检索结果-内蒙古大学图书馆

电子与信息学报 2025年第2期47卷 386-396页

作者：刘学敏钱玉文宋耀良束锋陈魁宇朱捷伟南京理工大学电子工程与光电技术学院南京210094 海南大学信息与通信工程学院海口570228 南京邮电大学电子与光学工程学院、柔性电子(未来技术)学院南京210042 中国联合网络通信有限公司苏州市分公司苏州215100

隐蔽通信可以在被监控的情况下安全传输数据,是网络安全领域重要分支。然而,实际通信系统具有通信环境复杂、覆盖范围广等特点,这使得隐蔽通信很难部署。为此,该文提出一种基于智能反射面(IRS)与无人机(UAV)辅助的无线隐蔽通信系统。引... 详细信息

隐蔽通信可以在被监控的情况下安全传输数据,是网络安全领域重要分支。然而,实际通信系统具有通信环境复杂、覆盖范围广等特点,这使得隐蔽通信很难部署。为此,该文提出一种基于智能反射面(IRS)与无人机(UAV)辅助的无线隐蔽通信系统。引入智能反射面作为中继节点转发发送者的信号,使用无人机作为发送者的友元节点,该友元节点通过发送人工噪声来干扰恶意用户对隐蔽通信的检测。在监听者接收噪声不确定的情况下,推导了最小错误检测概率,并与中断概率作为约束,以最大化隐蔽通信速率为目标,建立了系统的优化问题,采用Dinkelbach算法求解。仿真结果表明,当智能反射阵元的相位、干扰无人机的发射能量取得最优时,所提系统的隐蔽通信速率比单独配置智能反射面的无线通信系统平均提高了37.9%,比单独配置无人机的系统评价速率提高了1.17倍。

关键词：信息安全隐蔽通信智能反射面无人机

来源：评论

学校读者我要写书评

暂无评论

基于群体串行干扰删除的混合预编码毫米波大规模MIMO-NOMA传输系统

引用

南京邮电大学学报（自然科学版） 2022年第5期42卷 21-28页

作者：许伟董恒宋荣方南京邮电大学通信与信息工程学院江苏南京210003

针对现有毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中用户接入数量受限和能耗大的问题,提出了一种基于群体串行干扰删除(Group-level Successive Interference Cancellation,GSIC)的混合预编码毫米波大规模MIMO非正交多址(Non-Orthogonal Multiple Access,NOMA)下行传输新架构。首先,在基站处设计模拟预编码矩阵并根据等效信道增益进行群体划分;然后,采用迫零法设计数字预编码矩阵,在组内实施空分多址(Space Division Multiple Access,SDMA);最后,在用户端采用GSIC实现组间NOMA传输。此外,在考虑误差传播的条件下,推导了系统的可达和速率表达式,并提出了一种功率分配算法来解决此非凸优化问题。仿真结果表明,与基于分簇的混合预编码MIMO-SIC-NOMA和MIMO-OMA系统相比,所提出的MIMO-GSIC-NOMA系统可获得更高的频谱效率和能量效率。

关键词：毫米波大规模MIMO 非正交多址空分多址混合预编码群体串行干扰删除

来源：评论

学校读者我要写书评

暂无评论

面向6G的跨模态信号重建技术

引用

通信学报 2022年第6期43卷 28-40页

作者：李昂陈建新魏昕周亮南京邮电大学通信与信息工程学院江苏南京210003 南京邮电大学宽带无线通信与传感网技术教育部重点实验室江苏南京210003

6G时代下,为了兼顾多媒体用户音频、视频、触觉的沉浸式体验需求与低时延、高可靠、大容量的通信质量,提出一种跨模态信号重建架构和由视频信号重建触觉信号的深度学习模型。首先,通过控制机器人触摸各种材质,构建了包含音频、视频、触... 详细信息

6G时代下,为了兼顾多媒体用户音频、视频、触觉的沉浸式体验需求与低时延、高可靠、大容量的通信质量,提出一种跨模态信号重建架构和由视频信号重建触觉信号的深度学习模型。首先,通过控制机器人触摸各种材质,构建了包含音频、视频、触觉信号的数据集VisTouch,为后续各种跨模态问题的研究奠定基础;其次,通过利用多模态信号间的语义关联性,设计一种普适的、稳健的端到端跨模态信号重建框架;再次,以通过视频信号重建触觉信号为例,构建视频辅助的触觉重建模型,包括基于3D CNN的视频特征提取网络,基于全卷积网络的GAN生成网络与基于CNN的GAN辨别网络;最后,通过实验结果验证跨模态信号重建框架的可靠性以及触觉重建模型的准确性。

关键词： 6G 跨模态信号重建多模态数据集 3D卷积神经网络生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

一种基于深度特征融合的网络流量分类方法

引用

南京邮电大学学报（自然科学版） 2022年第3期42卷 82-89页

作者：于帅董育宁邱晓晖南京邮电大学通信与信息工程学院江苏南京210003

随着网络应用的持续发展,识别特定的流或者应用程序有着重要的作用。由于机器学习方法对特征选择较为苛刻,因而,具有自动特征提取的深度学习算法的优势就突显出来了。但现有深度学习方法大多是对网络流量的原始字节进行处理和分类,而原... 详细信息

