-
公开(公告)号：CN116887178A
公开(公告)日：2023-10-13
申请号：CN202310830839.7
申请日：2023-07-07
Applicant: 厦门大学
Abstract: 本发明提出一种智能超表面辅助的无人机抗干扰定位方法，本发明的定位方法通过智能超表面辅助，对干扰机信道和位置信息的动态估计，实现用户位置的实时测量与优化。为了进一步提高定位服务的准确性，无人机根据估计到的干扰机和用户位置信息，动态调整智能超表面的相位部署。这一创新方法可以有效改善干扰机的位置估计精度，从而增强对用户抗干扰定位服务性能。此外，采用了迭代优化的方法，不断更新对用户和干扰机的位置和信道估计，使得定位结果逐渐逼近真实位置。该方法可以克服非视距传输的限制，有效防御干扰机攻击，实现用户的定位和跟踪，并且提高定位服务的性能。
-
公开(公告)号：CN116528185A
公开(公告)日：2023-08-01
申请号：CN202310718896.6
申请日：2023-06-16
Applicant: 厦门大学
IPC: H04W4/38 , H04W4/40 , H04W72/541 , H04W72/0446 , H04W72/0453
Abstract: 面向高精度目标检测的车辆协同感知数据抗干扰传输方法，属于无线通信和车联网领域。针对面向高精度目标检测任务的车辆协同感知数据传输过程，车辆根据周边车辆拓扑网络、感知数据采集时间、估计的无线信道状态和干扰强度等信息，以及协同车辆反馈的感知精度、时延和丢包率，挖掘周边车辆网络拓扑、感知数据采集时间、无线信道状态和干扰强度等信息，采用强化学习算法动态优化车联网通信的时隙选择和功率分配，以高效共享实时的感知数据，降低车联网协同感知数据分享时延和丢包率，进而提升车辆协同目标检测任务的精度。
-
公开(公告)号：CN113364543B
公开(公告)日：2022-03-15
申请号：CN202110620727.X
申请日：2021-06-03
Applicant: 厦门大学
IPC: H04B17/391 , H04B17/345 , H04W16/22 , G06N3/04 , G06N3/08
Abstract: 一种基于联邦强化学习的边缘计算模型训练方法，涉及无线通信和信息安全。1)检测信号覆盖范围内的移动设备数量，构建卷积神经网络，初始化参数；2)将各移动设备的参数组成状态向量输入卷积神经网络中，得选择的移动设备和训练数据量；3)将全局模型参数和选择的数据量发送给移动设备，接收移动设备的本地模型参数，更新全局模型参数；4)根据各移动设备的训练时间、目标识别精度和能量消耗作为奖励值，更新状态向量、存储向量；5)从内存中随机选取存储的向量更新卷积神经网络的权重参数；6)重复2)～5)至移动设备反馈的目标识别精度的平均值大于所需的目标识别精度。提高T秒内目标识别精度，减少训练时间和移动设备能量消耗。
-
公开(公告)号：CN113364543A
公开(公告)日：2021-09-07
申请号：CN202110620727.X
申请日：2021-06-03
Applicant: 厦门大学
IPC: H04B17/391 , H04B17/345 , H04W16/22 , G06N3/04 , G06N3/08
Abstract: 一种基于联邦强化学习的边缘计算模型训练方法，涉及无线通信和信息安全。1)检测信号覆盖范围内的移动设备数量，构建卷积神经网络，初始化参数；2)将各移动设备的参数组成状态向量输入卷积神经网络中，得选择的移动设备和训练数据量；3)将全局模型参数和选择的数据量发送给移动设备，接收移动设备的本地模型参数，更新全局模型参数；4)根据各移动设备的训练时间、目标识别精度和能量消耗作为奖励值，更新状态向量、存储向量；5)从内存中随机选取存储的向量更新卷积神经网络的权重参数；6)重复2)～5)至移动设备反馈的目标识别精度的平均值大于所需的目标识别精度。提高T秒内目标识别精度，减少训练时间和移动设备能量消耗。
-
公开(公告)号：CN112291495A
公开(公告)日：2021-01-29
申请号：CN202011107882.3
申请日：2020-10-16
Applicant: 厦门大学
IPC: H04N7/10 , H04N21/2343
Abstract: 一种基于强化学习的无线视频低时延抗干扰传输方法，涉及无线通信、计算机和信息安全领域。提供利用强化学习算法动态改变视频传输策略，以适应无线信道环境的变化，降低通信的误码率及通信数据时延，保障用户接收到的视频质量的一种基于强化学习的无线视频低时延抗干扰传输方法。网络初始化及参量定义：针对WiFi或其它无线通信系统，无需预知信道模型，对信道进行估计及信号强度监测，通过强化学习算法获取最优的视频传输策略。该方法可适应动态变化的无线环境，降低误码率、通信时延，提高用户接收的视频质量。
