-
公开(公告)号：CN118839750A
公开(公告)日：2024-10-25
申请号：CN202410738719.9
申请日：2024-06-07
Applicant: 北京邮电大学
IPC: G06N3/098 , G06N3/0455 , G06N3/088 , G06F18/23
Abstract: 本申请提供一种基于数据表征优化的聚类联邦学习方法及相关设备，包括：所述服务器确定全局模型和至少两个所述参与方，对所述全局模型进行初始化，并将初始化后的所述全局模型下发至所述参与方；任一所述参与方接收所述全局模型，根据本地数据集对所述全局模型进行训练，确定局部模型和表征信息，并将所述局部模型和所述表征信息发送至所述服务器；所述服务器根据所述表征信息进行聚类，确定聚类簇和聚类簇标识，根据所述聚类簇标识进行联邦学习。本申请通过获取参与方表征信息，根据表征信息进行聚类和联邦学习，不仅可以减少传输的数据量，还能够更加有效地利用参与方的数据表征信息，提高联邦学习的效率和准确性。
-
公开(公告)号：CN118425940A
公开(公告)日：2024-08-02
申请号：CN202410593729.8
申请日：2024-05-14
Applicant: 北京邮电大学
Abstract: 本发明提供一种多点协同被动感知方法、装置、接收节点及介质，涉及协同感知技术领域。所述多点协同被动感知方法包括：接收多个发射节点发送的感知信号，包括经过目标反射的NLoS径信号和未经过目标反射的LoS径信号；根据感知信号，获取每个发射节点的经过通信信息剥离后的NLoS径信号和LoS径信号；对经过通信信息剥离后的NLoS径信号和LoS径信号进行互相关处理，获得每个发射节点的互相关结果；根据每个发射节点的互相关结果，获取每个发射节点对应的目标的距离特征向量和速度特征向量；根据每个发射节点对应的目标的距离特征向量和速度特征向量，获取目标的位置感知结果和速度感知结果。本发明的方案，能够提高目标感知精度。
-
公开(公告)号：CN118283695A
公开(公告)日：2024-07-02
申请号：CN202410400246.1
申请日：2024-04-03
Applicant: 北京邮电大学
Abstract: 一种终端测量方法、装置、网络设备及存储介质，该方法包括：接收目标终端发送的参考信号；根据所述参考信号确定所述目标终端的速度，和/或，与所述目标终端的距离；其中，所述参考信号包括：第一参考信号和/或第二参考信号；所述第一参考信号包括：解调参考信号以及定位参考信号，所述第二参考信号包括：解调参考信号、定位参考信号以及信道状态信息参考信号。本申请实施例的终端测量方法，通过联合多种参考信号作为通信感知一体化信号，提高了感知精度，解决了现有技术中采用单一的参考信号用于雷达感知，感知性能受限且会影响通信性能的问题。
-
公开(公告)号：CN118264356A
公开(公告)日：2024-06-28
申请号：CN202410526177.9
申请日：2024-04-29
Applicant: 北京邮电大学
IPC: H04K3/00
Abstract: 本申请提供了干扰波形的生成方法、装置、干扰系统、设备及存储介质，其中，方法包括：获取目标信号的采样数据集；根据采样数据集的时域特征得到时域数据集，对采样数据集中的样本进行快速傅里叶变换，得到频域数据集；根据时域数据集和频域数据集，对时频域联合训练模型进行联合训练，得到与目标信号对应的目标生成器，时频域联合训练模型包括：生成器、时域判别器和频域判别器；向目标生成器输入符合高斯分布的随机变量，生成与目标信号对应的目标干扰波形。基于深度卷积生成对抗网络的时频域联合训练模型，通过频域判别器和时域判别器与生成器进行对抗学习，能够充分地提取数据的频域特征，进而在无需先验信息的条件下，生成更有效的干扰波形。
-
公开(公告)号：CN118211140A
公开(公告)日：2024-06-18
申请号：CN202410366585.2
申请日：2024-03-28
Applicant: 北京邮电大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/09 , G06N3/096 , G06N3/048
Abstract: 本发明提供了一种数据处理方法、装置、设备、可读存储介质及程序产品，其中，数据处理方法，包括：获取用于信号识别的教师模型与待训练的学生模型之间的散度损失函数和交叉熵损失函数，以及学生模型自身的学生模型损失函数；教师模型输出的第一预测分类概率是利用温度参数T进行分类概率平滑程度处理后得到的；根据散度损失函数、交叉熵损失函数、学生模型损失函数和温度参数T，训练学生模型。本方案能够支持利用三个维度的损失来对学生模型进行训练，以提高训练精度和学生模型网络性能，且可保证在不增加学生模型复杂度的情况下使得学生模型具备更高的识别准确率，解决现有技术中信号识别模型训练方案存在训练精度低、会增加模型复杂度的问题。
-
Patent Agency Ranking
公开(公告)号：CN118152674A
