“阳庆瑶”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9个，建议您升级VIP下载更多相关专利

[发明专利]基于人工智能的自动售货机货道配置方法-CN202110519111.3在审
发明人： 阳庆瑶;姚蔷 -专利权人：北京映翰通网络技术股份有限公司
申请日： 2021-05-12 - 公布日： 2022-12-02 - 主分类号： G06V20/50 文献下载
摘要：本发明公开了一种基于人工智能的自动售货机货道配置方法，其包括在完成自动售货机货物摆放后获取自动售货机的进行商品展示的货道图像；将货道图像输入目标检测模型以获得商品边界框信息及商品类别信息；根据目标检测模型所得的商品的类别信息对商品进行粗类别鉴别，如果商品属于目标粗类别集合，则截取商品子图像；将商品子图像输入商品SKU分类模型以获得商品子图像所对应的商品SKU的概率值；根据自动售货机的预制货道结构信息对自动售货机进行货道网格定位，从而获得自动售货机的货道ID；根据商品的边界框信息、商品SKU的概率值以及货道ID生成预匹配信息，输入每个货道对应的商品价格以生成货道配置文件。
基于人工智能自动售货机货道配置方法

[发明专利]一种在FDD大规模MIMO系统中基于ELM叠加CSI的反馈方法-CN202010050762.8有效
发明人：卿朝进;蔡斌;杜艳红;阳庆瑶;张岷涛 -专利权人：西华大学
申请日： 2020-01-14 - 公布日： 2022-05-31 - 主分类号： H04B7/06 文献下载
摘要：本发明涉及一种在FDD大规模MIMO系统中基于ELM叠加CSI的反馈方法，属于无线通信技术领域，所述反馈方法包括：用户端读取下行信道状态信息和上行用户序列并进行叠加得到叠加序列后实现发射；基站端利用ELM干扰消除网络恢复得到的接收序列中的下行信道状态信息和上行用户序列。本发明的优点在于与非叠加编码CSI反馈相比，本发明完全避免了上行带宽资源占用；与基于深度学习叠加CSI反馈相比，本发明在保持网络恢复性能相当的情况下，减少参数数量，降低内存占用空间和网络训练时间。
一种 fdd 大规模 mimo 系统基于 elm 叠加 csi 反馈方法

[发明专利]基于深度学习大规模MIMO系统的叠加CSI反馈方法-CN201910135942.3有效
发明人：卿朝进;蔡斌;阳庆瑶;万东琴;张岷涛 -专利权人：西华大学
申请日： 2019-02-25 - 公布日： 2021-12-28 - 主分类号： H04B7/06 文献下载
摘要：本发明公开了基于深度学习大规模MIMO系统的叠加CSI反馈方法，用户端读取一段信道状态信息和一段上行数据；对信道状态信息扩频处理，得到扩频序列，对上行数据进行数字调制，得到上行调制序列；将扩频序列与上行调制序列进行加权叠加，得到叠加序列，用户端发射叠加序列，基站端接收得到接收序列；构建模型HDNet，模型HDNet包括信道状态信息估计模型和上行数据检测模型；初始化模型参数，离线训练模型HDNet，误差收敛后保存模型；在线接收信号，得到在线接收序列，根据在线接收序列，用训练好的模型HDNet恢复出信道状态信息的估计值，检测出上行数据的检测值。本发明的反馈不需要额外的频谱开销，可提高反馈CSI的恢复精度，并减小了系统的处理复杂度。
基于深度学习大规模 mimo 系统叠加 csi 反馈方法

[发明专利]基于深度学习的叠加编码CSI反馈方法-CN201910442100.2有效
发明人：卿朝进;蔡斌;阳庆瑶;万东琴;张岷涛;郭奕 -专利权人：西华大学
申请日： 2019-05-24 - 公布日： 2021-06-04 - 主分类号： H04B7/0417 文献下载
摘要：本发明公开了一种基于深度学习的叠加编码CSI反馈方法，包括：a:用户端：(a1)用户端读取信道状态信息和上行用户序列；(a2)对信道状态信息进行扩频处理，得到扩频序列；(a3)将扩频序列与上行用户序列进行加权叠加，得到叠加序列；(a4)用户端发射叠加序列。b：基站端：(b1)基站接收得到接收序列；(b2)基站利用训练得到的多任务神经网络恢复信道状态信息和上行用户序列。与非叠加编码CSI反馈相比，本发明完全避免了上行带宽资源占有；与叠加编码CSI反馈相比，本发明可提高CSI恢复精度，提高上行用户序列检测性能；同时，本发明还可简化系统架构，降低系统的处理复杂度。
基于深度学习叠加编码 csi 反馈方法

