-
公开(公告)号：CN118695377A
公开(公告)日：2024-09-24
申请号：CN202410734012.0
申请日：2024-06-07
申请人： 重庆邮电大学
IPC分类号： H04W72/0453 , H04W16/14 , H04B17/382 , G06N3/0464
摘要： 本发明请求保护一种基于KAN‑RAE的频谱地图重构方法，属于无线电监测技术领域。本发明包括以下步骤：S1：制作完整的频谱地图作为神经网络的数据集；S2：引入科尔莫格罗夫‑阿诺德网络(Kolmogorov–Arnold Networks，KAN)和残差(Residual)连接来改进自编码器(AutoEncoder，AE)，搭建出KAN‑RAE神经网络框架；S3：通过均方误差损失函数完成模型离线训练，获得频谱地图重构模型；S4：利用训练好的网络模型，完成在线频谱地图重构。本发明提出一种基于KAN‑RAE的神经网络频谱地图重构方法，引入KAN和残差连接改进传统的自编码器结构，极大减少了神经网络的参数，提高了模型的收敛速度并降低误差，在低采样率下，频谱地图仍可精确重构。
-
公开(公告)号：CN118590076A
公开(公告)日：2024-09-03
申请号：CN202410734017.3
申请日：2024-06-07
申请人： 重庆邮电大学
摘要： 本发明公开一种干扰信道下极化码性能增强方法，属于信道编码领域。本发明主要包括以下步骤：根据传输子信道受干扰状况衡量每个极化子信道的可靠度；根据极化子信道可靠度进行极化码的编码；根据子载波受干扰状况对编码比特进行映射；最后进行干扰信道下的极化码译码。本发明基于干扰参数识别结果，在发送端已知干扰位置以及能够表征信道受干扰程度的信干噪比(Signal to Jamming plus Noise Ratio,SJNR)信息的前提下，根据高斯近似方法衡量极化子信道的可靠度，并根据子载波受干扰程度的不同对编码比特进行极化映射，将具有高可靠度的编码比特映射到不受干扰或受干扰程度较小的子载波上，具有低可靠度的编码比特映射到受严重干扰的子载波上，通过额外的极化映射增强了干扰信道下极化码的传输性能。
-
公开(公告)号：CN104053179A
公开(公告)日：2014-09-17
申请号：CN201410191412.8
申请日：2014-05-07
申请人： 重庆邮电大学
IPC分类号： H04W24/06
摘要： 本发明涉及了一种用于C-RAN系统级仿真平台。该仿真平台主要包含三层次：核心模拟引擎层、C-RAN网络仿真层和用户层。核心模拟引擎是整个仿真过程中的离散事件管理框架，负责安排和处理离散事件以及仿真时钟的推进；C-RAN网络仿真层根据C-RAN核心网络各个子层的特点抽象成具体模块，该层主要模拟C-RAN架构的物理资源、网络拓扑、虚拟化管理；用户层用于应用特征变量设置和仿真结果输出。用户可根据具体应用要求搭建C-RAN通信网络，然后针对通信中的不同模块的算法进行反复测试和优化，为实际C-RAN网络搭建提供参考，给开发工作带来便利。
-
公开(公告)号：CN118631298A
公开(公告)日：2024-09-10
申请号：CN202410633100.1
申请日：2024-05-21
申请人： 重庆邮电大学
IPC分类号： H04B7/0426 , H04B7/06 , H04B7/0456 , H04B7/08
摘要： 本发明请求保护一种毫米波FDD系统中上行辅助下行的混合波束成形设计方法，针对系统中高维信道矩阵反馈开销大的问题，属于无线通信技术领域。本方法包括：基站和用户同时发送全空域宽波束；用离散角度的导向矢量构造稀疏矩阵，DFT码本构造观测矩阵，观测接收信号，构建出稀疏恢复模型；利用EM算法求解稀疏恢复模型，获得粗略的角度；用精细的波束扫描空间信号，得到RSS，重构出接收信号协方差矩阵，去除噪声得到信号协方差矩阵；对信号协方差矩阵SVD并提取相位得到模拟波束成形和组合矩阵；基站端对等效信道SVD得到数字波束成形矩阵，用户端基于MMSE得到数字组合矩阵。本方法显著降低了毫米波FDD系统中高维信道矩阵的反馈开销。
-
公开(公告)号：CN118590912A
公开(公告)日：2024-09-03
申请号：CN202410633122.8
申请日：2024-05-21
申请人： 重庆邮电大学
摘要： 本发明请求保护一种面向区域受限频谱地图构建的传感器布局方法，包括以下步骤：S1：将频谱地图对应的区域进行离散化处理；S2：在不受限区域内，计算信道矩阵每列的l2范数，选取其最大的点作为第一个采样点；S3：基于压缩感知相关性约束，从采样矩阵和信道矩阵全局相关性最小的角度出发，在不受限区域内，使用贪婪算法进行采样点选取。S4：进一步推导算法，简化贪婪算法运算。本发明将构建频谱地图过程看作压缩感知问题。利用采样矩阵的特殊性，从压缩感知的相关性约束出发进行算法推导，进行传感器布局优化，既简化了采样优化算法，又有效提高构建频谱地图的精确度。
-
公开(公告)号：CN118540733A
公开(公告)日：2024-08-23
申请号：CN202410461332.3
申请日：2024-04-17
申请人： 重庆邮电大学
IPC分类号： H04W24/08 , H04W24/10 , H04B17/345 , H04L27/00
