【CN109981186A】超短波全频段信号分选方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910276918.1(22)申请日 2019.04.08(71)申请人 清华大学地址 100084 北京市海淀区清华园(72)发明人 秦增益　江振宇　陈健生　胡春华　马羽　苗素华　(74)专利代理机构 北京睿派知识产权代理事务所(普通合伙) 11597代理人 刘锋(51)Int.Cl.A61B 5/00(2006.01)A61B 5/0488(2006.01)

(54)发明名称服务器和信号分析系统(57)摘要公开了一种服务器和信号分析系统。通过信号采集装置获取表面肌电信号并发送至移动终端，移动终端接收所述表面肌电信号并转发，服务器接收所述移动终端发送的表面肌电信号，并获取所述表面肌电信号的状态分类信息，将所述状态分类信息发送至移动终端。由此，可以通过表面肌电信号获取状态分类信息来比较精确地

分析肌肉的状态。

权利要求书2页 说明书7页 附图4页CN 109965847 A2019.07.05

CN 109965847

A1.一种服务器，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：接收待检测表面肌电信号和预定的评价库中的各对比表面肌电信号；通过卷积神经网络将所述待检测表面肌电信号与所述预定的评价库中的各对比表面肌电信号作比较以输出第一误差参数和第二误差参数；根据所述第一误差参数和所述第二误差参数计算所述待检测表面肌电信号与所述评价库中的各对比表面肌电信号属于同一集合的概率；获取所述概率满足预定条件的对比表面肌电信号的集合；根据所述对比表面肌电信号的集合确定状态分类信息。2.根据权利要求1所述的服务器，其特征在于，所述卷积神经网络包括：归一化层，用于将待检测表面肌电信号和对比表面肌电信号的特征向量进行特征归一化；多个卷积层，用于提取所述待检测表面肌电信号和对比表面肌电信号的局部特征；以及至少一个全连接层，用于根据所述局部特征获取全局信息，并输出所述第一误差参数和第二误差参数。3.一种信号分析系统，其特征在于，所述系统包括：信号采集装置，被配置为获取待检测表面肌电信号并发送；移动终端，被配置为接收所述信号采集装置发送的待检测表面肌电信号并转发；以及服务器，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：接收待检测表面肌电信号和预定的评价库中的各对比表面肌电信号；通过卷积神经网络将所述待检测表面肌电信号与所述预定的评价库中的各对比表面肌电信号作比较以输出第一误差参数和第二误差参数；根据所述第一误差参数和所述第二误差参数计算所述待检测表面肌电信号与所述评价库中的各对比表面肌电信号属于同一集合的概率；获取所述概率满足预定条件的对比表面肌电信号的集合；根据所述对比表面肌电信号的集合确定状态分类信息。4.根据权利要求3所述的信号分析系统，其特征在于，所述信号采集装置包括：采集单元，被配置为获取所述表面肌电信号；控制单元；以及第一无线通信单元，被配置为受控于所述控制单元发送所述表面肌电信号。5.根据权利要求4所述的信号分析系统，其特征在于，所述采集单元包括：至少一个电极贴，用于采集表面肌电信号。6.根据权利要求5所述的信号分析系统，其特征在于，所述采集单元还包括：信号处理电路，与所述电极贴连接，被配置为处理所述表面肌电信号；所述处理包括对所述表面肌电信号进行放大和/或整流和/或积分。7.根据权利要求4所述的信号分析系统，其特征在于，所述第一无线通信单元为蓝牙传

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910264001.X(22)申请日 2019.04.03(71)申请人 成都中科微信息技术研究院有限公司地址 610000 四川省成都市天府新区湖畔路北段269号1栋5楼(72)发明人 卜智勇　(74)专利代理机构 成都九鼎天元知识产权代理有限公司 51214代理人 胡川(51)Int.Cl.H04B 1/715(2011.01)H04B 17/318(2015.01)H04B 17/345(2015.01)H04B 17/382(2015.01)H04B 17/309(2015.01)

