“训练序列”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果549992个，建议您升级VIP下载更多相关专利

[发明专利]接入业务处理方法、网络接入方法及设备-CN201010538229.2无效
发明人：梅竞晋;朱星;陆文卓 -专利权人：华为技术有限公司
申请日： 2010-10-30 - 公布日： 2011-07-27 - 主分类号： H04W48/02 文献下载
摘要：一种方案是，基站从收到的接入脉冲中解码出训练序列；在解码出的训练序列与第一训练序列不同时，判断当前发起接入的业务类型为M2M业务；根据当前网络资源的空闲程度处理所述M2M业务的接入。优选地，在解码出的训练序列为与当前使用的第一训练序列正交或近似正交的训练序列时，则判断当前发起接入的业务为M2M业务。本发明实施例可用于M2M技术。
接入业务处理方法网络设备

[发明专利]基于嵌入训练序列和级联交织编码调制的多用户OFDM调制方法-CN200810012868.8无效
发明人：郑紫微;徐铁峰;何加铭 -专利权人：宁波大学
申请日： 2008-08-21 - 公布日： 2009-01-14 - 主分类号： H04L27/26 文献下载
摘要：本发明公开一种基于嵌入训练序列和级联交织编码调制的多用户OFDM调制方法，包括下列步骤：1)每个用户将零均匀插入自己的训练序列形成FFT离散训练序列块；2)每个用户将自己的输入数据比特流经BCH编码、比特交织、LDPC编码、码元调制、码元交织形成FFT级联交织编码调制数据块；3)将FFT离散训练序列块、FFT级联交织编码调制数据块直接叠加形成FFT嵌入训练序列级联交织编码调制数据块；4)采用IFFT将FFT嵌入训练序列级联交织编码调制数据块变换为时域离散样值块；5)将循环前缀作为保护间隔插入时域离散样值块形成信号帧；6)用平方根升余弦滚降滤波器对信号帧脉冲成形；7)将基带信号上变频至载波上。
基于嵌入训练序列级联交织编码调制多用户 ofdm 方法

[发明专利]基于嵌入训练序列和BICM的多用户OFDM调制方法-CN200810012869.2无效
发明人：郑紫微;徐铁峰;何加铭 -专利权人：宁波大学
申请日： 2008-08-21 - 公布日： 2009-01-14 - 主分类号： H04L27/26 文献下载
摘要：本发明公开了一种基于嵌入训练序列和BICM的多用户OFDM调制方法，它包括下列步骤：1)每个用户将零均匀插入自己的训练序列形成FFT离散训练序列块；2)每个用户将自己的输入数据比特流经多码率删余卷积编码、比特交织、码元调制后形成FFT比特交织编码调制数据块；3)将FFT离散训练序列块、FFT比特交织编码调制数据块直接叠加形成FFT嵌入训练序列比特交织编码调制数据块；4)采用IFFT将FFT嵌入训练序列比特交织编码调制数据块变换为时域离散样值块
基于嵌入训练序列 bicm 多用户 ofdm 调制方法

[发明专利]多入多出通信系统中训练序列的选择-CN200680005193.3有效
发明人：彼得·B.·达尔伍德;维沙坎·伯纳姆帕拉姆;艾伦·E.·琼斯 -专利权人： IP无线有限公司
申请日： 2006-02-01 - 公布日： 2008-02-06 - 主分类号： H04L25/02 文献下载
摘要：MIMO发射机(101)包括用于产生包含选定训练序列的MIMO消息的消息发生器(303)，和在多个天线(311、313、315)上发射消息的收发信机(305、307、309)。响应于要发射消息的相关天线，通过中间码选择器(317)从训练序列集中选择训练序列。该训练序列集与MIMO发射机的小区相关联并且包含对于多个天线中每一个的不相交的训练序列子集。接收机(103)包含发射天线检测器419，该发射天线检测器响应于接收到的消息的训练序列，确定该消息是从MIMO发射机的哪一个天线发射的。
多入多出通信系统训练序列选择

[发明专利]MIMO传输的中同步码分配-CN200580014113.6有效
发明人：马丁·比尔;维沙坎·伯纳姆帕拉姆 -专利权人： IP无线有限公司
申请日： 2005-05-04 - 公布日： 2007-04-18 - 主分类号： H04B7/06 文献下载
摘要：本发明揭示了一种产生MIMO时隙内的信号的方法，这种方法包括下列步骤：选择第一训练序列；准备第一数据净荷；产生包括所准备的第一数据净荷和第一训练序列的第一信号；在MIMO时隙内从网元的第一天线发送第一信号；在MIMO时隙内从网元的第一天线发送第一信号；选择第二训练序列，所述第二训练序列不同于第一训练序列；准备第二数据净荷；产生包括所准备的第二数据净荷和第二训练序列的第二信号；以及在MIMO时隙内从网元的第二天线发送第二信号
mimo 传输同步分配