摘要： 本发明属于无线通信技术领域，具体涉及一种联合局部全局特征的双分支干扰识别方法。该方法首先生成一个干扰信号数据集，随后通过短时傅里叶变换提取时频图，并对这些时频图进行预处理，以确保数据的准确性和一致性，从而为后续的有效识别奠定坚实基础。接着，基于预处理后的数据集，构建与之相匹配的标签信息。在训练过程中，采用双分支特征融合框架的神经网络模型，并运用交叉熵损失函数进行训练。双分支特征融合框架包括二维卷积特征提取器、Transformer特征提取器、多分类器三个部分，其中二维卷积负责捕捉时频图的局部特征，而Transformer则负责捕捉全局特征。通过将局部特征与全局特征进行融合，获取到更高阶的语义信息。多分类器则通过高阶语义信息预测输入干扰的类型。本发明提出一种联合局部全局特征的双分支干扰识别方法，能够在较低干噪比下识别干扰类型。
-
公开(公告)号：CN118432987A
公开(公告)日：2024-08-02
申请号：CN202410461341.2
申请日：2024-04-17
申请人： 重庆邮电大学
IPC分类号： H04L25/03 , H04B15/00 , H04B17/345 , H04B17/391
摘要： 本发明属于无线通信技术领域，具体涉及一种基于源最大化双路径transformer的复合干扰分离方法。该方法首先生成11种复合干扰信号数据集，并对其进行预处理，确保数据的准确性和一致性，为后续有效分离奠定基础。随后，构建真实标签信息。在训练过程中，神经网络模型整体采用编码层‑分离层‑解码层，损失函数为均方误差。其中，编码层采用一维卷积模块构建特征信息。分离层采用双路径架构，将编码的序列构建为块内块间形式，从而引入直接上下文感知信息，并使用改进的Transformer对长时间序列深度感知，挖掘更丰富的特征信息，得到更好的掩码信息。解码层则采用重叠相加来重构干扰信号。模型输出采用源最大化的方式，并联合静默检测方法，对输出通道进行判决。本发明通过构建双路径Transformer神经网络架构，能够实现对复合数目不同的干扰信号快速分离，为干扰认知的进一步发展提供了有力的技术支持。
-
公开(公告)号：CN104053179B
公开(公告)日：2017-06-23
申请号：CN201410191412.8
申请日：2014-05-07
申请人： 重庆邮电大学
IPC分类号： H04W24/06
摘要： 本发明涉及了一种用于C‑RAN系统级仿真平台。该仿真平台主要包含三层次：核心模拟引擎层、C‑RAN网络仿真层和用户层。核心模拟引擎是整个仿真过程中的离散事件管理框架，负责安排和处理离散事件以及仿真时钟的推进；C‑RAN网络仿真层根据C‑RAN核心网络各个子层的特点抽象成具体模块，该层主要模拟C‑RAN架构的物理资源、网络拓扑、虚拟化管理；用户层用于应用特征变量设置和仿真结果输出。用户可根据具体应用要求搭建C‑RAN通信网络，然后针对通信中的不同模块的算法进行反复测试和优化，为实际C‑RAN网络搭建提供参考，给开发工作带来便利。
-
公开(公告)号：CN118784423A
公开(公告)日：2024-10-15
申请号：CN202410633091.6
申请日：2024-05-21
申请人： 重庆邮电大学
摘要： 本发明涉及一种基于循环前缀差异最小化的自适应阵列干扰抑制方法，属于阵列干扰抑制领域。该方法包括以下步骤：对接收信号采样后做快速傅里叶变换并计算协方差矩阵；利用协方差矩阵计算投影矩阵并通过投影抑制宽带干扰；子载波重配后做快速傅里叶逆变换并进行时频同步；利用循环前缀的循环特性计算权值，加权提取期望信号主径；对主径信号进行正交频分复用解调，再进行信道均衡；将信道估计得到的信道估计矢量用于信道均衡；均衡后的信号经过后续解调得到输出比特流。本发明首先在频域利用正交投影算法抑制宽带强干扰，再建立循环前缀差异最小化优化函数计算权值，多路信号加权以抑制残余干扰和多径干扰，能够有效提高接收端的可靠性。
-
公开(公告)号：CN118695283A
公开(公告)日：2024-09-24
申请号：CN202410734015.4
申请日：2024-06-07
申请人： 重庆邮电大学
IPC分类号： H04W24/06 , H04W56/00 , H04B17/391
摘要： 本发明属于无线通信中的信道认知领域，涉及一种基于同步码的信道场景识别方法及系统。方法包括：采集无线接收机中的基带信号，捕获同步码作为信道场景的观测样本；对同步码进行长周期的间隔性捕获，并在每次捕获后计算观测样本均值，保存为信道数据样本；将每次捕获并计算得到的信道数据样本输入到预先训练并优化好的深度学习网络模型中，根据模型的输出结果更新信道场景识别结果。方法优势在于：通过对同步码的长周期间隔捕获和分析，实现更高效的信道场景识别，并简化系统的实现难度；创造性地将信道特征识别问题转换为接收信号识别问题，消除传统方法中复杂的人工特征提取步骤，结合深度学习技术，智能地学习更为精确且抽象的信道特征表示，提高信道场景识别的准确性和效率；无需对发射端做任何修改，灵活适用于各种现有无线通信系统，增强信道场景识别方法的实用性和适应性。识别结果可以用于各种后续处理，如动态调整通信参数和优化传输策略，从而提升通信系统的整体性能和环境适应性。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.031 秒)
