CN111242849A - 一种基于深度卷积神经网络的频谱超分辨率在线重建方法 - Google Patents

一种基于深度卷积神经网络的频谱超分辨率在线重建方法 Download PDF

Info

Publication number
CN111242849A
CN111242849A CN202010048133.1A CN202010048133A CN111242849A CN 111242849 A CN111242849 A CN 111242849A CN 202010048133 A CN202010048133 A CN 202010048133A CN 111242849 A CN111242849 A CN 111242849A
Authority
CN
China
Prior art keywords
frequency spectrum
spectrum
reconstruction
time
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010048133.1A
Other languages
English (en)
Other versions
CN111242849B (zh
Inventor
丁晓进
冯李杰
张更新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010048133.1A priority Critical patent/CN111242849B/zh
Publication of CN111242849A publication Critical patent/CN111242849A/zh
Application granted granted Critical
Publication of CN111242849B publication Critical patent/CN111242849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radio Relay Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于深度卷积神经网络的频谱超分辨率在线重建方法，结合离线在线频谱重建的动态框架进行在线重建，包括模型构建、离线训练、在线重建和在线评估四个部分。模型构建步骤通过多层卷积层搭建深度卷积神经网络，并基于自适应矩估计算法优化网络模型参数；离线训练步骤将高分辨率频谱数据作为训练标签，其预处理后对应的低分辨率频谱数据作为训练集输入数据；在线重建步骤是将传输的低分辨率频谱输入到已经训练好的模型中，完成超分辨率重建，实现低分辨率频谱数据到高分辨率频谱数据的转换；在线评估步骤利用传输的少量高分辨率频谱数据评估模型重建性能，以确定是否要重新进行离线训练步骤。本方法可将低分辨率频谱数据重建为高分辨率频谱数据，从而有效降低星地传输数据量，减缓星地间数据传输压力。

