁工业大学
IPC分类号： H04L27/26 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/084
摘要： 本申请公开了一种基于神经网络的OFDM系统IQ信号解调方法及装置，用以解决目前的IQ信号解调方法存在的系统复杂度较高、通信评价指标较差的问题。该方法通过正交频分复用OFDM系统采集原始数据集，得到I路信号和Q路信号，作为训练数据集；原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔的接收信号；根据OFDM系统的子载波数目，分别确定针对I路信号和Q路信号的基于长短期记忆神经网络的解调网络；确定峰值平均功率比检测网络，对于削波后的发送信号，在经过解调网络处理后进行信号恢复；采用训练数据集对解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于OFDM系统的IQ信号解调。
-
公开(公告)号：CN114629763A
公开(公告)日：2022-06-14
申请号：CN202111134319.X
申请日：2021-09-27
申请人： 亚萨合莱国强(山东)五金科技有限公司 , 齐鲁工业大学
摘要： 本申请公开了一种基于神经网络的OFDM系统IQ信号解调方法及装置，用以解决目前的IQ信号解调方法存在的系统复杂度较高、通信评价指标较差的问题。该方法通过正交频分复用OFDM系统采集原始数据集，得到I路信号和Q路信号，作为训练数据集；原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔的接收信号；根据OFDM系统的子载波数目，分别确定针对I路信号和Q路信号的基于长短期记忆神经网络的解调网络；确定峰值平均功率比检测网络，对于削波后的发送信号，在经过解调网络处理后进行信号恢复；采用训练数据集对解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于OFDM系统的IQ信号解调。
-
公开(公告)号：CN114818880B
公开(公告)日：2024-04-09
申请号：CN202210360677.0
申请日：2022-04-07
申请人： 齐鲁工业大学 , 山东正晨科技股份有限公司
IPC分类号： G06V10/764 , G06N3/0464 , G06N3/084 , G06V20/40 , G06V10/80 , G06V10/82
摘要： 本发明涉及计算机视觉领域,尤其是一种YOLOv3铁路关键作业流程自动鉴别方法与系统，包括：通过人工作业时的视频以及得到的包含列车中关键特征的图像信息；对YOLOv3网络进行预训练，将图像输入darknet53，通过残差网络Residual，将主干的输入与输出结合，进行特征提取，通过下采样操作，获取特征图并利用多尺度模块将特征图划分为低频和高频特征图，通过池化层压缩低频特征图，减少分量冗余。本发明优化列车安全检查中关键点的识别，提升传统部分对列车安全检查中小目标的关键特征的精度，去除冗余分量，解决人工审查难度大的问题，形成人工作业视频分析全覆盖的目的。
-
公开(公告)号：CN116132239B
公开(公告)日：2024-07-26
申请号：CN202310046457.5
申请日：2023-01-31
申请人： 齐鲁工业大学(山东省科学院) , 山东正晨科技股份有限公司
IPC分类号： H04L27/26
摘要： 本发明涉及通信技术领域，尤其是采用预激活残差单元和超分辨网络的OFDM信道估计方法。首先采用较少卷积滤波器的超分辨网络PResNet，进行OFDM系统信道估计，将导频处采用最小二乘信道估计法获得的信道矩阵看作是低分辨率图像上的像素点，再使用所提出的超分辨(Super Resolution)网络学习信道矩阵中的映射关系，最后通过插值层获得高分辨率的图像即精确、完整的信道矩阵。此外，本发明中将预激活残差单元与密集连接相结合的超分辨网络FullPResNet进行信道估计，将密集连接运用到残差单元中，在残差支路采用预激活来加速模型收敛，并使用PReLU代替ReLU，在不增加额外参数的情况下提高模型的拟合能力。
-
公开(公告)号：CN116017696A
公开(公告)日：2023-04-25
申请号：CN202211547035.8
申请日：2022-12-05
IPC分类号： H04W72/044 , H04W72/541
摘要： 本发明涉及无线通信技术领域，尤其是一种多载波NOMA系统下行链路用户分组和功率分配方法。多个用户共用一个子载波同时同频传输信号，接收端使用串行干扰消除技术解调用户自身信号。假设基站处能够获取基站到各用户的瞬时信道状态信息，基于获取到的CSI对信道增益排序，然后进行用户分组，同组用户共用同一个子载波进行通信。组内最大的用户的信道增益等效为该子载波的信道增益，根据子载波的等效信道增益采用深度学习算法进行子载波间的功率分配。根据最低传输速率约束条件进行子载波内用户的功率分配。本发明避免信道增益相近的用户分为一组。使用深度学习算法进行NOMA系统的功率分配，并且能在保证用户最低传输速率下，实现传输和速率的最大化。
