![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
AI+无线通信
文章平均质量分 70
AI+无线通信
AI浩
2022年博客之星Top8,2021年博客之星Top6,博客专家,华为云云享专家,十佳博主,阿里云专家博主,拥有多项发明专利并参与过国家重大专项,拥有丰富的开发经验。注重理论与实践的结合,让AI学起来不再枯燥。如果大家在看文章的时候,发现了文章的错误,烦请指出,我会及时纠正。
展开
-
深度时空残差网络在城市人流量预测中的应用
预测城市的人流量对交通管理和公共安全具有重要意义(Zheng et al. 2014)。例如,在2015年的上海跨年庆典上,大量人群涌入一个狭长地带,导致了灾难性的踩踏事件,造成36人死亡。2016年7月中旬,数百名“精灵宝可梦Go”玩家跑过纽约中央公园,希望抓住一个特别罕见的数字怪物,导致那里发生了危险的踩踏事件。如果可以预测一个地区的人流量,就可以通过使用紧急机制,如实施交通管制、发出警告或提前疏散人员,来减轻或防止这种悲剧。原创 2022-09-29 18:15:08 · 1719 阅读 · 0 评论 -
用于联合人群流动和转移预测的时空图注意嵌入:基于 Wi-Fi 的移动案例研究
人群流动性预测,特别是预测不同地点的流动和过渡,对于以大型聚集为特征的宽敞环境中的人群分析和管理至关重要。我们提出了 GAEFT,这是一种基于多任务图注意力神经网络的新型人群流动分析系统,用于预测人群流动(流入/流出)和转换。具体来说,我们利用我们的大学信息技术服务提供的集体和净化的校园 Wi-Fi 关联数据,并进行相关的案例研究。我们的综合数据分析揭示了稀疏性和偏度的重要挑战,以及人群流动数据中复杂的时空变化。因此,我们设计了一种新的时空聚类方法来对具有相似转换特征的 Wi-Fi 接入点 (AP) 进行分原创 2022-09-27 18:24:20 · 583 阅读 · 0 评论 -
ViTag :在线 WiFi 精细时间测量辅助多人环境中的视觉-运动身份关联
在本文中,我们提出了 ViTag 来关联多模态数据中的用户身份,尤其是那些从相机和智能手机获得的数据。 ViTag 将一系列视觉跟踪器生成的边界框与来自智能手机的惯性测量单元 (IMU) 数据和 Wi-Fi 精细时间测量 (FTM) 相关联。我们将问题表述为序列到序列(seq2seq)翻译的关联。在这个两步过程中,我们的系统首先使用多模态 LSTM 编码器-解码器网络 (X-Translator) 执行跨模态翻译,该网络将一种模态转换为另一种模态,例如纯粹从相机边界框重建 IMU 和 FTM 读数。其次,关原创 2022-09-15 13:47:36 · 757 阅读 · 0 评论 -
通过 WiFi 信标进行基于边缘的被动人群监控
跟踪人流已变得至关重要,不仅对于安全和保障,而且对于许多实际的商业应用以及更好地管理城市空间、设施和服务。在本文中,我们提出了利用部署在网络边缘的物联网技术的方法,可以分析人们在城市环境中的运动,包括室外和室内。特别是,利用移动人员携带的智能设备发送的 WiFi 探测数据包,我们首先描述了我们的方法的实现,该方法使用现成的硬件来计算乘坐公共交通工具的人数。原创 2022-09-02 17:54:19 · 1177 阅读 · 0 评论 -
2021 全国人工智能大赛 AI+无线通信
大赛介绍一、大赛背景为进一步落实科技部、工信部支持深圳建设国家新一代人工智能创新发展试验区和人工智能创新应用先导区“双区驱动”工作要求,加快推动深圳在人工智能、网络通信等科技创新领域建设步伐,由深圳市人民政府、鹏城实验室(PCNL)主办,深圳市科技创新委员会、新一代人工智能产业技术创新战略联盟(AITISA)联合承办“2021年全国人工智能大赛”。大赛以“AI赋能视界”为主题,分为“AI+无线通信”、“AI+视觉特征编码”两个赛道,在2021年12月启动,面向全球开放报名参赛。大赛立足于国际视野,营原创 2022-03-14 09:21:27 · 1536 阅读 · 0 评论 -
Python求两个list的交集、并集、补集、对称差集的两种方法
