-
公开(公告)号：CN119474968A
公开(公告)日：2025-02-18
申请号：CN202411493538.0
申请日：2024-10-24
Applicant: 南京邮电大学
Abstract: 本发明提供了一种基于双流特征嵌入与一致性正则化的射频指纹识别方法，依次包括：获取并构建带标签的无线信号数据集，并分离内容信息与硬件特征；将无线信号数据集导入双流特征嵌入模块，提取原始信号和屏蔽信号的硬件特征；计算交叉熵分类损失与正则化损失，确保特征提取和分布一致性；基于综合损失函数对双流特征嵌入模块的参数进行优化；动态扩展双流特征嵌入模块，增加新类别分类器以适应新设备；部署模型进行在线识别，并实时更新模型权重。本发明通过一致性指导的稳健学习框架，有效增强了RFF在内容篡改场景下的识别性能和鲁棒性。
-
公开(公告)号：CN119316256A
公开(公告)日：2025-01-14
申请号：CN202411371975.5
申请日：2024-09-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于时频特征融合的脉冲神经网络通信制式识别方法、系统、电子设备及存储介质，其中方法包括：从物联网设备中获取通信制式数据并制作为初始通信制式数据集，将初始通信制式数据集按照比例划分为训练集、验证集和测试集数据；将划分的训练集导入时频域特征融合模块，获得综合时频域信息的样本特征；将综合时频域信息的样本特征输入脉冲神经网络模型，获得初始模型预测值、模型权重；将模型预测值与标签值代入分类损失函数计算，获得分类损失值；使用分类损失值更新脉冲神经网络模型参数，直至获得最优的脉冲神经网络模型；本发明提高对复杂现实环境中的通信制式数据检测效率与识别精度，同时降低资源受限场景下的识别能耗问题。
-
公开(公告)号：CN118395322A
公开(公告)日：2024-07-26
申请号：CN202410354397.8
申请日：2024-03-27
Applicant: 南京邮电大学
IPC: G06F18/2431 , G06F18/15 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了基于信号时频一致性预训练的小样本识别信号类型的方法，包括：采集样本信号；将样本信号输入预先训练好的联合模型中，输出识别的调制信号类型；其中，所述联合模型包括目标域深度特征提取模型和特征识别模型，所述联合模型是基于预先训练的时频一致性深度特征提取模型搭建的目标域初始化深度特征提取模型以及初始化特征识别模型，并利用目标域小样本有标签信号数据集以有效完成下游任务为目标对所述目标域初始化深度特征提取模型以及初始化特征识别模型进行训练得到的；本发明在小样本场景下无法有效、准确地提取信号内在深度特征来解决下游任务的问题，创造性地引入深度学习模型架构和时频一致性预训练加微调的训练范式，有效地实现小样本场景下对信号时频域内在深度特征进行提取，从而有效完成下游任务，具有相对较高的准确性、稳定性和鲁棒性。
-
公开(公告)号：CN115935154A
公开(公告)日：2023-04-07
申请号：CN202310232775.0
申请日：2023-03-13
Applicant: 南京邮电大学
IPC: G06F18/211 , G06F18/2136 , G06F18/2431 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法，其以遴选出稀疏特征进行信号识别为目标，首先获取物联网WiFi设备信号，输入搭建的复数卷积神经网络，实现原始特征的提取；接着为特征层添加稀疏参数，并在损失函数中加入正则化项对稀疏参数进行约束；然后采用随机梯度下降算法与近端梯度下降算法对稀疏参数进行反向传播过程；最后得到稀疏特征，并实现信号识别任务。本发明解决了网络提取的原始特征冗余而造成的信号识别任务准确率下降与资源浪费的问题，适用于多种不同的射频信号，在射频信号识别领域具有较高的应用价值。
-
公开(公告)号：CN115550605A
公开(公告)日：2022-12-30
申请号：CN202211002883.0
申请日：2022-08-19
Applicant: 南京邮电大学
IPC: H04N7/18 , H04N5/04 , H04N21/8547 , H04N21/2347 , H04N21/254 , H04N21/258 , H04L9/40 , G06Q10/00 , G06Q50/06
Abstract: 本发明公开了电网多媒体调度系统的故障检测方法及其自动检测设备，该方法包括以下步骤：对电网多媒体调度系统中各个设备处布置检测摄像头；对各个设备处的若干检测摄像头进行同步开启，并通过若干检测摄像头对各个设备进行故障检测；对若干检测摄像头获取的数据进行处理，并将处理后的数据以及设备信息、设备故障维修手册上传至云存储服务器；在云存储服务器内进行数据去重。本发明通过若干检测摄像头对电网多媒体调度系统中各个设备进行检测，能够准确的判断设备发生故障的先后顺序及准确时间，且实现数据的分级云运算处理，能够提高数据计算的能力和计算效率，同时在保证数据安全的情况下，可以删除云存储服务器中的冗余数据。