随着网络应用的持续发展,识别特定的流或者应用程序有着重要的作用。由于机器学习方法对特征选择较为苛刻,因而,具有自动特征提取的深度学习算法的优势就突显出来了。但现有深度学习方法大多是对网络流量的原始字节进行处理和分类,而原始字节包含较多的冗余和混淆信息。针对此,提出了一种基于深度特征融合的流量分类方法。该方法对原始的统计特征进行融合,并将融合后的特征转化为灰度图像,应用卷积神经网络对转换后的灰度图像进行分类,达到对加密流量进行分类的目的。在两个真实数据集上进行实验验证,分类准确率达到了92%~99.89%。与文献方法相比,在网络流量粗粒度和细粒度分类上都取得了更好的结果。

关键词：网络流量分类特征融合深度学习视频流量

来源：评论

学校读者我要写书评

暂无评论

一种基于机器学习的网络流早期分类方法

引用

南京邮电大学学报（自然科学版） 2022年第4期42卷 96-104页

作者：项阳董育宁魏昕南京邮电大学通信与信息工程学院江苏南京210003

流早期分类对于优化网络管理和确保服务质量(Quality of Service, QoS)至关重要。针对传统流特征在流早期分类中性能较低的问题,在现有研究基础上,提出了两种新的特征:一是通过等距分箱划分包大小等级,计算相邻到达的两个数据包的包大... 详细信息

流早期分类对于优化网络管理和确保服务质量(Quality of Service, QoS)至关重要。针对传统流特征在流早期分类中性能较低的问题,在现有研究基础上,提出了两种新的特征:一是通过等距分箱划分包大小等级,计算相邻到达的两个数据包的包大小等级条件频度;二是通过将包大小序列和包到达时间间隔对应相除,得到速率序列,并计算该序列的统计特征作为分类特征。同时,考虑到早期分类的实时性要求,分析了流特征计算的时间复杂性,在特征选择中优化了时间和准确性之间的平衡。另外,针对网络视频流量占比较大的情况,提出了一种层级分类结构;先使用较少的数据包进行non-video/video的二分类,再使用后续的数据包,进行non-videos和videos的细粒度分类。采用随机森林在两个实际网络数据集上进行分类性能测试,并与文献方法进行比较,验证了该方法在快速流量分类中的优越性。

关键词：流早期分类特征选择条件频度层级结构

来源：评论

学校读者我要写书评

暂无评论

人工智能在《高等电磁场》课程中的辅助教学研究

引用

大学物理 2025年

作者：包扬刘子嫣周飞陈欣茹宛汀南京邮电大学电子与光学工程学院南京邮电大学通信与信息工程学院

《高等电磁场》课程是电磁场与无线技术专业开设的一门重要的专业基础课，是微波工程、天线理论等课程的学习基础.该课程立足于麦克斯韦方程的积分和微分形式的求解，各个知识点的学习均以大量的公式推导为基础，理论性强、概念抽象.将... 详细信息

《高等电磁场》课程是电磁场与无线技术专业开设的一门重要的专业基础课，是微波工程、天线理论等课程的学习基础.该课程立足于麦克斯韦方程的积分和微分形式的求解，各个知识点的学习均以大量的公式推导为基础，理论性强、概念抽象.将人工智能方法引入《高等电磁场》课程的学习，既可以保持该课程知识点的传授与可持续性发展，又融合了当下流行的人工智能算法，激发了学生的学习动力.本文将以《高等电磁场》课程中涡流检测问题和电磁散射问题的授课为例，对复杂繁琐的检测响应的全波仿真计算引入人工智能算法，将复杂的数值计算和当下主流的人工智能算法相结合，避免了突兀枯燥，引发学生的学习热情，通过结合实际涡流检测的工程案例，将理论融入实践，提升学生参与度并激发其创新潜力.

关键词：人工智能教学改革教学研究电磁场理论涡流检测

来源：评论

学校读者我要写书评

暂无评论

面向连续-离散混合数据分类的强化学习表征方法

引用

智能计算机与应用 2025年第1期15卷 117-122页

作者：王聪杨海根南京邮电大学通信与信息工程学院南京210000

人工智能技术的快速发展引爆了大数据时代,由此而产生了各类型数据,数据驱动着机器学习的发展,机器学习的性能也依赖表征模型对这类数据的表征结果,而传统的数据表征算法并不能使这类数据获得最佳区分性。为解决上述问题,本文在表征算... 详细信息

人工智能技术的快速发展引爆了大数据时代,由此而产生了各类型数据,数据驱动着机器学习的发展,机器学习的性能也依赖表征模型对这类数据的表征结果,而传统的数据表征算法并不能使这类数据获得最佳区分性。为解决上述问题,本文在表征算法的基础上引入强化学习,以聚类评价指标作为奖励,获得最佳区分性的表征数据,并将其用于分类任务中。实验结果表明本文提出的强化学习表征方法相较于传统表征方法在机器学习分类任务上能取得更好的效果。

