-
公开(公告)号：CN118473873B
公开(公告)日：2024-12-27
申请号：CN202410393818.8
申请日：2024-04-02
Applicant: 安徽大学
IPC: H04L25/03
Abstract: 本发明公开了一种低复杂度超奈奎斯特系统打包率估计方法，包括：基于传输导频块及映射后的符号构造传输帧；基于传输帧生成发射信号；对发射信号进行加噪及滤波，生成接收信号；获取初始的假定下采样因子，对初始的假定下采样因子进行迭代更新，基于迭代更新过程中的每个假定下采样因子，分别对接收信号进行下采样，得到下采样后的导频块，并对下采样后的导频块及传输导频块进行相干相关处理，得到每个假定下采样因子对应的判决值；提取最大的判决值对应的假定下采样因子，根据提取的假定下采样因子，生成超奈奎斯特系统的打包率。通过上述技术方案，本发明可以估计随机的超奈奎斯特系统打包率，并且实现复杂度低。
-
公开(公告)号：CN118473873A
公开(公告)日：2024-08-09
申请号：CN202410393818.8
申请日：2024-04-02
Applicant: 安徽大学
IPC: H04L25/03
Abstract: 本发明公开了一种低复杂度超奈奎斯特系统打包率估计方法，包括：基于传输导频块及映射后的符号构造传输帧；基于传输帧生成发射信号；对发射信号进行加噪及滤波，生成接收信号；获取初始的假定下采样因子，对初始的假定下采样因子进行迭代更新，基于迭代更新过程中的每个假定下采样因子，分别对接收信号进行下采样，得到下采样后的导频块，并对下采样后的导频块及传输导频块进行相干相关处理，得到每个假定下采样因子对应的判决值；提取最大的判决值对应的假定下采样因子，根据提取的假定下采样因子，生成超奈奎斯特系统的打包率。通过上述技术方案，本发明可以估计随机的超奈奎斯特系统打包率，并且实现复杂度低。
-
公开(公告)号：CN118350440A
公开(公告)日：2024-07-16
申请号：CN202410311276.5
申请日：2024-03-19
Applicant: 安徽大学 , 德清阿尔法创新研究院
IPC: G06N3/082 , G06N3/0464 , G06N3/0495
Abstract: 本发明公开了一种基于能耗自适应的卷积神经网络剪枝方法，其中方法包括确定当前CNN模型能耗组成，计算当前CNN模型能耗值，确定能耗预算值；在满足能耗预算值的前提下，采用迭代优化的方法逐步剪枝CNN模型，减少CNN模型能耗，尽量保持模型的性能精度，获取满足能耗预算值的最优性能精度的稀疏化CNN模型；本发明可以根据需求，自适应能耗预算值，获取剪枝精度最好的轻量化网络模型，使用能耗值这一直接指标，作为CNN模型进行剪枝压缩的前提，充分考虑到不同设备的能耗预算，剪枝后的轻量化模型既可以满足不同设备能耗部署的要求，又保持轻量化网络模型精度，确保了剪枝后CNN模型在不同应用场景下的适用性。
-
公开(公告)号：CN116633734B
公开(公告)日：2024-02-23
申请号：CN202310758645.0
申请日：2023-06-26
Applicant: 安徽大学
IPC: H04L25/03
Abstract: 本发明公开了适用于高阶调制的超奈奎斯特系统SVD预编码方法，包括：获取发送符号块及码间干扰矩阵；获取傅里叶变换矩阵对码间干扰矩阵进行SVD分解，得到对角矩阵；根据傅里叶变换矩阵对发送符号块进行SVD预编码；对预编码的发送符号块进行基带成形并发射，其中，所述基带成形基于循环卷积实现；接收发射的发送符号块并进行匹配滤波，其中，所述匹配滤波通过匹配滤波的循环卷积实现；根据对角矩阵对所述匹配滤波后的符号块进行SVD解码，获得估计符号块。通过上述技术方案，本发明降低超奈奎斯特系统的复杂度，同时提高超奈奎斯特系统的符号估计精度，改善超奈奎斯特系统采用高阶调制时的误比特率性能。
-
公开(公告)号：CN116708096B
公开(公告)日：2024-02-09
申请号：CN202310758562.1
申请日：2023-06-26
Applicant: 安徽大学
IPC: H04L25/03
Abstract: 本发明公开了无需前缀和后缀的超奈奎斯特系统GTMH预编码方法，包括，包括：获取发送符号块；根据发送符号块，获取码间干扰矩阵；根据码间干扰矩阵，获取傅里叶变换矩阵和对角矩阵；根据变换矩阵及对角矩阵，对发送符号块进行GTMH预编码；将超奈奎斯特系统发射机基带成形的线性卷机替换为循环卷积，对预编码后的发送符号块进行基带成形并发射；将超奈奎斯特系统接收机匹配滤波的线性卷积替换为循环卷积，对接收到的符号块进行进行匹配滤波；对匹配滤波后的符号块进行GTMH解码，得到估计符号块。通过上述技术方案，本发明降低超奈奎斯特系统接收机复杂度，提高超奈奎斯特系统的符号估计精度，改善其误比特率性能。
-
Patent Agency Ranking
公开(公告)号：CN119962608A
公开(公告)日：2025-05-09
申请号：CN202411868179.2