Description

一种基于深度卷积神经网络的频谱超分辨率在线重建方法
技术领域
本发明涉及一种基于深度卷积神经网络的频谱超分辨率在线重建方法，属于认知无线电通信领域。
背景技术
卫星频谱感知具有感知范围广、频谱利用率高、设备功耗低等优点，随着接入卫星的地面终端设备数量的增加，卫星频谱传感系统传输的数据量在同一时间内成倍增长，对数据的传输需求越来越大。然而，卫星与地面站之间的传输距离较远，传输能力有限。当前解决星地间海量数据传输受限问题一般有两种方式：一种是通过数据压缩、提高调制解调体制效率等软件方式提高传输链路能力；另一种是通过布局更多地面接收站、使用中继卫星等硬件设备解决传输受限问题，然而高昂的投入成本，换来传输能力有限的提升。因此，在满足感知性能的前提下，我们考虑增大卫星采样数据间隔的方式降低传输量，在地面信关站通过数据恢复方法来重建接收数据的更多信息细节。
近年来，随着计算机运算能力的提升以及海量数据，深度学习技术迅速发展，并在各个研究领域都得到了广泛的应用并取得了显著的成果。深度卷积神经网络是拥有稀疏性、参数共享、非线性、平移不变性等优点，注重学习空间上的相关性，在图像处理和分类方面具有优异性能，将图像恢复方法迁移到频谱重建上，把时频域频谱看作是灰度图，时频域相当于图像的高和宽，功率谱密度值相当于像素值。因此应用深度卷积神经网络来对频谱进行恢复重建是可行的、合理的。
基于以上观点，这里研究的基于深度卷积神经网络(Deep Convolutional NeuralNetworks，DCNN)的频谱超分辨率在线重建方法，通过在离线阶段对历史HR频谱的时频域进行自相关分析，学习HR频谱和LR频谱间的特征映射；通离线在线的动态框架，将实时的LR频谱数据输入到训练好的神经网络模型中，实现实时LR频谱的重建，从而缓解星地间传输压力；通过间隔发送的一段HR频谱，在线评估模型性能，保证模型的重建能力。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于深度卷积神经网络的频谱超分辨率在线重建方法，结合离线在线频谱重建的动态框架，通过挖掘历史HR频谱数据与其对应的LR频谱数据的特征映射关系，实现在线重建实时LR频谱数据，并用周期性发送的小段HR频谱数据进行模型的性能监控，既保证了模型重建的性能，也缓解了星地间传输的压力。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于深度卷积神经网络的频谱超分辨率在线重建方法，结合离线在线频谱重建的动态框架进行在线重建，包括模型构建、离线训练、在线重建和在线评估四个部分，具体步骤如下：
(1)模型构建：利用多层卷积层搭建深度卷积神经网络，网络模型参数通过自适应矩估计优化算法进行优化；
(2)离线训练：对传输的HR频谱(High-resolution，高分辨率频谱)进行数据预处理得到大尺寸LR频谱(Low-resolution，低分辨率频谱)，然后将大尺寸LR频谱和对应的HR频谱一同作为训练样本输入到网络模型中进行训练；
对传输的HR频谱进行数据预处理的过程包括：对采集到的真实HR频谱进行归一化，对归一化后的HR频谱进行降质，获得LR频谱；对LR频谱进行零插值操作，将LR频谱扩大至HR频谱的尺寸，得到大尺寸LR频谱；
(3)在线重建：数据重建服务器利用训练确定的网络模型重建传输的LR频谱，得到重建的HR频谱；
过程包括：对卫星传输的LR频谱进行归一化，对归一化后的LR频谱进行零插值操作，将LR频谱扩大至HR频谱的尺寸，得到大尺寸LR频谱；将大尺寸LR频谱输入到训练好的网络模型中；
(4)在线评估：基于周期性传输的少量HR数据，将其降质后使用训练好的网络模型进行HR重建，并分析重建的HR频谱与传输的HR频谱进行对比的误差，确定是否需要重新进行离线训练。
本发明方法通过在离线阶段对历史HR频谱的时频域进行自相关分析，学习HR频谱和LR频谱间的特征映射；通过离线在线动态框架，将实时的LR频谱数据输入到训练好的神经网络模型中，实现实时LR频谱的重建，从而缓解星地间传输压力；通过间隔发送的小段HR频谱，在线评估模型的重建性能。
具体的，所述步骤(1)中，设计深度卷积神经网络构建网络模型，通过网络模型学习LR频谱到HR频谱间端到端的一个特征映射，估计LR频谱中缺失的高频信息从而实现HR频谱的重建，网络模型使用修正线性单元作为卷积层的激活函数，用于隐藏层神经元输出；激活函数的形式为：
y＝max(0,x)
其中：x为深度神经网络的输入向量；max(0,x)为取0和x中的最大值，即当x≤0时，输出为0，当x＞0时，输出为x；
网络模型由三层卷积层构成，分别为特征提取层、非线性映射层和频谱重建层：
F1(X)＝max(0,W1*X+B1)
F2(X)＝max(0,W2*F1(X)+B2)
F(X)＝W3*F2(X)+B3
其中：X表示大尺寸LR频谱，*表示卷积运算；
F1(X)为特征提取层的输出，权重W1包含n1个尺寸为c×f1×f1的特征提取层卷积核，B1表示特征提取层的偏置，且B1是一个n1维向量，n1为不为零的整数；c为特征提取层卷积核的深度，f1同时用于表示特征提取层卷积核的长和宽；特征提取层使用n1个卷积核做卷积操作，每个卷积核输出一张特征映射图，组成n1维特征映射图；
F2(X)为非线性映射层的输出，权重W2包含n2个尺寸为n1×f2×f2的非线性映射层卷积核，B2表示非线性映射层的偏置，且B2是一个n2维向量，n2为不为零的整数；f2同时用于表示非线性映射层卷积核的长和宽；非线性映射层对特征提取层的输出进行非线性映射，输出n2维特征映射图；
F(X)为频谱重建层的输出，权重W3包含n3个大小为n2×f3×f3的频谱重建层卷积核，B3表示频谱重建层的偏置，且B3是一个n3维向量，n3为不为零的整数；f3为同时用于表示频谱重建层卷积核的长和宽；频谱重建层对非线性映射层输出的特征映射图重叠区域进行平均化操作，获得完整的重建的HR频谱；
网络模型的损失函数L(θ)为均方误差函数：
Figure BDA0002370156720000041
其中：F(Xk；θ)为对大尺寸LR频谱Xk进行重建得到的重建HR频谱，即频谱重建层的输出；θ＝{W1,W2,W3,B1,B2,B3}为网络模型参数，K为训练集或验证集的大小，k为训练集或验证集中元素的序号，{Yk}为真实HR频谱集合，{Xk}为与{Yk}对应的大尺寸LR频谱集合；
网络模型使用自适应矩估计优化算法迭代更新网络模型参数θ，在LR频谱和HR频谱间更好地建立端到端的特征映射，使得重建HR频谱F(Xk；θ)与对应的真实HR频谱Yk之间的误差达到最小；
网络模型的性能评估准则为平均绝对误差(MAE)值，用以评估真实HR频谱与重建HR频谱间的功率谱密度归一化误差值，其公式为：
Figure BDA0002370156720000042
其中：M为频点总数，N是时间长度，y(i,j)是真实HR频谱中第i个频点j时刻的功率谱密度归一化值，
Figure BDA0002370156720000043
是重建HR频谱中第i个频点j时刻的功率谱密度归一化值，i为频点序号，j为时间序号。
具体的，所述步骤(2)中，离线训练包括如下步骤：
步骤21：对传输的HR频谱
Figure BDA0002370156720000044
进行归一化：
Figure BDA0002370156720000045
其中：
Figure BDA0002370156720000046
表示传输的HR频谱，
Figure BDA0002370156720000047
表示(i,j)处
Figure BDA0002370156720000048
的功率谱密度值，a是
Figure BDA0002370156720000049
中最小功率谱密度值，b是
