-
公开(公告)号：CN119865823A
公开(公告)日：2025-04-22
申请号：CN202411973816.2
申请日：2024-12-30
Applicant: 同济大学
IPC: H04W16/14 , H04W72/542 , H04W72/0453 , H04W72/0457
Abstract: 本发明属于基于压缩频谱感知的认知无线电技术领域，具体涉及一种基于确定性评估模型的自适应压缩频谱感知方法。首先，在自适应压缩频谱感知的每个感知区间，提出了一种新的信号重构算法，该算法将先验知识融入到块稀疏信号的l2，1范数最小化中。其次，推导出了重构信号误差的CDF，并将其作为观测样本采集的停止准则。最后，利用能量检测法处理当前重构的频谱信号，得到对应的频谱使用状态。该方法在提高频谱感知精度的同时，为感知结果提供了确定性保障。
-
公开(公告)号：CN119907023A
公开(公告)日：2025-04-29
申请号：CN202510084714.3
申请日：2025-01-20
Applicant: 同济大学
IPC: H04W24/02 , H04W4/02 , H04W4/42 , H04B17/373 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/0475
Abstract: 本发明属于通信技术、神经网络领域，提供了一种基于位置信息编码和周期非线性神经网络的车地无线信道预测方法，适用于车地无线通信系统的优化。其具体步骤如下：S1：采集列车的位置信息及无线信道实例，对采集到的信道实例进行位置编码，将信道实例映射到高维的傅里叶特征空间；S2：整合周期非线性神经网络，构建生成式深度神经网络，基于位置信息编码和周期非线性神经网络对信道实例进行学习和建模；S3：应用训练好的模型进行实时信道预测，支持无线通信系统的动态优化。本发明提高了车地无线信道预测的精度和效率，具有显著的技术优势。
-
公开(公告)号：CN119398835A
公开(公告)日：2025-02-07
申请号：CN202411454916.4
申请日：2024-10-17
Applicant: 同济大学
IPC: G06Q30/0202 , G06Q10/30 , G06N3/08 , G06N3/0442
Abstract: 本发明涉及一种家电销售回收量闭环双网融合预测方法，包括以下步骤：S1：基于家电产品销售量和回收量之间的计量经济关系，构建闭环的销售回收融合预测网络；S2：基于家电产品的历史社会保有量，采用深度学习模型预测家电产品未来的社会保有量；S3：基于家电产品的历史销售量和历史回收量，采用斯坦福估计模型预测家电产品未来的回收量；S4：基于家电产品的历史社会保有量、预测的社会保有量和预测的回收量，采用卡内基梅隆模型预测家电产品未来的销售量。本发明提出的方法可以提高家电产品销售回收量的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN118096213A
公开(公告)日：2024-05-28
申请号：CN202410210507.3
申请日：2024-02-26
Applicant: 同济大学
IPC: G06Q30/0201 , G06Q10/30 , G06F18/2431 , G06N20/20
Abstract: 本发明涉及废旧家电回收技术领域，尤其涉及一种基于在线迁移成分分析的废旧家电回收成本评估系统。其特征在于，包括：输入层、在线TCA与随机森林训练层、预测层和分析层；所述输入层完成：对不同种类的家电进行分集；所述在线TCA与随机森林训练层包括在线TCA模块和随机森林训练模块；所述预测层用于进行在线迁移成本评估；利用在线TCA与随机森林训练层获得的随机森林模型处理映射后的目标域数据，得到的目标域数据回收成本结果；所述分析层结合ESG方法提供源域到目标域之间各类成本的占比分析，给出各类对比图形。本发明利用在线迁移技术，能够根据不同家电、地域、时间和条件实时优化回收系统，最大化资源利用，降低运营成本。
-
公开(公告)号：CN117808522A
公开(公告)日：2024-04-02
申请号：CN202410021576.X
