“郑斯辉”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]一种高动态载波组合环路跟踪方法及系统-CN202011464036.7有效
发明人：陈翔;陈艳清;郑斯辉;邱继云 -专利权人：中山大学
申请日： 2020-12-14 - 公布日： 2023-07-07 - 主分类号： G01S19/29 文献下载
摘要：本发明公开了一种高动态载波组合环路跟踪方法及系统，该方法包括：获取中频信号；将中频信号与数控震荡器生成信号相乘进行相关调解，得到同相支路和正交支路；对同相支路和正交支路分别进行相干积分，得到增强信号；基于鉴频器和鉴相器分别对增强信号进行处理，得到鉴频信号和鉴相信号；将鉴频信号和鉴相信号经过环路滤波器后相乘进行权值调整；环路滤波器输出指导压控振荡器输出本地载波跟踪信号载波；跳转至相关调解步骤。该系统包括：信号接收模块、相关调解模块、增强模块、鉴频鉴相模块、滤波模块、跟踪模块和循环模块。本发明能够实现更好的跟踪性能。本发明作为一种高动态载波组合环路跟踪方法及系统，可广泛应用于卫星通信领域。
一种动态载波组合环路跟踪方法系统

[发明专利]联邦学习模型参数传输方法及系统-CN202111404353.4有效
发明人：陈翔;梁建华;郑斯辉;罗学维;彭福洲;黄艳;蒋宇翔;钟诚 -专利权人：超讯通信股份有限公司;中山大学
申请日： 2021-11-24 - 公布日： 2023-05-23 - 主分类号： H04L1/00 文献下载
摘要：本申请公开了一种联邦学习模型参数传输方法及系统，用以解决有噪信道下联邦学习模型参数传输精度低的技术问题。其中，一种联邦学习模型参数传输方法，包括以下步骤：获取模型参数；对所述模型参数中各参数进行量化，生成比特流；对所述比特流进行划分，生成若干比特子流；对所述若干比特子流进行信道编码，生成若干保护子流。通过对联邦学习训练过程中模型的传输环节进行细化，结合了多速率信道编码和分层调制，对不同位置的量化比特进行了不同程度的保护，有效提高了同等信噪比情况下模型收敛的速度和准确率。
联邦学习模型参数传输方法系统

[发明专利]一种基于深度强化学习的联邦学习模型参数量化方法-CN202211657889.1在审
发明人：董宇涵;郑斯辉;陈翔;李志德 -专利权人：清华大学深圳国际研究生院;深圳清华大学研究院
申请日： 2022-12-22 - 公布日： 2023-04-18 - 主分类号： G06N3/04 文献下载
摘要：一种基于深度强化学习的联邦学习模型参数量化方法，包括如下步骤：S1、获取当前的全局模型参数；S2、统计当前的全局模型参数的M个百分位点作为深度强化学习智能体观测到的环境状态；S3、根据智能体输出的动作，按照给定规则构建L个量化阶点，作为量化操作的映射集；S4、量化传输：进行X个回合的模型量化和传输，每一回合的量化均采用上一步骤的量化映射集，并统计该X个回合的量化误差和训练误差，计算其均值并根据奖励函数得到奖励值，输入到智能体作为反馈；S5、智能体持续记录每次的状态、动作和奖励情况，当记录的数量达到给定阈值时更新智能体的网络模型。本方法具有较小的量化误差和较高的测试准确率。
一种基于深度强化学习联邦模型参数量化方法

[发明专利]基于LSTM和A2C的网络切片资源分配方法及系统-CN202211112978.8在审
发明人：陈翔;王菲菲;董宇涵;郑斯辉;王兰 -专利权人：深圳清华大学研究院
申请日： 2022-09-14 - 公布日： 2022-12-30 - 主分类号： H04L41/0893 文献下载
摘要：本发明公开了基于LSTM和A2C的网络切片资源分配方法及系统，该方法包括：构建基于LSTM的神经网络；采集用户实际通信过程中的切片业务请求数据；基于A2C算法，将切片业务请求数据输入至神经网络进行迭代训练，输出带宽分配策略。通过使用本发明，能够在基站统计与收集网络切片业务请求数据具有滞后性的情况下提高系统频谱效率和系统利用率。本发明作为基于LSTM和A2C的网络切片资源分配方法及系统，可广泛应用于无线通信技术领域。
基于 lstm a2c 网络切片资源分配方法系统

[发明专利]基于主动缓存MEC的通信资源分配与任务卸载方法-CN202211026638.3在审
发明人：陈翔;肖建雄;董宇涵;郑斯辉;刘静 -专利权人：深圳清华大学研究院
申请日： 2022-08-25 - 公布日： 2022-12-02 - 主分类号： H04L67/60 文献下载
摘要：本发明公开了基于主动缓存MEC的通信资源分配与任务卸载方法，该方法包括：获取终端设备的任务参数；根据任务参数计算任务的缓存时延收益；边缘计算服务器根据任务的缓存时延收益对任务进行主动缓存；计算被缓存的任务卸载时延收益；根据任务卸载时延收益将任务分别传输至宏基站与小基站并计算对应的总时延；直至总时延不再降低，输出任务卸载决策与通信带宽资源分配方案。通过使用本发明，能够在考虑任务流行度与大小的同时通过选择合适的卸载路径和合理的通信资源分配，降低了任务卸载的时延。本发明作为基于主动缓存MEC的通信资源分配与任务卸载方法，可广泛应用于无线通信资源分配技术领域。
基于主动缓存 mec 通信资源分配任务卸载方法

[发明专利]一种面向色噪声环境的深度学习迭代接收方法及系统-CN202110380621.7在审
发明人：陈翔;高时汉;李森林;胡俊祥;郑斯辉;陈志浩 -专利权人：中山大学;广州海格通信集团股份有限公司
申请日： 2021-04-09 - 公布日： 2021-07-13 - 主分类号： H04L1/00 文献下载
摘要：本发明公开了一种面向色噪声环境的深度学习迭代接收方法及系统，该方法包括：将接收符号经过BP译码器处理，得到传输符号估计值；从接收符号中减去传输符号估计值，得到噪声的估计值；将噪声估计值作为CNN的输入，经过训练后得到更准确的噪声估计值；将更准确的噪声估计值反馈至BP译码器，从接收符号减去估计噪声得到下一次迭代过程中BP译码器的输入信号以及残差噪声；构建具有非高斯噪声分布特性优化的损失函数，当损失函数收敛时CNN结束，BP译码器完成后续的译码工作。通过使用本发明，能够得到更准确的相关噪声估计，降低信道噪声对BP译码器的影响。本发明作为一种面向色噪声环境的深度学习迭代接收方法及系统，可广泛应用于无线通信领域。
一种面向噪声环境深度学习接收方法系统