-
公开(公告)号：CN109861864A
公开(公告)日：2019-06-07
申请号：CN201910110083.2
申请日：2019-02-11
Applicant: 华侨大学
Abstract: 本发明涉及一种基于LSTM网络的MAC协议识别方法，包括：离线训练阶段：S1、获取已知信号s(t)；S2、计算信号s(t)对应的功率Ps(t)；S3、生成Ns×1观测向量；S4、生成打有标签的训练数据集；S5、训练LSTM网络模型；在线识别阶段：S6、接收未知信号x(t)；S7、计算信号x(t)对应的功率Px(t)；S8、生成Ns×1观测向量；S9、将未知信号的观测向量送入训练好的LSTM网络模型，得到识别结果。本发明方法，引入深度学习思想，利用LSTM网络充分考虑接收信号的时域相关性，能够在较少人工干预的条件下达到更高的识别精度。
-
公开(公告)号：CN111079898B
公开(公告)日：2023-04-07
申请号：CN201911191857.5
申请日：2019-11-28
Applicant: 华侨大学
IPC: G06N3/0464 , G06N3/08 , G06F16/35
Abstract: 本发明涉及一种基于TextCNN网络的信道编码识别方法，引入了深度学习的技术思路，利用TextCNN网络的文本分类能力，利用深度学习中的TextCNN网络自动提取信道编码方案的特征，在人工干预较少的情况下，能够实时识别接收信息序列的编码方式，避免人工提取特征的偶然性，并且减小了计算复杂度，提高了信道编码识别的精度。本发明的实施，可用于解决认知无线电环境中的信道编码识别问题。
-
公开(公告)号：CN110213762B
公开(公告)日：2022-07-01
申请号：CN201910456465.0
申请日：2019-05-29
Applicant: 华侨大学
Abstract: 本发明公开了一种基于机会式无线能量采集非可信中继网络安全传输方法，应用在非可信中继网络安全传输系统，所述系统包括一个信源节点S、一个能量受限中继节点R、一个友好型干扰节点FJ，以及K个目的节点Dk(k∈{1,...,K})；系统中所有的节点都配置单根天线，且工作在半双工模式；信源节点到目的节点的信息传输过程在一个时隙T内完成。本发明方法中在协作中继上采用TPSR协议可提高能量采集效率，此外，采用一个外部干扰节点发送人工噪声进行协同干扰和采用机会调度(opportunistic scheduling，OS)策略从多用户分集网络中选择第Nth个最佳的目的节点作为信息接收节点，可以很好评价系统网络的安全传输性能。
-
公开(公告)号：CN110278019B
公开(公告)日：2022-06-07
申请号：CN201910456453.8
申请日：2019-05-29
Applicant: 华侨大学
IPC: H04B7/08 , H04B7/06 , H04B17/345 , H04B17/40
Abstract: 本发明公开了一种基于自干扰最小化准则的全双工能量采集中继传输方法，包括：获取目的端接收的信息和对应的第一信噪比；选择中继的接收天线和发送天线；获取第一时隙αT内，中继收到的信号；获取在第二时隙(1‑α)T内，当源信息通过中继传输时，中继收到的信号；获取在第二时隙(1‑α)T内，当源信息通过中继传输时，目的端接收的信息及对应的第二信噪比；目的端采用最大比合并技术，合并来自中继和源的信息后，对所述第一信噪比和所述第二信噪比求和获得目的端的接收信噪比；基于目的端的接收信噪比，获取所述系统的瞬时安全容量及系统吞吐量。本发明的同时同频全双工技术能够将无线资源的使用效率提升近一倍，从而显著提高系统吞吐量和容量。
-
公开(公告)号：CN109861864B
公开(公告)日：2022-02-22
申请号：CN201910110083.2
申请日：2019-02-11
Applicant: 华侨大学
IPC: H04L41/14 , H04L41/0823 , H04L41/08 , H04L69/22
Abstract: 本发明涉及一种基于LSTM网络的MAC协议识别方法，包括：离线训练阶段：S1、获取MAC协议类型已知的主用户信号s(t)；S2、计算信号s(t)对应的功率Ps(t)；S3、生成Ns×1观测向量；S4、生成打有标签的训练数据集；S5、训练LSTM网络模型；在线识别阶段：S6、接收MAC协议类型未知的主用户信号x(t)；S7、计算信号x(t)对应的功率Px(t)；S8、生成Ns×1观测向量；S9、将MAC协议类型未知的主用户信号的观测向量送入训练好的LSTM网络模型，得到识别结果。本发明方法，引入深度学习思想，利用LSTM网络充分考虑接收信号的时域相关性，能够在较少人工干预的条件下达到更高的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN111079347A