申请日：2024-01-06
Applicant: 同济大学
IPC: G06Q30/0202 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/096 , G06F18/213 , G06F18/211 , G06F18/21 , G06F123/02
Abstract: 一种基于信息交互和模型迁徙的家电产品双网融合方法，使用基于CNN‑LSTM结构与Attention机制结合的迁移学习网络，CNN‑LSTM结构用于对源域与目标域的特征进行提取，Attention机制用于优化提取到的特征以改善最终预测效果，迁移学习机制将源域特征与目标域特征的距离加入到自定义损失函数中，实现销售回收量的预测。本发明可以提高家电销售回收量预测的准确度，有助于制造商、销售商更好地规划生产和库存管理，以满足市场需求，优化资源配置，降低成本，提高客户满意度，从而增强企业竞争力，通过销售回收信息的高效交互实现家电回收再利用网络与销售服务网络相互融合。本发明还可应用于其他领域的销售回收量预测。
-
公开(公告)号：CN115021844A
公开(公告)日：2022-09-06
申请号：CN202210601718.0
申请日：2022-05-30
Applicant: 同济大学
IPC: H04B17/382 , H04W16/22
Abstract: 本发明涉及一种基于低秩矩阵恢复和时间相关性的连续宽带压缩感知方法，包括以下步骤：在t‑1时刻，通过并行压缩采样的方式对频域信号进行压缩采样，获取多个压缩观测量，在利用低秩矩阵恢复模型求解出t‑1时刻的频谱矩阵；对t‑1时刻的频谱矩阵进行矩阵奇异值分解，得到优化后的先验知识，将该优化后的先验知识与低秩矩阵恢复模型结合，得到t时刻的频谱矩阵；以封闭解的形式推导出t时刻的频谱矩阵的重构误差的累积分布函数，从而指导压缩观测量的选择；根据频谱矩阵求解出t时刻的频谱信号，进而对频谱信号进行判决得到二进制频谱状态。与现有技术相比，本发明能够有效地减小了采样成本和恢复算法的计算量。
-
公开(公告)号：CN118764114A
公开(公告)日：2024-10-11
申请号：CN202410795814.2
申请日：2024-06-19
Applicant: 同济大学
IPC: H04B17/382 , H04B17/391 , H04W74/0816 , G06N3/0442 , G06N3/092
Abstract: 本发明中提出了一种基于LSTM和Q‑Learning融合的快速收敛动态频谱接入方法，该方法首先采用长短时记忆网络(LSTM)构建认知用户的在线学习模型，根据信道接入的实时ACK消息反馈，将其作为模型输入，得到所有可接入信道的预测占用概率，其次将在线学习模型学到的信道占用预测概率和Q‑Learning强化学习算法的状态动作Q值表相结合，得到新的Q值策略矩阵，认知用户根据该联合策略矩阵进行动态频谱接入，经多次接入迭代后，得到每一种频谱状态条件下的最优频谱接入策略，达到快速收敛到系统最优性能的目的。
-
公开(公告)号：CN115021844B
公开(公告)日：2023-07-04
申请号：CN202210601718.0
申请日：2022-05-30
Applicant: 同济大学
IPC: H04B17/382 , H04W16/22
Abstract: 本发明涉及一种基于低秩矩阵恢复和时间相关性的连续宽带压缩感知方法，包括以下步骤：在t‑1时刻，通过并行压缩采样的方式对频域信号进行压缩采样，获取多个压缩观测量，在利用低秩矩阵恢复模型求解出t‑1时刻的频谱矩阵；对t‑1时刻的频谱矩阵进行矩阵奇异值分解，得到优化后的先验知识，将该优化后的先验知识与低秩矩阵恢复模型结合，得到t时刻的频谱矩阵；以封闭解的形式推导出t时刻的频谱矩阵的重构误差的累积分布函数，从而指导压缩观测量的选择；根据频谱矩阵求解出t时刻的频谱信号，进而对频谱信号进行判决得到二进制频谱状态。与现有技术相比，本发明能够有效地减小了采样成本和恢复算法的计算量。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.024 seconds)
