-
公开(公告)号：CN118741534A
公开(公告)日：2024-10-01
申请号：CN202410719536.2
申请日：2024-06-05
申请人： 浙江工商大学
摘要： 传统频谱管理已无法满足物联网设备日益动态和高效利用的需求。本发明提出了基于联邦深度强化学习框架，结合联邦学习、图神经网络(GNN)和深度Q网络(DQN)的一种动态频谱接入方案。在该方案中，GNN承担着Q值预测任务，充分发挥其捕获设备间关系和环境特征的能力。与此同时，DQN通过与环境的交互学习，不断地调整策略以最大化长期累积奖励。为增强模型的稳定性和学习效率，我们还应用了经验回放缓冲、固定间隔更新目标网络等技术。特别地，FedAge算法的运用有助于协调多设备间的知识共享与模型更新，进一步提升整个系统的性能和运行效率。多次仿真训练结果表明，本发明的系统模型在收敛效果、稳定性和运行效率方面均优于传统方案的系统模型。
-
公开(公告)号：CN117395116A
公开(公告)日：2024-01-12
申请号：CN202310748709.9
申请日：2023-06-21
申请人： 浙江工商大学
IPC分类号： H04L27/26
摘要： 基于发射端截断与接收端重构的高效UFMC实现结构，在该发明中，首先在发射端对待发射信号进行截断，两端各截断Lc长度，使得实际发射信号长度降为N+L‑2Lc‑1，有效提高时域传输效率。由于时域截断较大地改变了信号完整性，会对UFMC系统SINR以及SER产生不利影响，因此本发明在发射端截断的基础上提出在接收机对UFMC信号进行重构恢复，改善SER性能。具体方法为接收端通过迭代重构方式近似恢复发射端被截断数据，进而近似重构出完整的UFMC信号。本发明在取得近似于传统UFMC结构误码率的前提下，改善系统时域传输效率。
-
公开(公告)号：CN112565140B
公开(公告)日：2022-07-19
申请号：CN202011136492.9
申请日：2020-10-22
申请人： 浙江工商大学
IPC分类号： H04L27/26
摘要： 一种采用三对角加权矩阵的OFDM系统抗时变信道干扰方法，首先，采用P‑BEM技术来估计重构信道系数矩阵Htv，并用于后续SINR的公式计算；然后，针对三对角加权矩阵W进行SINR的数学表示建模，得到各子载波SINRm；将对角系数表示成一个向量w，并进一步进行转化公式，得到关于w表示的SINRm。然后，根据SINR和BER的理论转换公式，得BERm，并将子载波平均BER设定为w优化问题的代价函数。采用梯度算法对代价函数进行最小化，得最优三对角加权矩阵系数向量w，并重建得到三对角加权矩阵W；最终，将该加权矩阵W用于OFDM系统接收端。本发明能够缓解子载波间干扰改善系统误码率性能，并有效减小矩阵加权实现的复杂度。
-
公开(公告)号：CN118741704A
公开(公告)日：2024-10-01
申请号：CN202410876709.1
申请日：2024-07-02
申请人： 浙江工商大学
IPC分类号： H04W72/0453 , H04W72/50 , H04W72/541 , H04W16/10 , G06N3/042 , G06N3/08
摘要： 物联网中的动态频谱分配是满足通信需求的关键任务。传统方案缺乏灵活性，难以适应变化。本发明提出结合图论和深度Q网络(DQN)的新方案。首先，利用图论着色模型构建初始信道分配策略，通过无干扰分配矩阵和网络效益函数形成初始策略。然后，过滤效率低的策略，形成策略池，并在DQN环境中不断优化得到最优的信道访问策略。最终，该策略被用于实际设备访问。与传统方案相比，本方案更好地考虑信道间相互作用，提高了频谱分配的灵活性和适应性，显著提升频谱利用率和用户体验。仿真实验证明，本发明方案在频谱利用率和用户体验方面优于传统的图论和随机分配方案。
-
公开(公告)号：CN118300724A
公开(公告)日：2024-07-05
申请号：CN202410409136.1
申请日：2024-04-07
申请人： 浙江工商大学
IPC分类号： H04B17/382 , H04W16/10 , H04W72/50 , H04W72/0453 , H04W72/0457 , H04L41/16 , G16Y10/75 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/092 , G06N3/098
摘要： 随着物联网设备数量的快速增长，对频谱资源的高效利用成为确保设备可靠通信的关键挑战。针对单独运用DQN产生的用户人数过多而资源消耗过大、单独运用图神经网络得到的性能不够和单独运用深度学习无法保证效率和性能等等这些传统方法在产生的局限性。通过结合深度强化学习和图神经网络的联合学习方法，提高物联网动态频谱访问的效率和性能是一种可行的方案之一。本发明中，我们提出了一种融合图神经网络(GNN)与深度Q网络(DQN)的动态频谱接入方法。该方法通过图神经网络对下一步状态进行预测，而深度Q网络则通过预测基于下一步状态所要选择的动作，以实现对物联网频谱访问的智能优化。通过仿真实验，验证了其在提高运行效率方面的显著效果。
-