公开(公告)日：2020-04-28
申请号：CN201911371132.4
申请日：2019-12-26
Applicant: 华侨大学
Abstract: 本发明公开了一种利用星座图的基于深度学习的信噪比估计方法，方案为：a)生成[m，n]范围内的N个已知信噪比的数字信号，对其进行预处理，得到对应的N张星座图，进而对其进行数据标定以及数据集的划分，将数据喂给预先配置好的深度神经网络进行训练，得到深度神经网络模型M；b)对于接收到的第k个观测信号yk，同样进行预处理s后得到相同尺寸的星座图，将其喂给深度神经网络模型M，进行模型测试，得到接收信号的信噪比估计值 该方法充分利用星座图能完整且清晰地反映数字调制信号的信噪比信息这一特点，以星座图作为信号的表征形式，巧妙地将传统的信噪比估计问题转换成一个图像识别问题，进而利用深度学习技术，通过模型训练和在线估计这两个阶段对实际应用场景中接收信号的信噪比进行比较精确地估计。并且，该方法克服了传统信噪比估计方法存在的不足，有效解决了低信噪比场景下信噪比估计误差大的问题。
-
公开(公告)号：CN110213807A
公开(公告)日：2019-09-06
申请号：CN201910456910.3
申请日：2019-05-29
Applicant: 华侨大学
Abstract: 本发明公开了一种能量受限非可信中继网络的安全速率最优方法，应用在非可信中继网络系统，所述系统包括一个信源节点S、一个能量受限中继节点R、一个友好型干扰节点FJ，以及一个目的节点D；系统中所有的节点都配置单根天线，且工作在半双工模式；信源节点到目的节点的信息传输过程在一个时隙T内完成。本发明方法既考虑了能量受限中继的能量采集，又考虑了非可信中继的物理层安全问题，同时给出了一种基于交替优化思想的联合优化方法，可使得系统的可达安全速率最大化。
-
公开(公告)号：CN103607260B
公开(公告)日：2017-04-12
申请号：CN201310578706.1
申请日：2013-11-15
Applicant: 华侨大学
IPC: H04L1/00 , H04L1/06 , H04B7/04 , H04B7/0456
Abstract: 本发明提出了一种基于MIMO系统总干扰泄漏最小的预编码矩阵组的选择算法。首先遍历系统中所有的变换矩阵，对变换矩阵进行特征值分解，根据最大自由度准则选出一半的特征向量作为一个发射机的预编码矩阵，求得其他发射机的预编码矩阵，计算系统的总干扰泄漏，选出使系统总干扰泄漏最小的预编码组所对应的变换矩阵为需要选择的最优变换矩阵，选出的最优变换矩阵做特征值分解，根据协作干扰对齐算法求出发射机所有的预编码矩阵，最后求出接收端干扰抑制矩阵。本发明选择算法的和速率性能优于现有的经典干扰对齐算法和协作干扰对齐算法，在统计信道状态信息下有更强的适应性。
-
公开(公告)号：CN106027175A
公开(公告)日：2016-10-12
申请号：CN201610268137.4
申请日：2016-04-27
Applicant: 华侨大学
IPC: H04B17/318 , H04B17/382
CPC classification number: H04B17/318 , H04B17/382
Abstract: 本发明公开了一种基于时域延续性的主用户检测方法，根据主用户状态在若干个时隙内保持不变的性质，利用已完成的若干个时隙检测的检测结果来协助完成当前检测；采用基于时域延续性的贝叶斯能量检测算法获得当前检测的判决门限；将观测能量与所述判决门限进行比较判断出主用户信号是否存在。本发明技术方案减小了贝叶斯代价，提高了当前检测的检测精度，检测精度优于普通的贝叶斯能量检测算法，并且最多可以减少三分之一的检测错误。
-
公开(公告)号：CN103607260A
公开(公告)日：2014-02-26
申请号：CN201310578706.1
申请日：2013-11-15
Applicant: 华侨大学
Abstract: 本发明提出了一种基于MIMO系统总干扰泄漏最小的预编码矩阵组的选择算法。首先遍历系统中所有的变换矩阵，对变换矩阵进行特征值分解，根据最大自由度准则选出一半的特征向量作为一个发射机的预编码矩阵，求得其他发射机的预编码矩阵，计算系统的总干扰泄漏，选出使系统总干扰泄漏最小的预编码组所对应的变换矩阵为需要选择的最优变换矩阵，选出的最优变换矩阵做特征值分解，根据协作干扰对齐算法求出发射机所有的预编码矩阵，最后求出接收端干扰抑制矩阵。本发明选择算法的和速率性能优于现有的经典干扰对齐算法和协作干扰对齐算法，在统计信道状态信息下有更强的适应性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.031 seconds)