1、使用set集合运算符a = [0,1,2,3,4]b = [3,4,5,6,7,8,9]list(set(a) & set(b)) # 使用 "&" 运算求a与b的交集,输出:[3, 4]list(set(a) | set(b)) # 使用 "|" 运算求a与b的并集,输出:[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]list(set(b) - set(a)) # 使用 "-" 运算求a与b的差(补)集: 求b中有而a中没有的元素,输出:原创 2022-01-12 21:08:49 · 5838 阅读 · 0 评论 -
AI+无线通信 复赛
赛题名称基于深度学习的无线通信接收机设计赛题背景当今 5G面临着在复杂无线环境中对接收信号进行高效检测的巨大挑战。由于无线信道的随机衰落、多径、干扰、环境噪声和通信接收机噪声等因素的影响,无线通信信号的检测变得非常困难。传统的信号相干检测方法对于日益复杂的无线通信场景存在信道知识获取困难和检测误码率高等诸多难题。无线通信中的信号检测问题可以等效处理为图像的分类识别问题,这是因为无线通信系统中的发送信号是发送端采用一定信号调制模式下产生的信号。换言之,它是来自于有限的信号集合, 在无线...原创 2020-12-22 09:30:29 · 2123 阅读 · 3 评论 -
AI+无线通信总结——初赛赛题
赛题任务大赛将提供真实无线通信场景下采集的信道数据,鼓励参赛选手采取数据驱动的思路和采用机器学习的方法来设计符合真实信道数据的低复杂度神经网络结构和鲁棒的AI算法,以此提升在不同压缩尺度下的信道信息恢复的准确度。针对真实大规模天线阵列通信信道,采集到的数据是32万个信道数据样本,每个样本是一个矩阵(可以把单个样本视为一张图片)。在此给定数据的条件下,选手需要设计合理的神经网络结构来进行信道数据(等同于图片)的压缩和恢复。本赛题规定压缩后的单个样本大小为128比特,即压缩后传输的管道容量为128比原创 2020-11-02 10:57:28 · 2791 阅读 · 5 评论 -
基于AI的信道信息反馈性能提升比赛总结——赛题答辩及开源方案
赛题答辩https://wx.vzan.com/live/tvchat-1563995305?shareuid=249175314&vprid=0&sharetstamp=1616979828075&ver=08c937576b80409b91ed28365980d4ec#/上面的链接是赛题答辩的视频回访,你可以看到top10分享的方案和举办方对“AI+无线通信”在未来通信中的期望。http://www.shuoguozb.com/index/caselist/album原创 2021-04-07 21:06:18 · 1811 阅读 · 0 评论 -
AI+无线通信总结——初赛算法实现(Top37)
先上代码。剩下的有时间在补,最终提交的初赛排名是37,但是没有跑完,跑完应该能进前20,但是由于算力不足,只跑了50个epoch。我先抛个砖,希望能引来玉。完整代码:Model_define_pytorch.py#!/usr/bin/env python3"""An Implement of an autoencoder with pytorch.This is the template code for 2020 NIAC https://naic.pcl.ac.cn/.The cod原创 2021-01-20 16:34:55 · 4570 阅读 · 8 评论 -
AI+无线通信——Top7 (Baseline)总结
队伍介绍 我们的队伍名是Baseline,我们因分享Baseline结缘,所以就把队伍名叫Baseline。 队长: 方曦来自上海交通大学,研三。 队员 :吕晓欣来自网易,AI工程师 队员:王浩来自北京星河亮点,软件研发 队员:杨信达来自广州一家企业,AI工程师方案摘要对于当前通信系统来说,物理层是通信服务得到保障的基础;而对于物理层来说,MIMO则是基本的支撑技术;对于MIMO来说,准确地确定信道质量并做有效反馈及利用又是必...原创 2021-04-18 07:28:07 · 6093 阅读 · 0 评论