利索-全球专利检索

  1. 登录
  2. 注册

搜索结果

7 条记录 (耗时 0.02 秒)

    一种基于改进YOLOv5的短波跳频信号分选方法
    4.
    发明公开
    一种基于改进YOLOv5的短波跳频信号分选方法 审中-实审

    公开(公告)号：CN116318249A

    公开(公告)日：2023-06-23

    申请号：CN202310278367.9

    申请日：2023-03-21

    申请人： 郑州大学

    发明人： 朱政宇 ,  林宇 ,  李鑫泽 ,  赵航冉 ,  梁静 ,  林永辉 ,  宋灿 ,  王家政 ,  陈鹏飞 ,  巩克现

    IPC分类号： H04B1/713 ,  H04B1/715 ,  G06F18/214

    摘要： 本发明提供了一种基于改进YOLOv5的短波跳频信号分选方法，所属方法包括：首先，通过时频分析方法生成跳频信号灰度时频图作为YOLOv5目标检测网络的输入。其次，在backbone网络中加入CA机制，在保证模型灵活和轻量化的前提下捕获跨通道信息和位置敏感信息，实现跳频信号的实时检测和准确定位。再次，采用Soft‑SIoU_NMS替换NMS保证了跳频信号在发生频率碰撞时不会因置信度较低而被忽略。最后，采用NWD代替小目标检测时NMS和回归损失函数中的交并比(IntersectionofUnion,IoU)度量，提高对快跳频信号的检测精度。本发明实施一种基于改进YOLOv5的短波跳频信号分选方法具有模型收敛快、鲁棒性强的优势且mAP达到99.5％，能够在低信噪比下准确地分选出各类跳频信号，且在信噪比为0dB时分选率超过95％。

    一种基于多智能体DQN的IRS辅助D2D系统资源分配方法
    5.
    发明公开
    一种基于多智能体DQN的IRS辅助D2D系统资源分配方法 审中-实审

    公开(公告)号：CN115412936A

    公开(公告)日：2022-11-29

    申请号：CN202210869229.3

    申请日：2022-07-22

    申请人： 郑州大学

    发明人： 朱政宇 ,  巩梦飞 ,  赵航冉 ,  宁梦珂 ,  王宏旭 ,  梁静 ,  宋灿 ,  孙钢灿 ,  郝万明 ,  侯庚旺 ,  李铮

    IPC分类号： H04W24/02 ,  H04W24/06 ,  H04W28/02 ,  H04W28/22

    摘要： 本发明公开了一个智能反射面(IRS)辅助设备到设备(D2D)通信中复用上行链路频谱资源的场景，提出一种基于多智能体DQN的IRS辅助D2D系统资源分配方法，用以提升蜂窝用户最大传输速率。本发明通过满足D2D用户最小传输速率和能量接收机最低能量采集的约束，联合优化D2D用户发射功率和IRS相移，构建最大化蜂窝用户信息传输速率模型。提出一种多智能体DQN资源分配算法，每个DQN网络只负责一个agent的学习并输出D2D功率和IRS相移。仿真结果表明，与其他方法相比，所提出的资源分配算法可以从环境中学习并不断改善行为，在较低的复杂度下显著提高蜂窝用户最大传输速率，同时拥有良好的收敛效果。

    一种基于深度强化学习的IRS辅助SWIPT-D2D系统资源分配方法
    6.
    发明公开
    一种基于深度强化学习的IRS辅助SWIPT-D2D系统资源分配方法 审中-实审

    公开(公告)号：CN115243295A

    公开(公告)日：2022-10-25

    申请号：CN202210876982.5

    申请日：2022-07-25

    申请人： 郑州大学

    发明人： 朱政宇 ,  巩梦飞 ,  鲍昊 ,  郭凯旋 ,  杨晨一 ,  梁静 ,  宋灿 ,  孙钢灿 ,  王忠勇 ,  郝万明 ,  侯庚旺

    IPC分类号： H04W24/02 ,  H04W24/06 ,  H04W28/02 ,  H04W72/04 ,  H04W72/08

    摘要： 本发明涉及无线通信技术领域，具体涉及一种基于深度强化学习的IRS辅助SWIPT‑D2D系统资源分配方法。其步骤为：首先，根据系统的信道增益得到基站和每个接收用户(D2D Receiver，DR)的接收信号；其次，获得IRS上的反射系数和每个发射用户(D2D Transmitter，DT)的发射功率、时间切换因子，并得到DR的信息解码速率和收集的能量；满足蜂窝用户和D2D用户的信息传输速率约束条件下，构建了最大化系统能量采集优化模型；最后，利用基于深度强化学习的DQN‑DDPG算法联合联合优化时间切换因子、IRS相移和D2D发射功率，最大化系统采集总能量。本发明提出的基于深度强化学习的DQN‑DDPG算法，用DQN网络求解D2D发射功率和IRS相移，DDPG网络求解时间切换因子，将多余的射频信号转换为能量，减少了系统总能耗。