[发明专利]用于未压缩视频的无线通信的具有前同步码设计的系统和方法-CN200780017136.1无效
发明人：敖超;牛华宁;夏鹏飞 -专利权人：三星电子株式会社
申请日： 2007-06-28 - 公布日： 2009-05-27 - 主分类号： H04L12/58 文献下载
摘要：在每个包中的数据之前提供前同步码，其中，该前同步码包括一组短训练序列和一组长训练序列。在无线信道上将多个包从发送器发送到接收器。在一定实施例中，一组短训练序列包括七个短训练序列，一组长训练序列包括两个长训练序列，前同步码的总长度是五个正交频分复用(OFDM)符号长度。
用于压缩视频无线通信具有同步设计系统方法

[发明专利]基于时间序列生成式对抗网络的时间序列数据处理方法及系统-CN202211329758.0在审
发明人：邓仰东;肖罡;卫宗正;万可谦;黄凡玲;刘小兰;杨钦文 -专利权人：江西科骏实业有限公司
申请日： 2022-10-27 - 公布日： 2023-02-03 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种基于时间序列生成式对抗网络的时间序列数据处理方法及系统，方法包括以下步骤：构建时间序列生成式对抗网络，然后对时间序列生成式对抗网络进行训练；运行训练好的时间序列生成式对抗网络的生成器，得到时间序列数据；将未知数据输入训练好的时间序列生成式对抗网络的判别器，得到未知数据的分类结果。本发明将生成式对抗网络应用于时间序列数据处理，有效实现时间序列数据生成及分类。
基于时间序列生成对抗网络数据处理方法系统

[发明专利]一种模型训练的方法及装置-CN202011252398.X在审
发明人：王燕华;于志安;汤彪;张弓 -专利权人：北京三快在线科技有限公司
申请日： 2020-11-11 - 公布日： 2021-02-26 - 主分类号： G06F16/33 文献下载
摘要：本说明书公开了一种模型训练的方法及装置，可基于获取的样本文本数据，确定若干个频繁序列，将各频繁序列组成的集合作为第一集合，并从数据库中获取若干个词汇，将各词汇组成的集合作为第二集合，根据第一集合以及第二集合，确定第一集合中每个频繁序列的标注结果，根据第一集合中每个频繁序列的标注结果，对待训练的挖掘模型进行迭代训练。本说明书可对样本文本数据中的各频繁序列进行自动标注，并根据带有标注的各频繁序列，对挖掘模型进行训练，在对挖掘模型训练的过程中不断更新各频繁序列的标注，从而基于更新标注的频繁序列训练得到的挖掘模型的精确率与召回率得到平衡
一种模型训练方法装置

[发明专利]点云序列识别模型的训练、识别方法、装置、设备及介质-CN202211674070.6在审
发明人：郭裕兰;危义民 -专利权人：中山大学·深圳;中山大学
申请日： 2022-12-26 - 公布日： 2023-04-14 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了点云序列识别模型的训练、识别方法、装置、设备及介质，包括：获取点云序列，从点云序列中选取不相邻的任意两帧点云数据，得到源点云和目标点云；将源点云和目标点云输入辅助任务模型进行点云重建得到重建点云，根据重建点云与目标点云的特征相似误差对辅助任务模型的编码器进行预训练处理，得到训练好的编码器；获取识别任务解码器，将识别任务解码器与训练好的编码器进行组合处理，得到初始化的点云序列识别模型；将点云序列输入初始化的点云序列识别模型进行训练，得到训练好的点云序列识别模型。本发明实施例能够减少点云序列识别模型对人工标记数据的依赖，能够适用于多种点云识别任务，可广泛应用于人工智能技术领域。
序列识别模型训练方法装置设备介质

[发明专利]基于带丢包自动编码技术的时间序列数据图形化分析方法-CN201410371240.2有效
发明人：王岩;钱琛;郭雷 -专利权人：北京航空航天大学
申请日： 2014-07-30 - 公布日： 2017-04-05 - 主分类号： G06K9/66 文献下载
摘要：本发明是一种基于带丢包自动编码技术的时间序列数据图形化分析方法，它有4个步骤步骤1.数据预处理，将时间序列数据转化为特定的图像格式；步骤2.预训练，通过带丢包的自动编码技术提取时间序列的图形特征；步骤3.训练分类器，利用预训练过程中得到的编码机权重和训练样本类标进行分类器训练；步骤4.应用，利用训练好的分类器实现时间序列相似度匹配和分类功能。本发明克服了现有时间序列分析方法注重时间序列的数据特征而对数据的变化十分敏感的缺点，模拟人类视觉处理时间序列数据的方式。在相似度匹配上有较高的准确度和极低的时间复杂度；在分类中，既保证了良好的分类精度又对不同类型的时间序列数据有良好的普适性和鲁棒性。
基于带丢包自动编码技术时间序列数据图形化分方法

