公开(公告)号：CN117590326B

公开(公告)日：2025-05-16

申请号：CN202311456520.9

申请日：2023-11-03

Applicant: 宁波大学

Inventor： 田野 ,  任佳基 ,  段晨康 ,  王烁同

IPC: G01S5/08 ,  G06N3/0464

Abstract: 本发明涉及一种Toeplitz和稀疏先验下基于深度神经网络的车辆定位方法，其包括：利用呈直角三角形布置的三个协作基站中的大规模均匀线阵接收车辆定位信号，确定各协作基站天线阵列下的到达角(DOA)估计信号形式；计算各协作基站天线阵列接收数据的协方差矩阵，并依次通过线性收缩估计和稀疏向量表示后，利用深度卷积网络获得DOA估计；基于获得的三协作基站的DOA估计结果，基于预判平均准则和交叉定位原理完成车辆的可靠定位。和已有的技术方案相比，本发明方法不仅计算复杂度低，而且对空间间距很近的车辆具有明显改进的分辨率和车辆定位精度。

公开(公告)号：CN118296425A

公开(公告)日：2024-07-05

申请号：CN202410276958.7

申请日：2024-03-12

Applicant: 宁波大学

Inventor： 田野 ,  段晨康 ,  徐鹤

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/0475 ,  G06N3/0895 ,  G06N3/048 ,  G06F17/16

Abstract: 本发明涉及一种应用半监督生成对抗网络的小样本信源数检测方法，包括基于阵列天线输出数据计算样本采样协方差矩阵及其特征值；根据得到的特征值，计算出相应的线性收缩系数，并对其进行预处理；利用产生预处理后的线性收缩系数对半监督生成对抗网络进行训练，然后利用训练后神经网络对信源数进行预测。与传统的基于特征值的分类相比，本发明方法利用线性收缩系数作为网络的输入特征以产生更明显的分类特征，从而在标签和样本数量较少、信噪比较低的情况下可取得良好的分类性能；同时，采用半监督学习与生成对抗网络结合，以对抗的方式修正分类器在少量标签数据下能够达到接近全监督学习的性能。

公开(公告)号：CN117590326A

公开(公告)日：2024-02-23

申请号：CN202311456520.9

申请日：2023-11-03

Applicant: 宁波大学

Inventor： 田野 ,  任佳基 ,  段晨康 ,  王烁同

IPC: G01S5/08 ,  G06N3/0464

Abstract: 本发明涉及一种Toeplitz和稀疏先验下基于深度神经网络的车辆定位方法，其包括：利用呈直角三角形布置的三个协作基站中的大规模均匀线阵接收车辆定位信号，确定各协作基站天线阵列下的到达角(DOA)估计信号形式；计算各协作基站天线阵列接收数据的协方差矩阵，并依次通过线性收缩估计和稀疏向量表示后，利用深度卷积网络获得DOA估计；基于获得的三协作基站的DOA估计结果，基于预判平均准则和交叉定位原理完成车辆的可靠定位。和已有的技术方案相比，本发明方法不仅计算复杂度低，而且对空间间距很近的车辆具有明显改进的分辨率和车辆定位精度。