[发明专利]基于信号检测与支撑集辅助的叠加CSI反馈方法-CN201910127230.7有效
发明人：卿朝进;阳庆瑶;蔡斌;万东琴;张岷涛 -专利权人：西华大学
申请日： 2019-02-20 - 公布日： 2020-12-29 - 主分类号： H04B1/69 文献下载
摘要：本发明公开了基于信号检测与支撑集辅助的叠加CSI反馈方法，发送端：将索引序列压缩序列y和稀疏度K构成信息序列X；将信息序列X进行量化、调制以后得调制序列R；将调制序列R进行扩频处理，得扩频序列L；将扩频序列L与数据序列S加权叠加后得到发送序列T发送；接收端：接收端接收到发送信号Y，利用解扩频技术得带噪调制序列利用最小均方误差检测技术，恢复调制序列R；将调制序列R解调并映射回信息序列X，利用信息序列X恢复出索引序列A(2)、压缩序列y和稀疏度K；利用干扰消除思想以及最小均方误差检测技术，恢复数据序列S；接收机利用索引序列A(2)、压缩序列y、测量矩阵Φ和稀疏度K重构CSI。本发明不占用系统带宽资源，改善数据序列解调的误码率性能，改善反馈CSI的重构精度。
基于信号检测支撑辅助叠加 csi 反馈方法

[发明专利]一种压缩叠加序列CSI反馈方法-CN201810494993.0有效
发明人：卿朝进;阳庆瑶;万东琴;王维;蔡曦 -专利权人：西华大学
申请日： 2018-05-22 - 公布日： 2020-11-24 - 主分类号： H04L1/00 文献下载
摘要：本发明提供了一种压缩叠加序列CSI反馈方法，该方法包括：构建位置序列，记录CSI中非零元素和零元素的位置索引；对CSI进行单比特压缩感知量化，得到比特信息；将位置序列、比特信息和稀疏度构成比特序列；将比特序列进行扩频处理，得到扩频数据序列，然后尾部添零后形成扩展序列；扩展序列和数据序列加权处理后叠加为发送序列；接收机接收到发送序列，并利用解扩技术恢复出比特序列，继而恢复出位置序列、比特信息和稀疏度；接收机利用位置序列、比特信息和稀疏度重构CSI。本发明的优点在于：改善反馈所需的比特开销；降低了系统带宽开销，同时还改善CSI反馈的精度。
一种压缩叠加序列 csi 反馈方法

[发明专利]叠加特征信息辅助的单比特音频压缩传输与重构方法-CN201910193583.7有效
发明人：卿朝进;万东琴;阳庆瑶;蔡斌;郭奕;张岷涛 -专利权人：西华大学
申请日： 2019-03-14 - 公布日： 2020-09-22 - 主分类号： G10L19/00 文献下载
摘要：本发明公开了叠加特征信息辅助的单比特音频压缩传输与重构方法，步骤S1：对稀疏的音频信号进行特征处理，得到特征信息；步骤S2：对特征信息进行扩频处理，得到扩频特征向量；步骤S3：对稀疏的音频信号进行单比特压缩处理，得到1‑bit压缩信号；步骤S4：将扩频特征向量和1‑bit压缩信号进行加权叠加处理，得到发送信号；步骤S5：将发送信号发送出去，在接收端对发送信号接收，接收信号为带噪信号；步骤S6：对带噪信号进行恢复处理，得到恢复特征信息和恢复1‑bit压缩信息；步骤S7：利用恢复特征信息辅助重构算法，重构出稀疏音频信号，解决了在不增加传输系统频谱资源的情况下，有效提高单比特音频信号的重构精度。
叠加特征信息辅助比特音频压缩传输方法

[发明专利]一种基于叠加序列的语音信号压缩存储与重构方法-CN201810497026.X有效
发明人：卿朝进;万东琴;阳庆瑶;王维;郭奕 -专利权人：西华大学
申请日： 2018-05-22 - 公布日： 2020-08-25 - 主分类号： G10L19/00 文献下载
摘要：本发明公开了一种基于叠加序列的语音信号压缩存储与重构的方法，包括：读取稀疏语音信号，利用非零元素和零元素位置索引构建原始索引序列，存储稀疏语音信号的稀疏度；对稀疏语音信号进行压缩处理，生成压缩信号序列；截取原始索引序列的部分序列作为索引序列，经过编码、转化、扩频等处理生成扩频索引序列；将扩频索引序列与压缩信号序列分别加权、叠加后生成存储序列进行存储；对存储序列做解扩处理，得到转化索引序列和压缩信号序列；将转化索引序列经过数据还原、解码，还原出索引序列；根据索引序列构造支撑集合，并重构出稀疏语音信号。本发明优点在于：在不增加存储资源的情况下，有效提高语音信号的重构精度。
一种基于叠加序列语音信号压缩存储方法

[发明专利]一种基于绝对听觉阈值的深度学习语音增强方法-CN201910126915.X有效
发明人：卿朝进;万东琴;蔡斌;阳庆瑶;张岷涛 -专利权人：西华大学
申请日： 2019-02-20 - 公布日： 2020-07-14 - 主分类号： G10L21/0232 文献下载
摘要：本发明公开了一种基于绝对听觉阈值的深度学习语音增强方法,包括以下步骤：S1.对输入的时域音频信号进行预处理，得到频域语音信号；S2.对频域语音信号进行声学特征处理，得到特征语音信号；S3.基于深度神经网络，构建特征语音增强网络模型；S4.对特征语音增强网络模型进行离线训练，得到成熟的特征语音增强网络模型；S5.利用成熟的特征语音增强网络模型进行在线语音增强。本发明利用绝对听觉阈值对语音信号进行声学特征处理，突出语音信号特征，在不损失输出音频的可懂度和清晰度的情况下，降低网络输入语音信号的数据量，减少网络输入参数，提高网络训练速率。
一种基于绝对听觉阈值深度学习语音增强方法

1
共 9 条