[发明专利]一种有效停车泊位的预测方法-CN201811209923.2有效
发明人：岑岗;李向东;岑跃峰;林雪芬;徐增伟;冯天祥;马伟锋;程志刚;张宇来;王建芬 -专利权人：浙江科技学院
申请日： 2018-10-17 - 公布日： 2020-07-31 - 主分类号： G08G1/14 文献下载
摘要：一种有效停车泊位的预测方法，包括：步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列；步骤二，将时间序列在高维空间进行重构，实现随机成分与确定成分的分离；步骤三，把得出的低维空间流形坐标映射回原时间序列相空间重构得到的高维嵌入空间中；步骤四，训练集训练LSTM神经网络得到第一LSTM神经网络；训练集训练LSTM神经网络得到第二LSTM神经网络；将第一待预测时间序列训练值输入第一LSTM得到第一预测结果，将第二待预测时间序列训练值输入第二LSTM得到第二预测结果；步骤五，加权组合第一预测结果和第二预测结果，并与原序列的进行相似度检验，从而确定最终结果。
一种有效停车泊位预测方法

[发明专利]一种建立上行无线链路的方法和系统-CN201010173422.0有效
发明人：章健;叶光;丁美玲;薛自醒 -专利权人：中兴通讯股份有限公司
申请日： 2010-04-30 - 公布日： 2011-11-09 - 主分类号： H04W24/00 文献下载
摘要：本发明公开了一种建立上行无线链路的方法，无线网络控制器与测试终端约定基本训练序列序号；无线网络控制器向各个基站发送携带有约定基本训练序列号的上行无线链路建立请求；测试终端根据约定的基本训练序列号得到训练序列和扰码序列，对发送的上行信号进行数据组帧和加扰；各个基站按照上行无线链路建立请求配置上行无线链路参数，在配置成功后，根据基本训练序列号得到训练序列和扰码序列，对接收到的测试终端的上行信号进行信道估计和解扰；本发明同时公开了一种建立上行无线链路的系统
一种建立上行无线方法系统

[发明专利]一种基于时间序列分解和LSTM的时间序列数据预测方法-CN202111602708.0在审
发明人：李丽娜;黄盛奎;李念峰;靳德政 -专利权人：长春大学
申请日： 2021-12-24 - 公布日： 2022-03-25 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于时间序列分解和LSTM的时间序列数据预测方法，包括：步骤一、采集时间序列数据，并对其进行预处理，获得满足建立预测模型数据需求的时间序列样本集，进行训练集和测试集的划分，得到第一训练集与第一测试集；步骤二、基于LSTM建立用于趋势分量和余项预测的第一神经网络，通过第一训练集进行训练与调参，将训练好的第一神经网络模型对第一训练集进行预测，获得第一训练集的趋势分量和余项的预测结果，进一步处理成第二训练集；步骤三、基于ANN建立第二神经网络，通过第二训练集进行训练和调参；步骤四、将训练好的第一神经网络和第二神经网络模型对测试集进行联合预测，获得拟合的时间序列数据预测结果。
一种基于时间序列分解 lstm 数据预测方法

[发明专利]通过迭代堆叠有效训练深度序列推荐模型的方法及装置-CN202111331510.3在审
发明人：陈健;吴庆耀;李淑萍;谢方圆 -专利权人：华南理工大学
申请日： 2021-11-11 - 公布日： 2022-03-22 - 主分类号： G06F16/9535 文献下载
摘要：本发明公开一种通过迭代堆叠有效训练深度序列推荐模型的方法及装置，包括：先使用部分数据在浅层序列推荐模型训练，然后通过迭代堆叠的方式，将前面浅层模型的网络结构块的参数作为新的顶层结构块的初始化，构造两倍深度的序列推荐模型，并加入新数据对新的模型进行微调，达到加速模型训练、节约训练时间成本的效果。通过这种迭代堆叠的方法，可根据需求逐渐从浅层序列推荐模型拓展为理想深度的序列推荐模型。为了适应不同的拓展需求，本发明提出两种堆叠方式，均能在保证精度的前提下加速训练。本发明针对序列推荐模型在实际应用中的训练成本高、重新训练新的深度模型难以及及时追踪用户兴趣新变化等问题具有较好的解决能力。
通过堆叠有效训练深度序列推荐模型方法装置

[发明专利]产品点击率确定方法-CN202210754365.8在审
发明人：陈恩红;张裕人;金斌斌;王皓;侯旻;于润龙 -专利权人：中国科学技术大学
申请日： 2022-06-28 - 公布日： 2022-09-06 - 主分类号： G06Q30/02 文献下载
摘要：该方法包括获取产品数据训练样本集，其中，产品数据训练样本集包括多个训练样本，每个训练样本包括多个产品特征向量和交互行为序列；针对每个训练样本，利用均值聚类模型处理多个产品特征向量，得到多个聚类中心向量；根据预设目标产品的预设特征向量和与交互行为序列对应的多个聚类中心向量，确定对应于每个聚类中心向量的采样概率；按照多个采样概率，对交互行为序列进行采样处理，得到多条交互行为子序列；利用预设特征向量和多条交互行为子序列训练深度兴趣网络，得到训练完成的点击率预测模型；将待预测产品的产品特征向量和待预测用户的交互行为序列输入点击率预测模型，输出预测结果。
产品点击率确定方法