-
公开(公告)号：CN116016046A
公开(公告)日：2023-04-25
申请号：CN202211572625.6
申请日：2022-12-08
申请人： 齐鲁工业大学 , 中国铁路济南局集团有限公司
摘要： 本发明涉及高速无线通信领域，尤其是一种基于自归一化网络的OFDM信道估计与信号检测方法，本发明采用创新性的逻辑设计，首先通过OFDM系统产生训练SNN网络所需的数据集，将数据集划分为训练集和测试集并进行数据预处理，其次搭建SNN网络，随后将数据输入SNN网络，对模型进行训练和学习，并利用Adam优化器对网络参数进行优化。本发明可应用于子载波数量较多、导频数量较少的OFDM系统，有效解决了此类系统已有和传统算法中信道估计与信号检测精度较低、子载波间干扰严重等问题，同时可以使用较少的导频数和循环前缀数便能达到较高的信道估计与信号检测精度和较低的误码率，大大节省了频谱资源。
-
公开(公告)号：CN116132239A
公开(公告)日：2023-05-16
申请号：CN202310046457.5
申请日：2023-01-31
申请人： 齐鲁工业大学(山东省科学院) , 山东正晨科技股份有限公司
IPC分类号： H04L27/26
摘要： 本发明涉及通信技术领域，尤其是采用预激活残差单元和超分辨网络的OFDM信道估计方法。首先采用较少卷积滤波器的超分辨网络PResNet，进行OFDM系统信道估计，将导频处采用最小二乘信道估计法获得的信道矩阵看作是低分辨率图像上的像素点，再使用所提出的超分辨(Super Resolution)网络学习信道矩阵中的映射关系，最后通过插值层获得高分辨率的图像即精确、完整的信道矩阵。此外，本发明中将预激活残差单元与密集连接相结合的超分辨网络FullPResNet进行信道估计，将密集连接运用到残差单元中，在残差支路采用预激活来加速模型收敛，并使用PReLU代替ReLU，在不增加额外参数的情况下提高模型的拟合能力。
-
公开(公告)号：CN115987722A
公开(公告)日：2023-04-18
申请号：CN202211655131.4
申请日：2022-12-22
IPC分类号： H04L25/02
摘要： 本发明涉及高速无线通信领域，尤其是一种深度学习辅助的OFDM信道估计与信号检测方法，本发明首先通过OFDM系统产生数据集，随后利用自归一化网络（SNN）构建信道估计模型，利用卷积神经网络（CNN）和双向门控循环单元（BiGRU）构建信号检测模型；其次将数据集输入到神经网络中，对模型进行训练，采用Adam优化器和均方误差损失函数对网络进行优化，最后与LS、BiLSTM、GRU及DNN+BiLSTM模型进行对比。本发明有效解决了循环前缀数量和导频数量较少的OFDM系统中存在的信道估计与信号检测精度较低、网络损失严重及误码率性能较差的问题。仿真结果表示，在较少的循环前缀和导频的情况下，此方法表现出的性能优于LS、BiLSTM、GRU及DNN+BiLSTM模型。
-
公开(公告)号：CN114818880A
公开(公告)日：2022-07-29
申请号：CN202210360677.0
申请日：2022-04-07
申请人： 齐鲁工业大学 , 山东正晨科技股份有限公司
摘要： 本发明涉及计算机视觉领域,尤其是一种YOLOv3铁路关键作业流程自动鉴别方法与系统，包括：通过人工作业时的视频以及得到的包含列车中关键特征的图像信息；对YOLOv3网络进行预训练，将图像输入darknet53，通过残差网络Residual，将主干的输入与输出结合，进行特征提取，通过下采样操作，获取特征图并利用多尺度模块将特征图划分为低频和高频特征图，通过池化层压缩低频特征图，减少分量冗余。本发明优化列车安全检查中关键点的识别，提升传统部分对列车安全检查中小目标的关键特征的精度，去除冗余分量，解决人工审查难度大的问题，形成人工作业视频分析全覆盖的目的。
-
公开(公告)号：CN113343924A
公开(公告)日：2021-09-03
申请号：CN202110746817.3
申请日：2021-07-01
申请人： 齐鲁工业大学
摘要： 本发明涉及一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，基于多尺度的循环谱特征建立调制信号识别模型。模型采用自注意力生成对抗网络，自注意力模块采用递归神经网络来产生视觉注意，可以让网络重点关注循环谱的局部信息。采用上下文自动编码器用于原图和注意力图的结合，并设置多尺度损失函数，可以在不同的译码层提取特征，将不同尺度信息融合来获得更加丰富的特征信息。为了增加数据的可靠性，利用AutoAugment数据增强算法提升数据价值，并结合多尺度的循环谱特征增强自注意力生成对抗网络的泛化能力。此方法适用于多种类型的通信系统，并能有效提高调制信号识别准确率，更符合未来智能通信的发展趋势。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.055 秒)