关键词：机器学习数据表征强化学习

来源：评论

学校读者我要写书评

暂无评论

大规模MIMO系统中基于ΣΔ调制的一比特低功耗预编码方法

引用

南京邮电大学学报（自然科学版） 2022年第3期42卷 36-43页

作者：张毅蔡曙王子竟南京邮电大学通信与信息工程学院江苏南京210003

采用低分辨率模数/数模转换器(ADC/DAC)已被认为是降低大规模多输入多输出(MIMO)系统硬件成本和功耗的重要途径。然而低分辨率DAC尤其是一比特DAC中又会带来严重的量化噪声,导致系统接收误符号率(SEP)上升。针对这一弊端,设计了一种基... 详细信息

采用低分辨率模数/数模转换器(ADC/DAC)已被认为是降低大规模多输入多输出(MIMO)系统硬件成本和功耗的重要途径。然而低分辨率DAC尤其是一比特DAC中又会带来严重的量化噪声,导致系统接收误符号率(SEP)上升。针对这一弊端,设计了一种基于ΣΔ调制的一比特迫零(ZF)预编码方法。首先,建立发射功率最小化的一比特预编码问题,然后基于ΣΔ调制框架将一比特约束转换为边界约束,再基于ZF预编码,将问题转化为发射功率控制问题,并通过SEP和信噪比(SNR)的关系转换,推导出最小发射功率的闭式解。最后,通过仿真结果验证了所提方法的有效性。

关键词：大规模MIMO 一比特DAC ΣΔ调制 ZF预编码

来源：评论

学校读者我要写书评

暂无评论

基于图卷积网络的MDD静息态功能磁共振功能连接性别差异研究

引用

中国临床心理学杂志 2024年第5期32卷 1141-1147页

作者：万立张仙华高炬张钰群欧阳键南京邮电大学通信与信息工程学院南京210000 苏州市广济医院精神科苏州215131 南京中医药大学护理学院南京210000

目的:利用图卷积网络(GCN)模型探究不同性别抑郁症(MDD)患者的功能连接差异,为实现MDD的精准诊治提供依据。方法:基于Rest-meta-MDD项目大样本多中心静息态功能磁共振数据,使用GCN模型分别对男性和女性样本进行独立训练,获得不同性别高... 详细信息

目的:利用图卷积网络(GCN)模型探究不同性别抑郁症(MDD)患者的功能连接差异,为实现MDD的精准诊治提供依据。方法:基于Rest-meta-MDD项目大样本多中心静息态功能磁共振数据,使用GCN模型分别对男性和女性样本进行独立训练,获得不同性别高鉴别脑区的拓扑特征及其与临床症状的相关性。结果:与支持向量机相比,GCN模型的平均分类准确率提高了5%以上。其中,男性组MDD和HC分类的平均准确率为77.91%,且右侧前额叶、右侧顶叶和左侧下顶叶的节点度与汉密尔顿焦虑量表得分呈显著正相关。女性组的平均准确率为79.71%,且右侧枕叶的节点介数与汉密尔顿抑郁量表得分呈显著负相关。结论:GCN提升了男性和女性MDD的分类准确率,提示男性MDD可能为焦虑型,而女性MDD则可能为抑郁型。

关键词：抑郁症静息态功能磁共振图卷积网络性别

来源：评论

学校读者我要写书评

暂无评论

MIMO⁃NOMA传输机制研究综述:存在问题与新方法探索

引用

南京邮电大学学报（自然科学版） 2022年第3期42卷 1-13页

作者：宋荣方王鸿南京邮电大学通信与信息工程学院江苏南京210003

非正交多址(NOMA)是解决无线系统高谱效和大连接问题的使能技术,但其尚未被5G标准完全接纳。NOMA与大规模多入多出(MIMO)技术相结合,能够优势互补,满足未来无线系统巨流量、大连接需求。文中对现有MIMO⁃NOMA主要传输结构进行综述,从功... 详细信息

非正交多址(NOMA)是解决无线系统高谱效和大连接问题的使能技术,但其尚未被5G标准完全接纳。NOMA与大规模多入多出(MIMO)技术相结合,能够优势互补,满足未来无线系统巨流量、大连接需求。文中对现有MIMO⁃NOMA主要传输结构进行综述,从功率效率、多用户收发联合优化、数据流配置,以及误差传播控制等方面,指出其存在问题。在此基础上,提出群体串行干扰删除(GSIC)新概念与新方法,将其应用于MIMO⁃NOMA系统,以实现MIMO⁃NOMA深度融合传输机制,解决传统结构存在问题。最后展望了无小区、多小区以及智能反射表面(IRS)辅助MIMO⁃NOMA系统中基于GSIC的传输新架构。

关键词：非正交多址多入多出群体串行干扰删除智能反射表面无小区

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：