申请日：2024-12-18
Applicant: 安徽大学 , 德清阿尔法创新研究院
IPC: G06N3/082 , G06N3/0499 , G06N3/045
Abstract: 本发明公开了一种基于任务匹配相似度的轻量级预训练模型剪枝方法，包括：对模型进行预训练微调，量化上游任务的通用任务知识与下游任务的特定任务知识之间的匹配相似度分数，执行模型动态剪枝策略，对动态剪枝后的模型进行联合微调训练优化。本发明方法通过融合上下游任务知识优化剪枝策略，显著提升了剪枝模型的性能，同时大幅减少了模型参数和计算开销，增强了模型的泛化能力，动态剪枝策略使得剪枝过程更加灵活，能够根据任务需求进行个性化的调整，本发明技术方案不仅适用于计算机视觉领域的预训练模型剪枝，还可以扩展到其他领域的深度学习模型剪枝中，具有广泛的应用前景和潜在的经济价值。
-
公开(公告)号：CN119414158A
公开(公告)日：2025-02-11
申请号：CN202411625572.9
申请日：2024-11-14
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学 , 国网安徽省电力有限公司亳州供电公司
Abstract: 本发明公开了一种基于信息融合的低压直流电弧隐患识别方法，首先，建立电弧数学模型，搭建直流微网电弧故障测试仿真平台；模拟电弧故障，采集故障支路电压及非故障支路电压，提取电压时域特性并对其进行FFT分析，获得其基波分量及各特征频段分量占比；分析电压偏移量、电压变化率、谐波畸变率及振荡频率等特征，获得电弧故障电压特征矩阵，研究不同故障位置下的电弧特性；根据直流电压特征判断系统是否发生电弧故障并根据故障电压谐波畸变率进行故障定位。上述电弧故障识别方法从故障支路电压和非故障支路电压特征分析电弧故障类型，并实现精准定位。
-
公开(公告)号：CN118313430A
公开(公告)日：2024-07-09
申请号：CN202410389656.0
申请日：2024-04-02
Applicant: 安徽大学 , 德清阿尔法创新研究院
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明公开了一种基于预训练模型的视觉神经网络模型剪枝方法，方法包括：S1、在ViT模型中每个线性层Linear‑Layer引入内部标记变量is_skip；S2、依据内部标记变量is_skip值，生成多种ViT模型跳层随机方案；S3、计算各跳层随机方案执行后，ViT模型的loss值；S4、依据loss值变化将线性层分为个性化层与通用层；S5、对个性化层与通用层采取不同剪枝比率进行剪枝，获取剪枝后视觉神经网络ViT模型。本发明通过将线性层进行划分得到个性化层与通用层，确定不同的剪枝比率，得到压缩ViT模型，让预训练参数ViT模型更加针对个性化的数据。
-
公开(公告)号：CN118300937A
公开(公告)日：2024-07-05
申请号：CN202410393852.5
申请日：2024-04-02
Applicant: 安徽大学
IPC: H04L25/03
Abstract: 本发明公开了一种可抗频偏和相噪的超奈奎斯特系统打包率估计方法，包括：基于超奈奎斯特系统及传输帧，构建以仿真传输帧处理及传输过程的传输仿真模型；获取若干个假定下采样因子，将假定下采样因子分别输入传输仿真模型，得到下采样符号，基于下采样符号得到若干个下采样后的导频块，对若干个下采样后的导频块及传输导频块进行非相干相关差分后验累加处理，生成若干个判决值；提取数值最大的判决值对应的假定下采样因子，根据提取的假定下采样因子，得到超奈奎斯特系统对应的打包率。通过上述技术方案，本发明可以有效抵抗频偏和相噪，提高超奈奎斯特系统的打包率估计精度。
-
公开(公告)号：CN118172640A
公开(公告)日：2024-06-11
申请号：CN202410340536.1
申请日：2024-03-25
Applicant: 安徽大学 , 德清阿尔法创新研究院
IPC: G06V10/82 , G06V10/774 , G06V10/764 , G06N3/0455 , G06N3/082
Abstract: 本发明公开了一种自适应不同任务的ViT模型压缩方法及结构，方法包括在原始ViT模型中的引入了一个瓶颈模块，瓶颈模块与MLP模块形成并行分支，自适应不同任务；利用BERT压缩方法对原始ViT模型中的Transformer模块进行替换，实现模型压缩。本发明通过在原始ViT模型中的引入了一个瓶颈模块，瓶颈模块与MLP模块形成并行分支结构，自适应不同任务；利用BERT压缩方法对原始ViT模型中的视觉Transformer模块进行替换，实现模型压缩，可以使ViT模型对不同任务进行自适应，有效地缩短了训练时间节省了存储空间；可以充分利用自适应不同任务带来的优势，实现了ViT模型的轻量化。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.028 seconds)
