本技术请求保护一种基于LSTM‑DQN的自适应调制编码方法，属于流星余迹通信领域。针对流星余迹通信信道传输时延较长导致的信道状态信息时效性不足问题，以及传统自适应调制编码算法在快时变信道中性能下降较为局限的问题，本文提出了联合LSTM和DQN网络来进行策略选择从而提升系统吞吐量的方法，方法包括如下步骤:首先初始化LSTM和DQN的网络框架，通过信噪比估计算法以及检错码得到每一步的传输情况作为神经网络训练数据，之后LSTM负责进行时序预测改进信道状态信息过期的问题，DQN网络使用经验回放和目标网络来训练自适应调制编码策略网络。通过不断迭代网络参数，优化不同信道状态下调制编码方案策略的选取，进而得到更适应信道当下状态的调制编码方案。

 本技术属于无线通信信号识别技术领域，具体公开了一种基于交叉信号增强的双分支自动调制识别方法。首先获取调制信号，并对调制信号进行预处理，将调制信号由I/Q数据转换为A/P数据；然后，搭建调制识别模型；所述调制识别模型包括交叉增强、通道特征融合、时序上下文特征捕获和分类器四个模块；交叉增强模块对调制信号的I、Q通道数据进行交叉增强，提取I/Q特征；通道特征融合模块对I/Q特征和A/P特征进行深度融合，得到通道融合增强特征；时序上下文特征捕获模块从通道融合增强特征中提取时序上下文特征，时序上下文特征输入到分类器中进行分类，得到调制类型；最后，对调制识别模型进行训练和优化，将优化后的调制识别模型用于调制信号的识别。该方法能够有效减小I/Q通道间的失衡现象，提高识别准确度。

 本技术提供了一种基于混合分区和复值网络的Massive MIMO信道状态传输方法，该方法主要包含两个部分:第一部分提供了一种信道环境混合分区方法。通过基于位置信息以及信道特征的双重混合分区技术，本方法能够让模型复杂度有效降低，系统效率、可扩展性以及整体性能得到显著提升，同时降低用户设备的计算开销。第二部分提供了一种轻量化复值神经网络模型，可以充分发掘利用信道状态的复数值特性，同时轻量化的设计保证了模型的高训练效率及推理效率。结合以上两种方法，本发明实现了相比传统技术更高的信道状态反馈传输的精度与效率。

 本技术涉及一种适用于对流层散射通信的自适应Chirp调制方法，具体按照以下步骤实施:步骤1、根据对流层散射信道的衰落特性，采用抽头等延迟线模型，建立对流层散射信道模型；步骤2、根据所述对流层散射信道模型，分析物理层参数；步骤3、通过自适应调制编码系统，发射端基于接收端反馈的CSI信息选择最优的Chirp‑BOK调制或Chirp‑BPSK调制方式，并在接收端完成信息序列的接收与反馈；步骤4、构造对应的匹配滤波器，对得到的信号进行解调。本发明提高了系统的可用性和可靠性。

 本技术公开了一种资源高效利用的网内计算系统，该系统包括:任务分析器，用于自动概述每个任务的属性，包括组成部分及其依赖关系，以获取任务分析器输出的分析结果；网内计算优化器，用于接受网络拓扑和网内计算意图以及任务分析器输出的分析结果作为其输入，以最小化交换机间的任务副本数量为优化目标，利用混合整数规划对任务进行优化，以获取最优卸载方案；任务放置器，用于强制执行最优卸载方案并确保每个任务的执行正确性。本发明通过将网内计算问题转化为优化问题，可以减少现有网内计算中产生的任务拷贝副本，增加网内计算的资源利用率；与现有技术相比，具有更快的计算速度和更低的开销；操作简单方便，具有较强的实用性。

 本技术公开一种面向大规模接入的语义通信方法和装置、系统，包括:在信源端获取用户信息并使用语义编码器提取语义信息；将语义信息的高维特征转换为在物理信道中传输的二进制码流；将转换处理后的语义特征经过信道编码后发送到无线信道；对语义特征同一子载波上的局部特征进行聚合；将聚合的语义特征直接用于智能任务；通过端到端的联合训练求解空中计算编码器的权重参数；对语义编解码器以及空中计算编码器进行联合优化求解。采用本发明的技术方案，能够有效处理物联网中大量设备的连接和信息处理，实现更加高效的互联。

 本技术提供一种遥感影像沙漠灌木提取方法，基于EfficientNet‑B0基线模型进行改进得到了FETNet模型，在编码器部分保留基线模型中预定义的原始架构，在编码器和解码器跳跃连接处引入EdgeViT模块，增强模型的全局感知能力，在解码器部分引入FEM模块以确保空间细节信息的保留，使得最终生成的沙漠灌木分割结果更加精确和细致，将预处理后的遥感影像输入FETNet模型，使用随机梯度下降优化器、余弦退火策略和交叉熵损失函数进行模型训练，得到FETNet模型的最优权重，将FETNet模型与常规模型对比，在相同的测试条件下，本发明在遥感影像沙漠灌木分割任务中的所有评估指标均取得了最优结果。

 本技术公开了一种基于计算机视觉的自动化前牙特征参数提取方法及评价系统，包括:获取待处理的患者全口口腔扫描图像并可视化，截取与之对应的牙齿部分图像，运用高斯模糊方法消除镜面反射，运用颜色分割方法为H、S、V三个通道分别设定阈值，将每个牙齿部分图像中的牙齿与牙龈分离再各自进行形态化处理，利用轮廓提取方法提取牙齿部分轮廓和牙龈部分轮廓，由Chan‑Vese活动轮廓模型算法以及牙齿部分轮廓内的能量函数进一步细化分割精度，应用Shi‑Tomasi角点检测方法提取角点后再聚类，通过曲线拟合以及寻找极值的方法提取其它评价重要特征点，最后测算牙齿评价相关客观指标并自动化生成对应的牙齿评分，完成前牙自动化评价。

 本技术公开了一种基于联邦学习的电网异常行为识别方法和装置。其特征包括:获取待识别的电网多维行为信息，对所述电网多维行为信息进行格拉姆矩阵转换，得到至少一个格拉姆行为矩阵；将所述格拉姆行为矩阵的矩阵元素进行像素转换，确定所述格拉姆矩阵对应的格拉姆行为图像；通过预先训练的异常行为模型对所述格拉姆行为图像进行异常行为识别，确定所述电网多维行为信息对应的电网异常行为。实现了对电网网络中的实体进行实体行为检测，能够筛选异常行为并加以警告，及时排查出可能的恶意实体，使得电力网络空间的可靠性和稳定性得到了极大保障，促进了社会的有序运行。

 本技术公开了一种鱼类识别方法，应用于图像识别技术领域，包括:对鱼类识别样本数据进行数据预处理，并对预处理后的数据进行数据划分，得到训练集以及测试集；基于训练集，训练基于改进YOLOV5的鱼类识别模型；其中，YOLOV5的改进包括：使用Swi n Transformer作为骨干网络引入YOLOV5中、使用CARAFE上采样算法代替线性插值上采样、使用BIFPN加权特征融合代替普通拼接操作以及使用新的颈部网络替换YOLOV5中的颈部网络；利用Rep‑G I oU Loss损失函数计算改进YOLOV5的损失，输入测试集至训练收敛后的鱼类识别模型，得到鱼类识别结果。本发明有效提高了鱼类识别精度。