Figure BDA00023701567200000410
中最大功率谱密度值，
Figure BDA00023701567200000411
表示
Figure BDA00023701567200000412
归一化后的功率谱密度值；
步骤22：对归一化后的HR频谱
Figure BDA00023701567200000413
在时域和频域上分别以dtime和dfre间隔进行降质，并在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure BDA0002370156720000051
其中dtime表示时域重建倍数，dfre表示频域重建倍数，dtime和dfre是不为零的正整数；
步骤23：在
Figure BDA0002370156720000052
和
Figure BDA0002370156720000053
上划分训练集的输入数据集
Figure BDA0002370156720000054
训练集的输出标签集
Figure BDA0002370156720000055
验证集的输入数据集
Figure BDA0002370156720000056
和验证集的输出标签集
Figure BDA0002370156720000057
分别表示为：
Figure BDA0002370156720000058
Figure BDA0002370156720000059
Figure BDA00023701567200000510
Figure BDA00023701567200000511
其中：N为正整数，s＝1，
Figure BDA00023701567200000512
和Lf分别表示HR频谱的时域和频域大小，
Figure BDA00023701567200000513
表示验证集时域长度，则训练集时域为
Figure BDA00023701567200000514
步骤24：训练网络模型
(241)R为最大训练周期，网络模型参数集为{θ1,θ2,θ,θR}，初始化MAEbest为无穷大的正数，初始化训练周期变量r＝0，设置计数器count，并初始化count＝0；
(242)训练周期r＝r+1；
(243)在训练集
Figure BDA00023701567200000515
和
Figure BDA00023701567200000516
上训练优化得到网络模型
Figure BDA00023701567200000517
并在验证集
Figure BDA00023701567200000518
和
Figure BDA00023701567200000519
上验证
Figure BDA00023701567200000520
获得网络模型
Figure BDA00023701567200000521
其中：
Figure BDA00023701567200000522
表示第r个训练周期内网络参数为θr的网络模型，
Figure BDA00023701567200000523
表示
Figure BDA00023701567200000524
在第r个训练周期内经过验证的网络模型；
(244)计算误差MAE：若MAE＞MAEbest，则count＝count+1，进入步骤(245)；否则，MAEbest＝MAE，count＝0，进入步骤(245)，MAEbest为最小重建误差值；
(245)判断count≤patience是否成立：若成立，则进入步骤(246)；否则，
Figure BDA0002370156720000061
结束训练；
其中：
Figure BDA0002370156720000062
表示模型
Figure BDA0002370156720000063
的重建误差值，patience为正整数，用于监测模型训练的耐心值；
(246)判断r＞R是否成立：若成立，则结束；否则，返回步骤(242)；
步骤25：选择最佳网络模型参数
Figure BDA0002370156720000064
输出训练好的网络模型
Figure BDA0002370156720000065
具体的，所述步骤(3)中，在线重建包括如下步骤：
步骤31：
Figure BDA0002370156720000066
为训练确定的网络模型，实时输入的LR频谱
Figure BDA0002370156720000067
的时域为
Figure BDA0002370156720000068
频域大小为Lf，t为时间变量，初始化t＝0；
步骤32：t＝t+1，当
Figure BDA0002370156720000069
时，对实时传输的LR频谱
Figure BDA00023701567200000610
进行归一化操作：
Figure BDA00023701567200000611
其中：
Figure BDA00023701567200000612
表示实时传输的LR频谱，
Figure BDA00023701567200000613
表示(i,j)处
Figure BDA00023701567200000614
的功率谱密度值，a是
Figure BDA00023701567200000615
中最小功率谱密度值，b是
Figure BDA00023701567200000616
中最大功率谱密度值，
Figure BDA00023701567200000617
表示
Figure BDA00023701567200000618
归一化后的功率谱密度值；
步骤33：对归一化后的LR频谱
Figure BDA00023701567200000619
在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure BDA00023701567200000620
步骤34：将
Figure BDA00023701567200000621
输入到网络模型
Figure BDA00023701567200000622
中，输出重建的HR频谱
Figure BDA00023701567200000623
具体的，所述步骤(4)中，在线评估包括如下步骤：
步骤41：
Figure BDA00023701567200000624
为训练确定的网络模型，实时输入的真实HR频谱
Figure BDA00023701567200000625
的时域为
Figure BDA00023701567200000626
频域大小为Lf，此时
Figure BDA00023701567200000627
t＝t+1，当
Figure BDA00023701567200000628
时，对真实HR频谱
Figure BDA00023701567200000629
进行归一化操作：
Figure BDA0002370156720000071
其中：
Figure BDA0002370156720000072
表示实时传输的HR频谱，
Figure BDA0002370156720000073
表示(i,j)处
Figure BDA0002370156720000074
的功率谱密度值，a是
Figure BDA0002370156720000075
中最小功率谱密度值，b是
Figure BDA0002370156720000076
中最大功率谱密度值，
Figure BDA0002370156720000077
表示
Figure BDA0002370156720000078
归一化后的功率谱密度值；
步骤42：对归一化后的HR频谱
Figure BDA0002370156720000079
在时域和频域上分别以dtime和dfre间隔进行降质，并在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure BDA00023701567200000710