公开(公告)日：2024-06-07
申请号：CN202211566887.1
申请日：2022-12-07
Applicant: 北京邮电大学
IPC: G06F16/9537
Abstract: 本公开提供了一种元宇宙中对象位置的确定方法、装置、设备以及存储介质，该方法包括：从元宇宙中确定出在第一对象的视距范围之外的第二对象；从元宇宙中确定出第一对象和第二对象共同对应的中继对象，其中，中继对象在第一对象的视距范围之内、且在第二对象的视距范围之内；确定中继对象对应的第一位置信息；向中继对象发送位置信息请求，接收中继对象针对位置信息请求返回的第二位置信息；基于第一位置信息和第二位置信息，确定第二对象相对于第一对象的位置信息。上述方法可以使元宇宙中在彼此的视距范围之外的两个对象能够及时准确地获知对方的位置信息。
-
公开(公告)号：CN118118033A
公开(公告)日：2024-05-31
申请号：CN202410090179.8
申请日：2024-01-22
Applicant: 北京邮电大学
Abstract: 本公开提供了一种基于语义信源的算术编译码方法及相关设备，包括：获取语义信源的预设编码区间及待编码语法符号序列，其中所述待编码语法符号序列中包含至少一个语法符号；针对每个语法符号，确定与每个语法符号对应的预先构建的目标同义子集；利用算术编码算法及所述预设编码区间，对每个语法符号对应的目标同义子集进行编码处理，得到待编码语法符号序列对应的编码结果序列；获取所述待编码语法符号序列的序列长度，将所述序列长度及所述编码结果序列发送至译码器，以供译码器基于所述序列长度对所述编码结果序列进行译码处理，得到重建语法符号序列。本公开实现了在保证信源压缩的编码效率的同时，实现了信源数据的语义信息无失真传输。
-
公开(公告)号：CN115277073B
公开(公告)日：2024-02-06
申请号：CN202210700113.7
申请日：2022-06-20
Applicant: 北京邮电大学
IPC: H04L9/40 , H04W12/122 , G06N3/08
Abstract: 本申请公开了一种信道传输的方法、装置、电子设备及介质。本申请中，可以获取预训练完毕的目标深度学习模型，目标深度学习模型为通过至少一个攻击网络模型进行训练而得到的模型；将预训练完毕的目标深度学习模型部署到DECS中；利用部署有目标深度学习模型的DECS进行信号的信道传输。通过应用本申请的技术方案，可以通过在DECS通信系统中部署一个通过多个攻击网络模型进行训练而得到的深度学习模型。并基于该系统实现对带有干扰信号的传输内容进行信号解析。从而避免相关技术中存在的，DECS系统无法抵抗恶意用户对传输信号的语义内容进行攻击所导致的通信系统存在安全隐患的问题。
-
公开(公告)号：CN117500049A
公开(公告)日：2024-02-02
申请号：CN202311368068.0
申请日：2023-10-20
Applicant: 北京邮电大学
IPC: H04W72/044 , H04W4/40 , H04W4/44 , H04W40/32
Abstract: 本申请提供一种波束资源分配方法、装置、网络设备及可读存储介质。该方法包括：确定车辆所属的车联网场景；所述车联网场景包括少车辆场景和多车辆场景；其中，基站所支持波束满足一对一车辆服务的场景为所述少车辆场景；所述基站所支持波束不满足一对一车辆服务的场景为所述多车辆场景；根据所述车联网场景，对所述车辆进行波束资源分配。本申请的方案，可根据少车辆场景和多车辆场景，灵活对车辆进行波束资源分配，可避免传统单一网络架构下难以满足用户的差异性业务需求的问题，也可以解决用户数目较少由于波束功率泄露带来的波束间干扰问题，也可以保证用户数目较多时，保证多用户服务的有效性。
-
公开(公告)号：CN117439688A
公开(公告)日：2024-01-23
申请号：CN202311585634.3
申请日：2023-11-24
Applicant: 北京邮电大学
IPC: H04B17/391 , H04B17/318 , H04B7/22 , H04B7/0413
Abstract: 本公开涉及一种立体交通通信信道的建模方法、装置、电子设备以及介质，其方法包括：构建立体交通通信场景的MIMO信道模型，并确定MIMO信道模型的信道模型参数；其中，信道模型参数包括以下至少之一：发射端和接收端的位置信息、空中智能反射面AIRS的反射单元信息、AIRS的位置信息和散射体的位置信息；基于信道模型参数确定发射端和AIRS之间的第一子信道的信道矩阵，并确定AIRS和接收端之间的第二子信道的信道矩阵；基于第一子信道的信道矩阵和第二子信道的信道矩阵，确定MIMO信道模型的信道矩阵。本公开可以实现对立体交通通信信道的建模，并且计算出立体交通通信信道模型的信道矩阵，从而对立体交通通信进行分析和优化改进。
-
-
-
-
-
-
-
-
-
Search Results
891
records
(took 0.079 seconds)