-
Patent Agency Ranking
公开(公告)号：CN115543143A
公开(公告)日：2022-12-30
申请号：CN202211002776.8
申请日：2022-08-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于人工智能语音识别的多媒体电网调度人机交互系统，包括服务器、工作站、交换机组及变电站；服务器，用于读取电网设备的视频图像，识别所需电网设备图像，并将电网设备图形存储在数据库中；工作站，用于处理数据库中电网设备图像，并在三维画面中进行交互操作，优化内存负载并更新画面；交换机组，用于服务器与变电站的多媒体电网调度的转换；变电站，用于电力系统中对电压和电流进行变换，并接受电能及分配电能的场所。本发明中人机交换系统能使通信基础设施资源和电力系统基础设施资源进行有效整合，提高电力系统信息化水平、安全运行水平、可靠供电及优质服务水平，提高电能传输效率和使用效率。
-
公开(公告)号：CN108509980B
公开(公告)日：2022-07-01
申请号：CN201810188900.1
申请日：2018-03-08
Applicant: 南京邮电大学
IPC: G06V10/772 , G06V10/764 , G06K9/62 , G01F23/04
Abstract: 本发明公开了一种基于字典学习的水位监测方法，包括以下步骤：步骤1，在待测量河流区域固定一根测量标杆，通过摄像头实时采集该测量标杆与水面附近区域的图像；步骤2，采集若干幅图像作为训练图像，将每幅图像分为C类，对每类的图像块采用滑动窗采集训练数据，并打上对应的类别标签；步骤3，采用字典学习的方法对训练数据进行训练，得到字典D；步骤4，利用字典D对摄像头采集到的图像进行实时分类，得到图像的类别标签向量，从而获得水位值。本发明只需要安装传统的标杆即可实现，克服了传统水位测量方案中水平面位置难以准确识别的问题，具有较高的稳定性和鲁棒性。
-
公开(公告)号：CN108710886B
公开(公告)日：2022-04-15
申请号：CN201810418937.9
申请日：2018-05-04
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于SIFT算法的重复图像匹配方法，包括：运用SIFT算法提取待匹配图像的匹配点及其位置信息；对匹配特征点进行投影变换；检测投影变换后的匹配点位置信息相似度和投影变换的幅值大小；以匹配点位置信息相似度最大和投影变换的幅值最小为目标，运用最小二乘法求解投影变换参数；计算在此投影变换参数下的匹配点位置信息相似度，通过与阈值的比较判断图像匹配情况。本发明结合SIFT算法提取匹配特征点，通过投影变换的引入消除了拍摄角度的细微变化对结果的影响，运用最小二乘方法找到使得匹配点位置信息相似度最大和投影变换的幅值最小的参数，对重复图像检测具有重要的意义。
-
公开(公告)号：CN108684043B
公开(公告)日：2021-09-28
申请号：CN201810461226.X
申请日：2018-05-15
Applicant: 南京邮电大学
IPC: H04W12/122 , H04W12/67
Abstract: 本发明公开了一种基于最小风险的深度神经网络的异常用户检测方法，首先对异常用户的数据进行预处理，得到异常用户和正常用户数据量一致的数据；其次利用Mini‑batch梯度下降方法对深度神经网络进行训练并结合NOMA通信系统中不同异常用户的危害程度高低，构建基于最小风险的决策表；最后将决策表设定的不同决策对应的损失函数引入深度神经网络，构建基于最小风险的神经网络异常用户检测方法。本发明通过深度神经网络对高维数据强大的表示和分析能力，解决基于大数据的NOMA系统异常用户检测问题、将最小风险代价引入到深度神经网络训练中，解决了NOMA系统中各类异常用户的危害程度的差异性问题，有望为异常用户检测提供新的思路和理论创新。
-
公开(公告)号：CN108737057B
公开(公告)日：2021-09-17
申请号：CN201810391479.4
申请日：2018-04-27
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于深度学习的多载波认知非正交多址接入技术（Non‑Orthogonal Multiple Access,NOMA）资源分配方法，包括以下步骤：（1）多载波认知NOMA系统的场景模型建立；（2）用户调度和资源分配策略的数学描述；（3）基于联合分配的深度神经网络和深度学习算法设计。本发明在建立基于多载波认知NOMA的下行系统后，创新地提出符合该场景的频谱共享策略，并合理建立优化目标和约束条件的数学表达式，实现了基于深度学习的多载波认知NOMA用户调度和资源分配策略，满足了用户多方面传输需求的同时，更好地实现了多载波认知NOMA下行系统的低功耗资源分配。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.033 seconds)