步骤43：将
Figure BDA00023701567200000711
输入到网络模型
Figure BDA00023701567200000712
中，得到重建的HR频谱
Figure BDA00023701567200000713
计算
Figure BDA00023701567200000714
与
Figure BDA00023701567200000715
间的平均绝对误差MAE：当MAE值小于
Figure BDA00023701567200000716
时，进入步骤(3)，继续在线重建；否则，进入步骤(2)，更新网络模型
Figure BDA00023701567200000717
其中
Figure BDA00023701567200000718
是根据验证所设的最大MAE值。
有益效果：本发明提供的基于深度卷积神经网络的频谱超分辨率在线重建方法，通过使用HR频谱离线训练模型，在线重建LR频谱，在一定程度上提高星地传输效率，缓解了传输的压力；其中，在数据预处理方面使用了零插值法，并使用自适应矩估计优化网络模型，使得模型具有更好的重建效果。
附图说明
图1为本发明的实施流程图；
图2为本发明方法的基于DCNN的频谱超分辨率重建模型；
图3为本发明方法的离线在线频谱重建的动态框架示意图；
图4为本发明方法使用离线在线框架和不使用离线在线框架的结果对比图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示为一种基于深度卷积神经网络的频谱超分辨率在线重建方法，结合离线在线频谱重建的动态框架进行在线重建，包括模型构建、离线训练、在线重建和在线评估四个部分，下面就各个部分做出具体说明。
一、模型构建：由三层卷积层构成网络模型，不使用池化层以尽可能地保留数据细节，在第二层卷积层使用1×1的卷积核以增加网络模型的非线性表征力。
如图2所示，设计深度卷积神经网络构建网络模型，通过网络模型学习LR频谱到HR频谱间端到端的一个特征映射，估计LR频谱中缺失的高频信息从而实现HR频谱的重建，网络模型使用修正线性单元作为卷积层的激活函数，用于隐藏层神经元输出；激活函数的形式为：
y＝max(0,x)
其中：x为深度神经网络的输入向量；max(0,x)为取0和x中的最大值，即当x≤0时，输出为0，当x＞0时，输出为x。
网络模型由三层卷积层构成，分别为特征提取层、非线性映射层和频谱重建层：
F1(X)＝max(0,W1*X+B1)
F2(X)＝max(0,W2*F1(X)+B2)
F(X)＝W3*F2(X)+B3
其中：X表示大尺寸LR频谱，*表示卷积运算。
F1(X)为特征提取层的输出，权重W1包含n1个尺寸为c×f1×f1的特征提取层卷积核，B1表示特征提取层的偏置，且B1是一个n1维向量，n1为不为零的整数；c为特征提取层卷积核的深度，f1同时用于表示特征提取层卷积核的长和宽；特征提取层使用n1个卷积核做卷积操作，每个卷积核输出一张特征映射图，组成n1维特征映射图。
F2(X)为非线性映射层的输出，权重W2包含n2个尺寸为n1×f2×f2的非线性映射层卷积核，B2表示非线性映射层的偏置，且B2是一个n2维向量，n2为不为零的整数；f2同时用于表示非线性映射层卷积核的长和宽；非线性映射层对特征提取层的输出进行非线性映射，输出n2维特征映射图。
F(X)为频谱重建层的输出，权重W3包含n3个大小为n2×f3×f3的频谱重建层卷积核，B3表示频谱重建层的偏置，且B3是一个n3维向量，n3为不为零的整数；f3为同时用于表示频谱重建层卷积核的长和宽；频谱重建层对非线性映射层输出的特征映射图重叠区域进行平均化操作，获得完整的重建的HR频谱。
网络模型的损失函数L(θ)为均方误差函数：
Figure BDA0002370156720000091
其中：F(Xk；θ)为对大尺寸LR频谱Xk进行重建得到的重建HR频谱，即频谱重建层的输出；θ＝{W1,W2,W3,B1,B2,B3}为网络模型参数，K为训练集或验证集的大小，k为训练集或验证集中元素的序号，{Yk}为HR频谱集合，{Xk}为与{Yk}对应的大尺寸LR频谱集合。
网络模型使用自适应矩估计优化算法迭代更新网络模型参数θ，在LR频谱和HR频谱间更好地建立端到端的特征映射，使得重建HR频谱F(Xk；θ)与对应的真实HR频谱Yk之间的误差达到最小。
网络模型的性能评估准则为平均绝对误差值，用以评估真实HR频谱与重建HR频谱间的功率谱密度归一化误差值，其公式为：
Figure BDA0002370156720000092
其中：M为频点总数，N是时间长度，y(i,j)是真实HR频谱中第i个频点j时刻的功率谱密度归一化值，
Figure BDA0002370156720000093
是重建HR频谱中第i个频点j时刻的功率谱密度归一化值，i为频点序号，j为时间序号。
二、离线训练：对采集到的真实HR频谱进行数据预处理得到大尺寸LR频谱，然后将大尺寸LR频谱和对应的真实HR频谱一同作为训练样本输入到网络模型中进行训练。
如图1中所示，对采集到的真实HR频谱进行数据预处理的过程包括：对采集到的真实HR频谱进行归一化，对归一化后的HR频谱进行降质，获得LR频谱；对LR频谱进行零插值操作，将LR频谱扩大至HR频谱的尺寸，得到大尺寸LR频谱；该过程具体包括如下步骤：
步骤21：对传输HR频谱
Figure BDA0002370156720000101
进行归一化：
Figure BDA0002370156720000102
其中：
Figure BDA0002370156720000103
表示传输的HR频谱，
Figure BDA0002370156720000104
表示(i,j)处
Figure BDA0002370156720000105
的功率谱密度值，a是
Figure BDA0002370156720000106
中最小功率谱密度值，b是
Figure BDA0002370156720000107
中最大功率谱密度值，
Figure BDA0002370156720000108
表示
Figure BDA0002370156720000109
归一化后的功率谱密度值；
步骤22：对归一化后的HR频谱
Figure BDA00023701567200001010
在时域和频域上分别以dtime和dfre间隔进行降质，并在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure BDA00023701567200001011
其中dtime表示时域重建倍数，dfre表示频域重建倍数，dtime和dfre是不为零的正整数；
步骤23：在
Figure BDA00023701567200001012
和
Figure BDA00023701567200001013
上划分训练集的输入数据集
Figure BDA00023701567200001014
训练集的输出标签集
Figure BDA00023701567200001015
验证集的输入数据集
Figure BDA00023701567200001016
和验证集的输出标签集
Figure BDA00023701567200001017
分别表示为：
Figure BDA00023701567200001018
Figure BDA00023701567200001019
Figure BDA00023701567200001020
Figure BDA00023701567200001021
其中：N为正整数，s＝1，
Figure BDA00023701567200001022