-
Patent Agency Ranking
公开(公告)号：CN109688566B
公开(公告)日：2020-07-10
申请号：CN201910036054.6
申请日：2019-01-15
Applicant: 厦门大学
Abstract: 本发明公开了一种车联网中多信道MAC层数据自适应传输方法、介质及系统，包括以下步骤：基于多信道操作的MAC层协议将信道分成控制信道和服务信道；将控制信道的周期分成广播周期和协商周期；在广播周期内，车辆节点获取邻居车辆节点发送的车辆状态信息,并根据车辆状态信息进行自身MAC帧时隙总数自适应调整；协商周期采用竞争式接入机制，以便车辆节点协商服务信道的使用权；根据协商结果确定每个服务信道的帧长度；车联网中的车辆节点在服务信道进行传输高吞吐量需求的业务信息，并在控制信道进行传输安全业务信息以及控制信令消息；从而提高安全消息的传输可靠性，保证服务信道的使用公平性，同时，提高信道利用率，满足服务消息传输的吞吐量需求。
-
公开(公告)号：CN104994569B
公开(公告)日：2019-12-17
申请号：CN201510355173.X
申请日：2015-06-25
Applicant: 厦门大学
Abstract: 基于多用户强化学习的认知无线网络抗敌意干扰方法，涉及无线网络安全。认知源节点通过观察主用户工作状态、自适应干扰机发射功率等状态信息，采用多用户强化学习策略自动选择发射功率。多个认知源节点同时学习，每次发送数据包结束，依据获得的即时回报及下一时刻状态，更新状态、行为和映射关系，并根据反馈信息更换多用户强化学习算法的学习速率，从而提高接收端的信干比，最终获取最优的发射功率。而各个认知源节点间能够帮助转发数据包或者自己发射数据。该方法利用多用户强化学习的机制，通过尝试比较的方法，提高了智能型敌意干扰机的场景下，认知无线网络的通信效率。
-
公开(公告)号：CN110049527A
公开(公告)日：2019-07-23
申请号：CN201910316722.0
申请日：2019-04-19
Applicant: 厦门大学
IPC: H04W40/02 , H04W40/12 , H04L12/721
Abstract: 本发明公开了一种基于软件定义车联网路由的方法及系统，包括：获取各节点周期性发送的节点状态信息，以生成网络带权无向图，并根据节点状态信息更新网络带权无向图，其中，网络带权无向图包括各节点信息、节点间的链路信息以及链路稳定度；获取源节点的通信请求，并根据各节点信息、节点间的链路信息以及通信请求计算源节点到目标节点的最佳路由；下发流表给最佳路由中相应的各个节点，以便以较小的传输时延进行数据传输，且减少流表更新和切换的开销和数据量；从而根据网络带权无向图和节点状态信息为节点规划全局最优路由，优化路由的选择方式；同时，提高所选取的最佳路由的稳定性，减小链路因负荷过大而导致失效的机率。
-
公开(公告)号：CN109688566A
公开(公告)日：2019-04-26
申请号：CN201910036054.6
申请日：2019-01-15
Applicant: 厦门大学
Abstract: 本发明公开了一种车联网中多信道MAC层数据自适应传输方法、介质及系统，包括以下步骤：基于多信道操作的MAC层协议将信道分成控制信道和服务信道；将控制信道的周期分成广播周期和协商周期；在广播周期内，车辆节点获取邻居车辆节点发送的车辆状态信息,并根据车辆状态信息进行自身MAC帧时隙总数自适应调整；协商周期采用竞争式接入机制，以便车辆节点协商服务信道的使用权；根据协商结果确定每个服务信道的帧长度；车联网中的车辆节点在服务信道进行传输高吞吐量需求的业务信息，并在控制信道进行传输安全业务信息以及控制信令消息；从而提高安全消息的传输可靠性，保证服务信道的使用公平性，同时，提高信道利用率，满足服务消息传输的吞吐量需求。
-
公开(公告)号：CN105357759B
公开(公告)日：2019-01-18
申请号：CN201510621055.9
申请日：2015-09-25
Applicant: 厦门大学 , 京信通信系统(广州)有限公司
Abstract: 一种小基站集中配置资源的方法、设备和系统，涉及移动通信领域。通过在小基站通信系统中设置小基站集中管理设备，由小基站集中管理设备预先统计宏用户频谱资源并预留宏用户频谱资源，然后集中管理和分配小基站的频谱资源。可达到与相邻宏基站和谐共存的目标，降低网络干扰，保障网络稳定运行，并保证本地相邻小基站间的和谐共存的技术效果。还提供了一种小基站集中管理设备和一种集中分配资源的小基站通信系统。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.032 seconds)