公开(公告)号：CN115001453A
公开(公告)日：2022-09-02
申请号：CN202210716669.5
申请日：2022-06-23
申请人： 浙江工商大学
IPC分类号： H03H17/06
摘要： 基于IFIR结构的FBMC‑OQAM原型滤波器设计方法，通过采用IFIR技术设计原型滤波器来降低FBMC系统实现复杂度。首先，对预期滤波器性能指标进行分解，先约束优化设计频罩滤波器；接着，根据预期滤波器性能指标建立关于模型滤波器的优化问题并求解；在得到模型滤波器系数后，再根据预期滤波器性能指标建立关于频罩滤波器的优化问题并求解；然后进行频罩滤波器和模型滤波器的迭代交互设计，以上优化问题可通过SOCP框架进行求解；最后，将IFIR合成滤波器作为FBMC原型滤波器。本发明在取得与PHYDYAS滤波器近似的SINR以及误码率性能的前提下，能够降低实现原型滤波器设计所需的乘法器数量，有效降低系统实现复杂度。
-
公开(公告)号：CN112565141B
公开(公告)日：2022-07-19
申请号：CN202011137726.1
申请日：2020-10-22
申请人： 浙江工商大学
摘要： 一种采用时域滤波的OFDM系统抗多径时变信道混合干扰方法，信号的时域滤波等效于Toeplitz加权矩阵操作，首先，针对Toeplitz加权矩阵WT进行SINR的数学建模，得到各子载波SINRm；为了通过优化算法得到Toeplitz加权矩阵WT中的滤波器系数向量wT，将SINRm进一步转化为关于wT的表示；接着，根据SINR和BER的理论转换公式，得BERm，并将子载波平均BER设定为wT优化问题的代价函数，采用梯度算法对代价函数进行最小化，得最优系数向量wT，并重建得到Toeplitz矩阵WT；最终，将该Toeplitz加权矩阵WT用于OFDM系统接收端，对接收信号进行时域滤波处理。本发明能够有效地抑制多径时变衰落信道引起的干扰，改善系统BER性能。
-
公开(公告)号：CN112565140A
公开(公告)日：2021-03-26
申请号：CN202011136492.9
申请日：2020-10-22
申请人： 浙江工商大学
IPC分类号： H04L27/26
摘要： 一种采用三对角加权矩阵的OFDM系统抗时变信道干扰方法，首先，采用P‑BEM技术来估计重构信道系数矩阵Htv，并用于后续SINR的公式计算；然后，针对三对角加权矩阵W进行SINR的数学表示建模，得到各子载波SINRm；将对角系数表示成一个向量w，并进一步进行转化公式，得到关于w表示的SINRm。然后，根据SINR和BER的理论转换公式，得BERm，并将子载波平均BER设定为w优化问题的代价函数。采用梯度算法对代价函数进行最小化，得最优三对角加权矩阵系数向量w，并重建得到三对角加权矩阵W；最终，将该加权矩阵W用于OFDM系统接收端。本发明能够缓解子载波间干扰改善系统误码率性能，并有效减小矩阵加权实现的复杂度。
-
公开(公告)号：CN112565141A
公开(公告)日：2021-03-26
申请号：CN202011137726.1
申请日：2020-10-22
申请人： 浙江工商大学
摘要： 一种采用时域滤波的OFDM系统抗多径时变信道混合干扰方法，信号的时域滤波等效于Toeplitz加权矩阵操作，首先，针对Toeplitz加权矩阵WT进行SINR的数学建模，得到各子载波SINRm；为了通过优化算法得到Toeplitz加权矩阵WT中的滤波器系数向量wT，将SINRm进一步转化为关于wT的表示；接着，根据SINR和BER的理论转换公式，得BERm，并将子载波平均BER设定为wT优化问题的代价函数，采用梯度算法对代价函数进行最小化，得最优系数向量wT，并重建得到Toeplitz矩阵WT；最终，将该Toeplitz加权矩阵WT用于OFDM系统接收端，对接收信号进行时域滤波处理。本发明能够有效地抑制多径时变衰落信道引起的干扰，改善系统BER性能。
-
公开(公告)号：CN117995390A
公开(公告)日：2024-05-07
申请号：CN202410223501.X
申请日：2024-02-29
申请人： 浙江工商大学
IPC分类号： G16H50/20 , G16H10/60 , G16H10/40 , G06F18/241
摘要： 本发明涉及一种基于深度学习的颈动脉狭窄程度分类方法，旨在解决传统颈动脉狭窄检测方法的局限性。传统方法受到人工干预、费用负担和繁琐过程的限制，影响了颈动脉狭窄的早期发现和治疗效果。深度学习算法通过其出色的特征学习和适应性，在临床应用中展现了优越性。本发明结合临床需求，提出了基于Conv‑BiLSTM‑CRF和2DConv‑LSTM的方法，通过电子病例、化验和物理检查数据进行颈动脉狭窄分类。该方法通过抽象特征，不再依赖传统方法中的人工干预，提高了分类准确性和效率。通过多维评价比较，证明了该方法的优越性，为颈动脉狭窄检测提供了更可靠的技术支持。最终，本发明在技术推动和临床实践中均具有积极意义，为提高患者健康水平作出贡献。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.028 秒)