和Lf分别表示真实HR频谱的时域和频域大小，
Figure BDA00023701567200001023
表示验证集时域长度，则训练集时域为
Figure BDA00023701567200001024
步骤24：训练网络模型
(241)R为最大训练周期，网络模型参数集为θ1,θ2,…,θR}，初始化MAEbest为无穷大的正数，初始化训练周期变量r＝0，设置计数器count，并初始化count＝0；
(242)训练周期r＝r+1；
(243)在训练集
Figure BDA0002370156720000111
和
Figure BDA0002370156720000112
上训练优化得到网络模型
Figure BDA0002370156720000113
并在验证集
Figure BDA0002370156720000114
和
Figure BDA0002370156720000115
上验证
Figure BDA0002370156720000116
获得网络模型
Figure BDA0002370156720000117
其中：
Figure BDA0002370156720000118
表示第r个训练周期内网络参数为θr的网络模型，
Figure BDA0002370156720000119
表示
Figure BDA00023701567200001110
在第r个训练周期内经过验证的网络模型；
(244)计算误差MAE：若MAE＞MAEbest，则count＝count+1，进入步骤(245)；否则，MAEbest＝MAE，count＝0，进入步骤(245)，MAEbest为最小重建误差值；
(245)判断count≤patience是否成立：若成立，则进入步骤(246)；否则，
Figure BDA00023701567200001111
结束训练；
其中：
Figure BDA00023701567200001112
表示模型
Figure BDA00023701567200001113
的重建误差值，patience为正整数，用于监测模型训练的耐心值；
(246)判断r＞R是否成立：若成立，则结束；否则，返回步骤(242)；
步骤25：选择最佳网络模型参数
Figure BDA00023701567200001114
输出训练好的网络模型
Figure BDA00023701567200001115
三、在线重建：卫星传输LR频谱，在信关站使用训练好的网络模型重建卫星传输的LR频谱，得到重建的HR频谱。
步骤31：
Figure BDA00023701567200001116
为训练好的网络模型，实时传输的LR频谱
Figure BDA00023701567200001117
的时域为
Figure BDA00023701567200001118
频域大小为Lf，t为时间变量，初始化t＝0；
步骤32：t＝t+1，当
Figure BDA00023701567200001119
时，对实时传输的LR频谱
Figure BDA00023701567200001120
进行归一化操作：
Figure BDA00023701567200001121
其中：
Figure BDA00023701567200001122
表示实时输入的LR频谱，
Figure BDA00023701567200001123
表示(i,j)处
Figure BDA00023701567200001124
的功率谱密度值，a是
Figure BDA00023701567200001125
中最小功率谱密度值，b是
Figure BDA00023701567200001126
中最大功率谱密度值，
Figure BDA00023701567200001127
表示
Figure BDA00023701567200001128
归一化后的功率谱密度值；
步骤33：对归一化后的LR频谱
Figure BDA00023701567200001129
在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure BDA0002370156720000121
步骤34：将
Figure BDA0002370156720000122
输入到网络模型
Figure BDA0002370156720000123
中，输出重建的HR频谱
Figure BDA0002370156720000124
四、在线评估：卫星周期性发送一段真实HR频谱，使用训练好的网络模型重建卫星发送的真实HR频谱，得到重建的HR频谱，评估重建的HR频谱与卫星发送的真实HR频谱的误差，得到网络模型的性能评估。
步骤41：
Figure BDA0002370156720000125
为训练好的网络模型，实时输入的真实HR频谱
Figure BDA0002370156720000126
的时域为
Figure BDA0002370156720000127
频域大小为Lf，此时
Figure BDA0002370156720000128
t＝t+1，当
Figure BDA0002370156720000129
时，对真实HR频谱
Figure BDA00023701567200001210
进行归一化操作：
Figure BDA00023701567200001211
其中：
Figure BDA00023701567200001212
表示实时传输的HR频谱，
Figure BDA00023701567200001213
表示(i,j)处
Figure BDA00023701567200001214
的功率谱密度值，a是
Figure BDA00023701567200001215
中最小功率谱密度值，b是
Figure BDA00023701567200001216
中最大功率谱密度值，
Figure BDA00023701567200001217
表示
Figure BDA00023701567200001218
归一化后的功率谱密度值；
步骤42：对归一化后的HR频谱
Figure BDA00023701567200001219
在时域和频域上分别以dtime和dfre间隔进行降质，并在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure BDA00023701567200001220
步骤43：将
Figure BDA00023701567200001221
输入到网络模型
Figure BDA00023701567200001222
中，得到重建的HR频谱
Figure BDA00023701567200001223
计算
Figure BDA00023701567200001224
与
Figure BDA00023701567200001225
间的平均绝对误差MAE：当MAE值小于
Figure BDA00023701567200001226
时，进入步骤(3)，继续在线重建；否则，进入步骤(2)，更新网络模型
Figure BDA00023701567200001227
其中
Figure BDA00023701567200001228
是根据验证所设的最大MAE值。
为了能够检验离线在线频谱重建的动态框架效果，我们将在两倍重建下选取两段具有不同规律的频谱1820～1838MHz和1838～1856MHz首尾相连，模拟感知卫星动态地传输数据，离线阶段的HR频谱数据长度设置为2000个时隙，在线重建阶段的LR频谱数据长度设置为5000个时隙，在线评估阶段的HR频谱数据长度设为200个时隙，根据验证误差，将最大的重建误差值MAE设为0.035。如图4所示，我们利用离线在线频谱重建的动态框架，间隔地给出小段HR频谱数据用于监测模型性能，当时间在60400时隙，模型重建的误差MAE大于最大误差阈值时，地面站认为频谱的规律已经改变，通知卫星发送HR频谱数据，一方面用于传输，另一方面用于模型的离线训练，因此训练阶段并不影响卫星数据传输。在67600时隙，新的模型被用于在线重建和在线预测，重建误差回归正常水平。
