专利交易市场

本发明涉及一种基于改进粒子群的高铁移动通信系统网络覆盖方法。该方法包括以下步骤：步骤1，将高铁待覆盖范围用网格法分割；步骤2，计算传感器和待覆盖网格距离；步骤3：设计改进后的粒子群移动通信位置覆盖优化算法；步骤4：设计改进粒子群的高铁移动通讯位置覆盖优化算法；步骤5，根据高铁反馈的位置信息，用改进粒子群算法对传感器节点进行优化。本发明通过改进粒子群的惯性权重和加速度常数，增强粒子群算法迭代后期跳出局部最优解的能力，完成对高铁移动通信网络的优化。

本发明属于无线通信技术领域，涉及一种蜂窝移动通信系统接入非授权频谱的方法。本发明的目标是使蜂窝系统充分利用频谱中的空闲时间进行传输。空闲时间是指其他系统没有数据需要传输的时间，即当前缓冲区的包已经传输完成而新的数据包尚未达到。由于深度强化学习能够通过在复杂的数据中提取变化规律，进而实现在复杂动态环境中进行有效地决策，本发明提出利用深度强化学习对频谱占用情况进行分析和预测，然后根据频谱的繁忙程度自适应地调整蜂窝系统的接入策略。本发明无需各个运作在非授权频谱上的系统增加额外的控制信道或控制接口，通过深度强化学习频谱数据中的流量变化规律，实现在蜂窝系统在无需其他系统信息情况下的智能频谱接入方案。

本发明属于无线通信技术领域，涉及一种基于神经网络的蜂窝移动通信系统接收机设计方法。本发明提出的技术方案与传统方案不同之处在于，接收机不仅使用了导频符号进行信道估计，而且同时也利于了数据符号进行信道估计。与传统方法相比，本发明中采用的导频和数据结合的方法能够一定程度上减少由于导频序列非正交产生的导频污染效应，提高了接收端误码率性能。

本发明公开了一种基于强化学习的蜂窝移动通信系统协作式信号发送方法,包括以下步骤:(1)在基站发射端,每个基站首先收集本基站下用户的干扰信息和等效信道信息,并将这些信息以及上一个时刻的各个用户分配得到功率信息发送给其他基站;(2)每个基站根据本地用户的信道信息确定各个用户的波束方向;(3)根据其他基站交互的信息通过训练好的强化学习神经网络中,神经网络经过运算后输出该基站下给每个用户分配的功率;(4)每个基站就根据波束方向和功率来生成波束赋形向量,并用该波束赋形向量为发送信号做处理。本发明适用于配置了大规模天线阵列的移动蜂窝网络,能提高整个蜂窝网络的总传输速率。

本发明涉及一种GMR系统中RLC和MAC层的实现方法，提出了一种将RLC/MAC报头拆分在RLC层和MAC层完成，在下行方向，MAC层收到来自网络的RLC/MAC报头数据，如果是控制报头，则MAC层解析该报头中MAC层消息数据，将解析结果上报给RLC层。如果是数据报头，则MAC层将解析出RLC/MAC报头的数据，将该数据上报给RLC层，同时上报解析RLC/MAC报头中的报头字段内容。在上行方向，如果MAC层需要发送RLC/MAC控制报头，则MAC层向RLC层请求RLC层控制信息，以及RLC/MAC报头字段的信息。如果MAC层需要发送数据报头，MAC层向RLC层请求发送RLC数据，以及RLC/MAC报头字段的内容。

本发明公开了一种移动协作通信系统的中断概率性能预测方法，基于多发多收和混合译码放大转发协作通信技术，建立移动协作通信系统模型，选择最佳移动中继节点，在移动信源至最佳移动中继节点链路的信噪比大于信噪比门限时采用译码转发策略将移动信源信号转发至目的端，小于时则采用放大转发策略转发至目的端，进而给出两种发射天线选择方案，分别推导其移动协作通信系统的中断概率的闭合表达式，并分别使用神经网络对移动通信物理层中断概率性能进行了智能预测，与现有的极限学习机、局部加权线性回归、支持向量机、广义回归神经网络和径向基函数神经网络等方法进行了比较，取得了更好的中断概率性能预测效果。

本发明提供了一种屏蔽手机待机程序的处理系统，其包括手机、检测装置、调整装置、感应装置、夹持装置和处理器，检测装置、调整装置、感应装置混和处理器分别设置在夹持装置上；检测装置对手机的运行状态进行检测，以检测手机当前使用的应用程序；调整装置对设定的待机策略进行调整，以实现对非设定的应用程序进行关闭；感应装置对手机的电量和信号强度进行感应，获得手机的电池容量和信号强度；夹持装置用于嵌套在手机上。本发明通过与手机进行配合使用，使得手机在使用的过程中，能够对手机的状态及进行检测，并进行适应性的调整，以实现对手机的待机程序的延长，也能屏蔽一些不常用的应用程序。

本发明公开了一种移动通信系统的安全容量性能预测方法，包括建立移动通信系统模型的步骤，在建立移动通信系统上推导其安全容量表达式的步骤，以及设计Dense‑Inception卷积神经网络对平均安全容量进行预测的步骤；本发明通过以上步骤推导出移动通信系统的平均安全容量的表达式，然后基于Dense‑Inception卷积神经网络对移动通信系统的安全容量性能进行了智能预测，相比现有的CNN神经网络、BP神经网络、极限学习机、局部加权线性回归、支持向量机等方法能够取得更好的安全性能预测效果。