(54)发明名称一种电力无线专网的抗干扰跳频方法(57)摘要本发明公开了一种电力无线专网的抗干扰跳频方法，该方法结合信道质量和信道受干扰概率来计算信道综合质量，上/下行信道干扰概率的阈值、信道质量的阈值根据用户的业务量需求进行自适应优化设定和调整，只有在上行干扰概率小于上行干扰阈值且上行信道综合质量大于上行质量阈值时，该上行信道才可用并加入上行跳频集，否则将其剔除；只有在下行干扰概率小于下行干扰阈值且下行信道综合质量大于下行质量阈值时，该下行信道才可用并加入下行跳频集，否则将其剔除。本发明能够提升跳频集的信道综合质量，可以避免同频干扰，减少邻频干扰，优化信道资源利用率，提高电力专网的抗干扰跳

频能力。

权利要求书1页 说明书4页 附图2页CN 109889230 A2019.06.14

CN 109889230

A1.一种电力无线专网的抗干扰跳频方法，其特征在于，包括：获取用户设备的信号强度、信道探测参考信号SRS和上行干扰概率，以及获取用户设备的小区参考信号CRS、信道质量指示CQI信号及下行干扰概率；根据所述上行干扰概率、信号强度和SRS计算得到上行信道综合质量，以及根据所述CRS、CQI信号和下行干扰概率计算得到下行信道综合质量；根据所述用户设备的业务量设置上行干扰阈值、下行干扰阈值、上行质量阈值和下行质量阈值，其中，所述上行干扰阈值和下行干扰阈值的取值与业务量成正比，所述上行质量阈值和下行质量阈值的取值与业务量成反比；判断所述上行干扰概率是否大于上行干扰阈值、所述上行信道综合质量是否小于上行质量阈值，以及判断所述下行干扰概率是否大于下行干扰阈值、所述下行信道综合质量是否小于下行质量阈值；仅在所述上行干扰概率小于上行干扰阈值且上行信道综合质量大于上行质量阈值时，为上行信道添加可用标识，否则为上行信道添加不可用标识，以及仅在所述下行干扰概率小于下行干扰阈值且下行信道综合质量大于下行质量阈值时，为下行信道添加可用标识，否则为下行信道添加不可用标识；对含有可用标识的上行信道按照上行信道综合质量进行排序后加入上行跳频集，并将含有不可用标识的上行信道在上行跳频集中对应的上行信道剔除，以及对含有可用标识的下行信道按照下行信道综合质量进行后加入下行跳频集，并将含有不可用标识的下行信道在下行跳频集中对应的下行信道剔除。2.根据权利要求1所述的抗干扰跳频方法，其特征在于，所述上行信道综合质量的计算公式为：C1＝(1-N1)*normal(信号强度/SRS)其中，normal()为归一化函数，N1表示上行干扰概率，C1表示上行信道综合质量。3.根据权利要求1或2所述的抗干扰跳频方法，其特征在于，所述下行信道综合质量的计算公式为：C2＝(1-N2)*normal(CRS)*normal(CQI)其中，normal()为归一化函数，N2表示下行干扰概率，C2表示下行信道综合质量。4.根据权利要求3所述的抗干扰跳频方法，其特征在于，所述上行跳频集中的上行信道

短波信号宽带检测与分选相关技术研究

随着无线通信技术的飞速发展，短波信号宽带检测与分选技术也逐渐成为了人们关注的焦点。短波信号在通信、广播和无线电导航等领域发挥着重要作用，而信号的宽带检测与分选则是其信息传输和处理的核心技术之一。本文将对短波信号宽带检测与分选相关技术进行深入的研究和探讨。