综上所述，本发明提供的基于DCNN神经网络的频谱超分辨率在线重建方法，结合离线在线频谱重建的动态框架，模型离线使用传输的HR频谱数据进行训练，在线阶段直接重建LR频谱数据，离线在线动态框架的加入，使得卫星间隔发送小段HR频谱用于在线评估模型性能，保证了模型长期有效地重建实时LR频谱的能力，避免模型因随机噪声的影响和频谱规律的变化导致的性能下降，从而达到缓解星地间传输压力的目的。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于深度卷积神经网络的频谱超分辨率在线重建方法，其特征在于：结合离线在线频谱重建的动态框架进行在线重建，包括模型构建、离线训练、在线重建和在线评估四个部分，具体步骤如下：
(1)模型构建：利用多层卷积层搭建深度卷积神经网络，网络模型参数通过自适应矩估计优化算法进行优化；
(2)离线训练：对传输的HR频谱进行数据预处理得到大尺寸LR频谱，然后将大尺寸LR频谱和对应的HR频谱一同作为训练样本输入到网络模型中进行训练；
对传输的HR频谱进行数据预处理的过程包括：对传输的HR频谱进行归一化，对归一化后的HR频谱进行降质，获得LR频谱；对LR频谱进行零插值操作，将LR频谱扩大至HR频谱的尺寸，得到大尺寸LR频谱；
(3)在线重建：数据重建服务器利用训练确定的网络模型重建传输的LR频谱，得到重建的HR频谱；
过程包括：对卫星传输的LR频谱进行归一化，对归一化后的LR频谱进行零插值操作，将LR频谱扩大至HR频谱的尺寸，得到大尺寸LR频谱；将大尺寸LR频谱输入到训练好的网络模型中；
(4)在线评估：基于周期性传输的少量HR数据，将其降质后使用训练好的网络模型进行HR重建，并分析重建的HR频谱与传输的HR频谱进行对比的误差，确定是否需要重新进行离线训练。
2.根据权利要求1所述的基于深度卷积神经网络的频谱超分辨率在线重建方法，其特征在于：所述步骤(1)中，设计深度卷积神经网络构建网络模型，通过网络模型学习LR频谱到HR频谱间端到端的一个特征映射，估计LR频谱中缺失的高频信息从而实现HR频谱的重建，网络模型使用修正线性单元作为卷积层的激活函数，用于隐藏层神经元输出；激活函数的形式为：
y＝max(0,x)
其中：x为深度神经网络的输入向量；max(0,x)为取0和x中的最大值，即当x≤0时，输出为0，当x＞0时，输出为x；
网络模型由三层卷积层构成，分别为特征提取层、非线性映射层和频谱重建层：
F1(X)＝max(0,W1*X+B1)
F2(X)＝max(0,W2*F1(X)+B2)
F(X)＝W3*F2(X)+B3
其中：X表示大尺寸LR频谱，*表示卷积运算；
F1(X)为特征提取层的输出，权重W1包含n1个尺寸为c×f1×f1的特征提取层卷积核，B1表示特征提取层的偏置，且B1是一个n1维向量，n1为不为零的整数；c为特征提取层卷积核的深度，f1同时用于表示特征提取层卷积核的长和宽；特征提取层使用n1个卷积核做卷积操作，每个卷积核输出一张特征映射图，组成n1维特征映射图；
F2(X)为非线性映射层的输出，权重W2包含n2个尺寸为n1×f2×f2的非线性映射层卷积核，B2表示非线性映射层的偏置，且B2是一个n2维向量，n2为不为零的整数；f2同时用于表示非线性映射层卷积核的长和宽；非线性映射层对特征提取层的输出进行非线性映射，输出n2维特征映射图；
F(X)为频谱重建层的输出，权重W3包含n3个大小为n2×f3×f3的频谱重建层卷积核，B3表示频谱重建层的偏置，且B3是一个n3维向量，n3为不为零的整数；f3为同时用于表示频谱重建层卷积核的长和宽；频谱重建层对非线性映射层输出的特征映射图重叠区域进行平均化操作，获得完整的重建的HR频谱；
网络模型的损失函数L(θ)为均方误差函数：
Figure FDA0002370156710000021
其中：F(Xk；θ)为对大尺寸LR频谱Xk进行重建得到的重建HR频谱，即频谱重建层的输出；θ＝{W1,W2,W3,B1,B2,B3}为网络模型参数，K为训练集或验证集的大小，k为训练集或验证集中元素的序号，{Yk}为HR频谱集合，{Xk}为与{Yk}对应的大尺寸LR频谱集合；
网络模型使用自适应矩估计优化算法迭代更新网络模型参数θ，使得重建HR频谱F(Xk；θ)与对应的真实HR频谱Yk之间的误差达到最小；
网络模型的性能评估准则为平均绝对误差值，用以评估真实HR频谱与重建HR频谱间的功率谱密度归一化误差值，其公式为：
Figure FDA0002370156710000031
其中：M为频点总数，N是时间长度，y(i,j)是真实HR频谱中第i个频点j时刻的功率谱密度归一化值，
Figure FDA0002370156710000032
是重建HR频谱中第i个频点j时刻的功率谱密度归一化值，i为频点序号，j为时间序号。
3.根据权利要求1所述的基于深度卷积神经网络的频谱超分辨率在线重建方法，其特征在于：所述步骤(2)中，离线训练包括如下步骤：
步骤21：对传输的HR频谱
Figure FDA0002370156710000033
进行归一化：
Figure FDA0002370156710000034
其中：
Figure FDA0002370156710000035
表示传输的HR频谱，
Figure FDA0002370156710000036
表示(i,j)处
Figure FDA0002370156710000037
的功率谱密度值，a是
Figure FDA0002370156710000038
中最小功率谱密度值，b是
Figure FDA0002370156710000039
中最大功率谱密度值，
Figure FDA00023701567100000310
表示
Figure FDA00023701567100000311
归一化后的功率谱密度值；
步骤22：对归一化后的HR频谱
Figure FDA00023701567100000312
在时域和频域上分别以dtime和dfre间隔进行降质，并在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure FDA00023701567100000313
其中dtime表示时域重建倍数，dfre表示频域重建倍数，dtime和dfre是不为零的正整数；
步骤23：在
Figure FDA00023701567100000314
和
Figure FDA00023701567100000315
上划分训练集的输入数据集
Figure FDA00023701567100000316
训练集的输出标签集
Figure FDA00023701567100000317
验证集的输入数据集
Figure FDA00023701567100000318
和验证集的输出标签集
Figure FDA00023701567100000319
分别表示为：
Figure FDA00023701567100000320
Figure FDA0002370156710000041
Figure FDA0002370156710000042
Figure FDA0002370156710000043
其中：N为正整数，s＝1，
Figure FDA0002370156710000044
和Lf分别表示HR频谱的时域和频域大小，
Figure FDA0002370156710000045
表示验证集时域长度，则训练集时域为
