-
公开(公告)号:CN117880010A
公开(公告)日:2024-04-12
申请号:CN202311673371.1
申请日:2023-12-07
申请人: 山东大学 , 山东正晨科技股份有限公司
摘要: 本发明提出的一种基于深度学习的时变水声信道估计方法,应用在水声通信领域中。本发明采用创新性的逻辑设计,首先通过水声正交频分复用系统生成原始码元,在原始码元中插入置零的直流子载波;通过4AQM方式对并行数据进行调制;信号经过引入高斯白噪声的时变水声信道;对信号进行解调;利用卷积神经网络、双向门控单元、自归一化网络、全连接网络构建信道估计模块,并引入注意力机制;最后采用Nadm优化器和多分类交叉熵损失函数对网络进行训练。本发明有效解决了时变水声信道下OFDM系统中存在的误符号率和误码率性能失真的问题。仿真结果表示,此方法表现出的性能优于传统的最小二乘法和最小均方误差,提高了水声信道估计的精度。
-
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: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: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: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:CN115913864A
公开(公告)日:2023-04-04
申请号:CN202211565254.9
申请日:2022-12-07
申请人: 齐鲁工业大学 , 山东正晨科技股份有限公司
摘要: 本发明涉及通信领域,公开了一种深度学习与索引调制结合的OFDM信号检测方法,应用在基于索引调制的信号检测技术中,减少了OFDM系统中的ICI和PAPR,提高了接收端解调信号的性能,有效增强信号检测的能力。本发明首先搭建了OFDM‑IM系统框架,并利用OFDM‑IM系统框架随机生成比特序列、瑞利信道和加性高斯白噪声,对数据进行预处理,产生深度学习模型所需的数据集。其次,通过4层全连接神经网络对所得数据集进行离线训练,深度学习模型采用leaky_relu激活函数、Adam优化器以及自定义损失函数对结构进行优化,从而提高网络参数收敛性。本发明OFDM信号检测方法可以在4QAM、8QAM、16QAM方式下达到低于最大似然检测(ML)、贪婪检测(GD)和低复杂度对数似然比检测(LLR)算法的误码率。
-
公开(公告)号:CN116668250A
公开(公告)日:2023-08-29
申请号:CN202310507842.5
申请日:2023-05-08
申请人: 山东大学 , 动联(山东)电子科技有限公司
IPC分类号: H04L27/26 , H04W4/40 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/08
摘要: 本发明涉及的是智能交通领域,尤其是一种基于深度学习的车联网OFDM自编码器信息处理方法,首先将发送的比特流转换为one‑hot矩阵,通过卷积神经网络CNN和双向门控循环单元BiGRU构建编码器,处理one‑hot矩阵。其次对来自编码器的数据添加循环前缀和导频,经过突发式干扰信道和多径衰落信道。利用CNN、BiGRU和自归一化网络SNN构建解码器,在该解码器中引入注意力机制。随后,利用Adam优化器和交叉熵函数训练神经网络。最后,统计误码率。本发明有效缓解了突发噪声概率不定、信号传输路径较多的情况下OFDM自编码器中存在的误码率性能失真的问题。仿真结果表示,此方法表现出的性能优于现存的LSTM自编码器,可应对复杂多变的车载通信环境。
-
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: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:CN115865145A
公开(公告)日:2023-03-28
申请号:CN202211507543.3
申请日:2022-11-29
IPC分类号: H04B7/0413 , H04B7/06 , G06N3/0464
摘要: 本发明属于智能通信领域,公开了一种基于Transformer的大规模MIMO信道状态信息反馈方法。在用户端对获取的下行链路的CSI信道矩阵H做二维离散傅里叶变换,得到信道矩阵,根据该矩阵得到截断矩阵Ha;构建编码器和解码器的模型CDTransformer,其中编码器在用户端,解码器在基站端。编码器的输入是截断矩阵Ha,输出是码字向量;基站端的输入是码字向量,输出是截断矩阵的估计值对截断矩阵的估计值进行二维逆离散傅里叶变换,恢复得到原始空频域的信道矩阵重建值;对CDTransformer网络模型进行训练,使得截断矩阵估计值和截断矩阵Ha尽可能接近,获得模型参数;将训练好的CDTransformer模型用于CSI的压缩和重建。
-
-
-
-
-
-
-
-
-