一、技术背景

短波信号是一种在1-30MHz频段内的无线电波，具有穿透能力强、传输距离远等特点，因此在远距离通信、广播和无线电导航等领域得到了广泛的应用。而短波信号的宽带检测与分选技术则是在该频段内对信号进行精准的检测和分离，以实现信息传输和处理的关键技术之一。该技术是近年来通信领域的研究热点之一，也是促进短波通信和广播技术进步的关键之一。

二、技术原理

短波信号宽带检测与分选技术的原理主要涉及到信号的采集、解调和分选三个方面。通过天线或接收器对短波信号进行采集，并将信号经过放大和滤波等处理，得到一个稳定的信号源。然后，通过解调器将信号进行解调，提取出其中的基带信号。通过分选器将解调后的信号进行分选，实现对信号的分离和选取。这样能够实现对短波信号的准确检测和分选，为后续的信息传输和处理提供了基础。

三、技术挑战

短波信号宽带检测与分选技术虽然在理论上较为成熟，但在实际应用中也面临着不少挑战。首先是信号受干扰的问题，由于短波信号的传输距离较远，容易受到外界环境和天气影响，信号的稳定性常常受影响。其次是设备精度和灵敏度的要求较高，需要对信号设备进行精密的调试和校准。信号的频谱复杂性和数据处理复杂度都需要进一步优化和改进。针对这些挑战，需要进一步研究和探讨新的技术方案，以便更好地解决这些问题。

四、技术发展

随着科技的不断进步和发展，短波信号宽带检测与分选技术也在不断得到更新和改进。一方面，新型的信号采集和解调设备不断涌现，提高了对信号的精度和稳定性。先进的分选算法和技术不断推出，使得对信号的分离和选取更加准确和高效。在硬件和软件方面也得到了不少创新，为短波信号宽带检测与分选技术的发展提供了更加可靠的技术支持。

信号分选算法 -回复

[信号分选算法]

信号分选算法是一个在计算机科学领域中广泛应用的技术，用于将输入信号分割成不同的组或类别。这项技术在许多领域中都有重要的应用，例如图像处理、语音识别和数据挖掘等。在本文中，我们将一步一步地回答关于信号分选算法的一些常见问题，并深入探讨其原理和应用。

第一步：了解信号分选算法的基本概念

信号分选算法主要是根据一定的标准或规则对输入信号进行分类。它可以根据不同的特征或属性将信号分成不同的类别，以便更好地理解和处理数据。这些特征可以是信号的频率、振幅、时域特性或其他相关属性。

第二步：探讨信号分选算法的原理

在信号分选算法中，有许多不同的方法可以用于将信号分成不同的组。常见的方法包括聚类算法、决策树、神经网络和支持向量机等。每种方法都有其自身的优势和适用范围，因此选择合适的算法取决于具体的应用场景和数据特征。

第三步：介绍信号分选算法的应用领域

信号分选算法在很多领域中都发挥着重要的作用。在图像处理中，信号分选算法可以用于图像分割、物体检测和人脸识别等任务。在语音识别中，信号分选算法可以用于语音特征提取和语音识别模型的训练。此外，信号分选算法还可以应用于信号处理、数据挖掘和模式识别等领域。

第四步：介绍信号分选算法的实现步骤

要实现信号分选算法，通常需要以下步骤：

1. 数据预处理：对输入信号进行预处理，包括数据清洗、特征提取和数据标准化等。

2. 特征选择：选择适当的特征集，以提取最相关的信号特征。

3. 模型训练：根据选择的算法，使用训练数据来训练模型。这个步骤涉及到参数调整和性能评估等过程。

4. 模型评估：使用测试数据集来评估模型的性能，并对其进行调整和改进。

5. 预测和应用：使用训练好的模型对新的输入信号进行分类，并根据分类结果进行相应的处理和应用。

第五步：探讨信号分选算法的优缺点

信号分选算法具有许多优点，如能够识别和分类大规模的数据、适应不同的数据特征和问题、提供快速和准确的结果等。然而，它也存在一些挑战和局限性，如对参数选择和特征工程的依赖、对数据质量和噪声的敏感性等。