Figure FDA0002370156710000046
步骤24：训练网络模型
(241)R为最大训练周期，网络模型参数集为{θ1,θ2,…,θR}，初始化MAEbest为无穷大的正数，初始化训练周期变量r＝0，设置计数器count，并初始化count＝0；
(242)训练周期r＝r+1；
(243)在训练集
Figure FDA0002370156710000047
和
Figure FDA0002370156710000048
上训练优化得到网络模型
Figure FDA0002370156710000049
并在验证集
Figure FDA00023701567100000410
和
Figure FDA00023701567100000411
上验证
Figure FDA00023701567100000412
获得网络模型
Figure FDA00023701567100000413
其中：
Figure FDA00023701567100000414
表示第r个训练周期内网络参数为θr的网络模型，
Figure FDA00023701567100000415
表示
Figure FDA00023701567100000416
在第r个训练周期内经过验证的网络模型；
(244)计算误差MAE：若MAE＞MAEbest，则count＝count+1，进入步骤(245)；否则，MAEbest＝MAE，count＝0，进入步骤(245)，MAEbest为最小重建误差值；
(245)判断count≤patience是否成立：若成立，则进入步骤(246)；否则，
Figure FDA00023701567100000417
结束训练；
其中：
Figure FDA00023701567100000418
表示模型
Figure FDA00023701567100000419
的重建误差值，patience为正整数，用于监测模型训练的耐心值；
(246)判断r＞R是否成立：若成立，则结束；否则，返回步骤(242)；
步骤25：选择最佳网络模型参数
Figure FDA00023701567100000420
输出训练确定的网络模型
Figure FDA00023701567100000421
4.根据权利要求1所述的基于深度卷积神经网络的频谱超分辨率在线重建方法，其特征在于：所述步骤(3)中，在线重建包括如下步骤：
步骤31：
Figure FDA0002370156710000051
为训练确定的网络模型，实时输入的LR频谱
Figure FDA0002370156710000052
的时域为
Figure FDA0002370156710000053
频域大小为Lf，t为时间变量，初始化t＝0；
步骤32：t＝t+1，当
Figure FDA0002370156710000054
时，对实时输入的LR频谱
Figure FDA0002370156710000055
进行归一化操作：
Figure FDA0002370156710000056
其中：
Figure FDA0002370156710000057
表示实时输入的LR频谱，
Figure FDA0002370156710000058
表示(i,j)处
Figure FDA0002370156710000059
的功率谱密度值，a是
Figure FDA00023701567100000510
中最小功率谱密度值，b是
Figure FDA00023701567100000511
中最大功率谱密度值，
Figure FDA00023701567100000512
表示
Figure FDA00023701567100000513
归一化后的功率谱密度值；
步骤33：对归一化后的LR频谱
Figure FDA00023701567100000514
在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure FDA00023701567100000515
步骤34：将
Figure FDA00023701567100000516
输入到网络模型
Figure FDA00023701567100000517
中，输出重建的HR频谱
Figure FDA00023701567100000518
5.根据权利要求1所述的基于深度卷积神经网络的频谱超分辨率在线重建方法，其特征在于：所述步骤(4)中，在线评估包括如下步骤：
步骤41：
Figure FDA00023701567100000519
为训练确定的网络模型，实时传输的HR频谱
Figure FDA00023701567100000520
的时域为
Figure FDA00023701567100000521
频域大小为Lf，此时
Figure FDA00023701567100000522
t＝t+1，当
Figure FDA00023701567100000523
时，对真实HR频谱
Figure FDA00023701567100000524
进行归一化操作：
Figure FDA00023701567100000525
其中：
Figure FDA00023701567100000526
表示实时传输的HR频谱，
Figure FDA00023701567100000527
表示(i,j)处
Figure FDA00023701567100000528
的功率谱密度值，a是
Figure FDA00023701567100000529
中最小功率谱密度值，b是
Figure FDA00023701567100000530
中最大功率谱密度值，
Figure FDA00023701567100000531
表示
Figure FDA00023701567100000532
归一化后的功率谱密度值；
步骤42：对归一化后的HR频谱
Figure FDA00023701567100000533
在时域和频域上分别以dtime和dfre间隔进行降质，并在时域和频域上分别以dtime和dfre间隔插入零，得到大尺寸LR频谱
Figure FDA0002370156710000061
步骤43：将
Figure FDA0002370156710000062
输入到网络模型
Figure FDA0002370156710000063
中，得到重建的HR频谱
Figure FDA0002370156710000064
计算
Figure FDA0002370156710000065
与
Figure FDA0002370156710000066
间的平均绝对误差MAE：当MAE值小于
Figure FDA0002370156710000067
时，进入步骤(3)，继续在线重建；否则，进入步骤(2)，更新网络模型
Figure FDA0002370156710000068
其中
Figure FDA0002370156710000069
是根据验证所设的最大MAE值。
CN202010048133.1A 2020-01-16 2020-01-16 一种基于深度卷积神经网络的频谱超分辨率在线重建方法 Active CN111242849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010048133.1A CN111242849B (zh) 2020-01-16 2020-01-16 一种基于深度卷积神经网络的频谱超分辨率在线重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010048133.1A CN111242849B (zh) 2020-01-16 2020-01-16 一种基于深度卷积神经网络的频谱超分辨率在线重建方法

Publications (2)

Publication Number Publication Date
CN111242849A true CN111242849A (zh) 2020-06-05
CN111242849B CN111242849B (zh) 2022-08-16

Family

ID=70865028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010048133.1A Active CN111242849B (zh) 2020-01-16 2020-01-16 一种基于深度卷积神经网络的频谱超分辨率在线重建方法

Country Status (1)

Country Link
CN (1) CN111242849B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819082A (zh) * 2021-02-09 2021-05-18 南京邮电大学 一种基于深度学习的卫星频谱感知数据重构方法
CN112967357A (zh) * 2021-02-19 2021-06-15 中国人民解放军国防科技大学 一种基于卷积神经网络的频谱地图构建方法
CN113259031A (zh) * 2021-05-13 2021-08-13 南京邮电大学 一种面向卫星频谱态势生成的底噪拟合与消除方法
CN113300796A (zh) * 2021-07-26 2021-08-24 南京邮电大学 Noma系统中基于机器学习的频谱感知方法和装置
CN113837980A (zh) * 2021-10-12 2021-12-24 Oppo广东移动通信有限公司 分辨率的调整方法、装置、电子设备及存储介质
CN114488105A (zh) * 2022-04-15 2022-05-13 四川锐明智通科技有限公司 一种基于运动特征及方向模板滤波的雷达目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHAO DONG等: "Learning a Deep Convolutional network for Image Super-Resolution", 《ECCV 2014》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819082A (zh) * 2021-02-09 2021-05-18 南京邮电大学 一种基于深度学习的卫星频谱感知数据重构方法
CN112967357A (zh) * 2021-02-19 2021-06-15 中国人民解放军国防科技大学 一种基于卷积神经网络的频谱地图构建方法
CN113259031A (zh) * 2021-05-13 2021-08-13 南京邮电大学 一种面向卫星频谱态势生成的底噪拟合与消除方法
CN113259031B (zh) * 2021-05-13 2022-03-04 南京邮电大学 一种面向卫星频谱态势生成的底噪拟合与消除方法
CN113300796A (zh) * 2021-07-26 2021-08-24 南京邮电大学 Noma系统中基于机器学习的频谱感知方法和装置
CN113300796B (zh) * 2021-07-26 2021-10-08 南京邮电大学 Noma系统中基于机器学习的频谱感知方法和装置
CN113837980A (zh) * 2021-10-12 2021-12-24 Oppo广东移动通信有限公司 分辨率的调整方法、装置、电子设备及存储介质
CN114488105A (zh) * 2022-04-15 2022-05-13 四川锐明智通科技有限公司 一种基于运动特征及方向模板滤波的雷达目标检测方法
CN114488105B (zh) * 2022-04-15 2022-08-23 四川锐明智通科技有限公司 一种基于运动特征及方向模板滤波的雷达目标检测方法

Also Published As

Publication number Publication date
CN111242849B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN111242849B (zh) 一种基于深度卷积神经网络的频谱超分辨率在线重建方法
CN105142177B (zh) 复数神经网络信道预测方法
Teganya et al. Data-driven spectrum cartography via deep completion autoencoders
Li et al. Example-based image super-resolution with class-specific predictors
CN112347871B (zh) 一种用于通信载波监视系统的干扰信号调制识别方法
CN114580498A (zh) 一种无线通信场景下高通信效率的联邦学习方法
CN112491442B (zh) 一种自干扰消除方法及装置
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
CN112819082B (zh) 一种基于深度学习的卫星频谱感知数据重构方法
CN114915523B (zh) 基于模型驱动的智能超表面信道估计方法及系统
CN114881093A (zh) 一种信号分类识别方法
Zha et al. The power of triply complementary priors for image compressive sensing
CN116612010A (zh) 基于光谱相关信息和空间高低频信息的超分辨率图像重建方法
CN116471585B (zh) 一种兼顾隐私保护的面向任务的语义通信方法及系统
CN113242201B (zh) 基于生成分类网络的无线信号增强解调方法及系统
Prasetyo et al. Integrating Companding and Deep Learning on Bandwidth-Limited Image Transmission
CN114693547A (zh) 基于图像超分辨的射频图像增强方法及射频图像识别方法
Zhang et al. Image super-resolution via RL-CSC: when residual learning meets convolutional sparse coding
CN114630207A (zh) 基于降噪自编码器的多传感节点感知数据收集方法
Xie et al. Image compressed sensing: From deep learning to adaptive learning
Qian et al. Deep Image Semantic Communication Model for Artificial Intelligent Internet of Things
Marques et al. Nonlinear functions in learned iterative shrinkage-thresholding algorithm for sparse signal recovery
Omondi et al. Variational autoencoder-enhanced deep neural network-based detection for MIMO systems
CN117978247B (zh) 基于高通量卫星物联网的数据压缩方法和装置
CN117835246B (zh) 一种面向任务的隐私语义通信方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 201, building 2, phase II, No.1 Kechuang Road, Yaohua street, Qixia District, Nanjing City, Jiangsu Province

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: 210023 Jiangsu city of Nanjing province Ya Dong new Yuen Road No. 9

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant