勋章
粉丝
技术能力
- 算法
- 物联网
- 边缘计算
- 传感器
暂时未有相关云产品技术能力~
暂无个人介绍
-
发表了文章 2025-10-06
正交时频空间调制：离散Zak变换方法——论文阅读笔记
本文提出基于离散Zak变换（DZT）的正交时频空间（OTFS）调制新方法，通过DZT统一构建OTFS收发框架，揭示其在时延-多普勒域的输入输出关系，简化系统分析并深化对分辨率与脉冲设计的理解，为高移动性通信提供高效解决方案。
-
发表了文章 2025-10-06
面向高多普勒衰落信道的 OTFS 调制技术
正交时频空（OTFS）调制通过延迟-多普勒域传输，将高多普勒信道转化为准静态环境，显著提升高速移动下的通信鲁棒性。本文研究其信号检测与信道估计，提出低复杂度MCMC检测算法和基于PN导频的稀疏信道估计算法，验证了OTFS在高速场景下的优异性能。
-
发表了文章 2025-10-06
正交时频空间调制（OTFS）技术详解：基础原理与未来挑战
正交时频空间（OTFS）调制将信息嵌入延迟-多普勒域，有效应对高速移动下的多普勒效应。相比OFDM，OTFS在高动态信道中具备全分集增益、低导频开销与强鲁棒性，是6G候选技术之一。
-
发表了文章 2025-10-06
正交时频空间（OTFS）调制技术：理论基础与性能分析
正交时频空间（OTFS）调制技术在延迟-多普勒域进行信号设计，有效应对高多普勒、短包传输等5G挑战。相比传统OFDM，OTFS通过全时频分集和信道硬化，显著提升高速移动场景下的鲁棒性与分集增益，仿真显示其在BLER性能上可获得3-4dB SNR增益，尤其适用于车联网、物联网等应用场景。
-
发表了文章 2025-10-06
6G时代的新型延迟多普勒通信范式：正交时频空间（OTFS）综述
本文综述正交时频空间（OTFS）技术，一种面向6G高移动性场景的新型延迟-多普勒域通信范式。OTFS通过在延迟-多普勒域调制信号，克服传统OFDM在高速移动下的多普勒扩展难题，具备信道稳定性强、抗干扰能力优、峰均比低等优势。文章系统阐述OTFS的信道模型、调制原理、收发机设计、ISAC一体化及在卫星、水声、可见光等新兴场景的应用前景，为其在6G空天地海一体化网络中的应用提供理论支撑与技术路径。
-
发表了文章 2025-10-06
OTFS调制技术：通往6G的时延-多普勒域革命
OTFS调制技术革新无线通信，将信息从时频域迁移至时延-多普勒域，利用信道的准静态特性与稀疏性，显著提升高速移动场景下的抗多普勒性能与频谱效率，成为6G关键候选技术。
-
发表了文章 2025-10-03
PMCW雷达技术的理解与FMCW对比
PMCW雷达通过相位编码实现高精度测距与测速，利用伪随机码相关处理实现距离-速度解耦，抗干扰强、多用户兼容性好，相较FMCW在密集环境和安全性上更具优势。
-
发表了文章 2025-10-03
相位编码调频连续波雷达：融合传统与创新的智能感知技术
相位编码调频连续波雷达（PC-FMCW）融合FMCW的硬件简洁性与相位编码的抗干扰优势，通过频域扩频提升多雷达共存能力，支持MIMO与联合通信，适用于自动驾驶与智能交通系统。
-
发表了文章 2025-10-03
正交啁啾分复用雷达技术（OCDM雷达）：下一代传感系统技术
正交啁啾分复用雷达（OCDM）基于Fresnel变换，通过复用正交啁啾波形实现雷达通信一体化。相较传统FMCW，其多普勒容限更高、抗干扰强3-5 dB，支持高速移动场景，适用于自动驾驶与6G，是下一代高精度传感核心技术。
-
发表了文章 2025-10-03
Fresnel变换的详解
菲涅耳变换是描述光波近场衍射的核心工具，由法国物理学家菲涅耳提出，用于精确刻画光通过孔径后的传播行为。它在傍轴近似下将衍射积分转化为含二次相位因子的傅里叶形式，广泛应用于激光传输、全息成像与光学系统设计。该变换介于精确的瑞利-索末菲积分与远场的夫琅禾费衍射之间，体现了波动光学的基本特征。
-
发表了文章 2025-10-03
面向边缘通用智能的多大语言模型系统：架构、信任与编排——论文阅读
本文提出面向边缘通用智能的多大语言模型（Multi-LLM）系统，通过协同架构、信任机制与动态编排，突破传统边缘AI的局限。融合合作、竞争与集成三种范式，结合模型压缩、分布式推理与上下文优化技术，实现高效、可靠、低延迟的边缘智能，推动复杂场景下的泛化与自主决策能力。
-
发表了文章 2025-10-02
边缘大型AI模型：协作部署与物联网应用——论文阅读
论文《边缘大型AI模型：协作部署与物联网应用》系统探讨了将大模型（LAM）部署于边缘网络以赋能物联网的前沿框架。针对传统云端部署高延迟、隐私差的问题，提出“边缘LAM”新范式，通过联邦微调、专家混合与思维链推理等技术，实现低延迟、高隐私的分布式智能。
-
发表了文章 2025-09-27
汽车雷达系统的干扰缓解：现状调查与未来趋势——论文阅读
本文系统综述了汽车雷达干扰缓解技术的最新进展，提出基于物理域避免、主动避免、反应式信号重建和被动调制技术的四类划分方法，深入分析各类策略的原理、优劣及实施挑战，并强调跨学科合作与监管协同对未来发展的关键作用。
-
发表了文章 2025-09-27
面向能效和低延迟的语音控制智能家居：离线语音识别与物联网集成方案——论文阅读
本文提出一种面向能效与低延迟的离线语音控制智能家居方案，通过将关键词识别（KWS）集成至终端设备，结合去中心化Mesh网络与CoAP协议，实现本地化语音处理。相较云端方案，系统能耗降低98%，延迟减少75%以上，显著提升响应速度与能源效率，为绿色智能家居提供可行路径。（236字）
-
发表了文章 2025-09-27
智能家居环境中的AI决策解释：实现以人为中心的可解释性——论文阅读
本文探讨智能家居中AI决策的可解释性，提出以人为中心的XAI框架。通过SHAP、DeepLIFT等技术提升模型透明度，结合用户认知与需求，构建三层解释体系，增强信任与交互效能。
-
发表了文章 2025-09-27
Sasha：使用大语言模型在智能家居中进行创造性目标导向推理——论文阅读
Sasha利用大语言模型实现智能家居中的创造性目标导向推理，通过迭代式澄清、过滤、规划与反馈机制，有效响应模糊用户指令。系统在真实家庭环境中表现出高相关性与用户满意度，支持复杂多步任务的自然交互，显著提升智能空间的适应性与可用性。
-
发表了文章 2025-09-27
边缘云系统的灵活可变速率图像特征压缩——论文阅读
本文提出一种面向边缘云系统的灵活可变速率图像特征压缩方法，通过联合优化率-精度-复杂度三重权衡，实现单模型多比特率自适应。该方法引入速率参数嵌入与条件归一化机制，在ResNet、ConvNeXt等架构上验证了高效性，显著优于固定速率方案，兼顾低延迟与高精度，适用于资源受限的视觉任务。
-
发表了文章 2025-09-27
FrankenSplit：用于移动边缘计算的浅层变分瓶颈注入高效神经特征压缩——论文阅读
FrankenSplit提出一种面向移动边缘计算的高效神经特征压缩框架，通过浅层变分瓶颈与显著性引导失真优化，实现低带宽、低延迟的模型分割推理，支持多架构泛化，在保持高精度的同时显著降低传输开销。
-
发表了文章 2025-09-26
DDMA-MIMO雷达多子带相干累积目标检测算法——论文阅读
本文提出一种多子带相干累积（MSCA）算法，通过引入空带和子带相干处理，解决DDMA-MIMO雷达的多普勒模糊与能量分散问题。该方法在低信噪比下显著提升检测性能，实测验证可有效恢复目标速度，适用于车载雷达高精度感知。
-
发表了文章 2025-09-26
下一代汽车雷达系统调制方案的统一模型与综述
本文提出统一信号模型，系统综述下一代汽车雷达调制方案。涵盖FMCW、PMCW、OFDM、OCDM与OTFS，分析其波形特性、抗干扰能力及实现复杂度，为高阶自动驾驶感知技术发展提供理论支撑与路径指引。（238字）
-
发表了文章 2025-09-26
WorldSimBench: 迈向作为世界模拟器的视频生成模型——论文阅读
WorldSimBench提出了一种新框架，旨在将视频生成模型发展为具备物理理解与动作执行能力的世界模拟器。通过构建层次化评估体系（S0-S3）和HF-Embodied数据集，结合显式感知与隐式操作双重评估，推动具身智能体在Minecraft、自动驾驶和机器人等场景中的真实任务表现。
-
发表了文章 2025-09-26
Stable Video Diffusion：将潜在视频扩散模型扩展到大规模数据集——论文阅读
Stable Video Diffusion（SVD）是Stability AI提出的高分辨率视频生成模型，基于潜在扩散框架，通过三阶段训练与严格数据筛选，在文本到视频和图像到视频任务中实现高质量生成。论文系统研究了数据质量对模型性能的影响，提出级联切分检测、运动评分过滤、合成字幕优化等策略，并引入线性递增引导等创新技术，显著提升生成稳定性与视觉保真度。
-
发表了文章 2025-09-24
Phi-4 技术报告深度解读——论文阅读
微软Phi-4技术报告揭示了140亿参数小模型如何通过高质量合成数据与创新训练方法，在数学推理、代码生成等任务上超越千亿参数大模型。核心突破在于数据质量优于规模扩张，结合关键Token搜索（PTS）算法优化DPO训练，显著提升推理能力并降低幻觉。
-
发表了文章 2025-09-24
Phi-3 技术报告：手机本地运行的高能力语言模型
Phi-3系列模型通过高质量数据训练与架构创新，实现小体积、高性能。38亿参数的phi-3-mini在手机端可达GPT-3.5水平，支持长上下文、多模态与高效推理，推动AI普惠化。
-
发表了文章 2025-09-24
EdgeMark：嵌入式人工智能工具的自动化与基准测试系统——论文阅读
EdgeMark是一个面向嵌入式AI的自动化部署与基准测试系统，支持TensorFlow Lite Micro、Edge Impulse等主流工具，通过模块化架构实现模型生成、优化、转换与部署全流程自动化，并提供跨平台性能对比，助力开发者在资源受限设备上高效选择与部署AI模型。
-
发表了文章 2025-09-24
AI-ANNE: 将神经网络迁移到微控制器的深度探索——论文阅读
AI-ANNE框架探索将深度学习模型迁移至微控制器的可行路径，基于MicroPython在Raspberry Pi Pico上实现神经网络核心组件，支持本地化推理，推动TinyML在边缘设备中的应用。
-
发表了文章 2025-09-21
隧道中毫米波MIMO信道特性的实验研究——论文阅读
本文针对地铁隧道环境开展28 GHz毫米波MIMO信道测量，研究水平与垂直极化下的信道特性。采用高增益定向天线克服路径损耗，并结合实测与射线追踪仿真分析。结果表明，水平极化因侧壁反射更强、角度扩展更大，信道容量优于垂直极化，为隧道内毫米波通信系统设计提供依据。
-
发表了文章 2025-09-18
I-ViT: 用于高效视觉Transformer推理的纯整数量化——论文阅读
I-ViT是首个专为视觉Transformer设计的纯整数量化方案，通过Shiftmax、ShiftGELU和I-LayerNorm实现全整数推理，避免浮点运算。在保持模型精度的同时，显著提升推理效率，实现3.7倍以上加速，推动ViT在边缘设备的高效部署。
-
发表了文章 2025-09-17
SparseGPT：大规模语言模型的一次性精确剪枝——论文解读
SparseGPT提出首个可高效剪枝百亿参数大模型的一次性精确方法，通过稀疏回归与近似求解器实现高稀疏度下仍保持精度，支持半结构化稀疏与量化联合压缩，显著降低推理成本。
-
发表了文章 2025-09-16
NLP参数高效迁移学习：Adapter方法——论文简读
本研究深入探讨了自然语言处理中参数高效的迁移学习方法——Adapter。通过在预训练模型中引入小型可训练模块，仅调整少量额外参数即可完成模型适配。理论分析表明，该方法在初始化时保持网络行为稳定，并通过瓶颈结构大幅压缩参数规模。实验结果显示，Adapter在GLUE基准上仅用3.6%的参数便达到接近全微调的性能，且对学习率具有更强的鲁棒性。相比传统微调和其他参数高效方法，Adapter在多任务场景下展现出更优的存储效率与泛化能力，为大规模模型的实际部署提供了高效可行的解决方案。
-
发表了文章 2025-09-14
H4H：面向AR/VR应用的NPU-CIM异构系统混合卷积-Transformer架构搜索——论文阅读
H4H是一种面向AR/VR应用的混合卷积-Transformer架构，基于NPU-CIM异构系统，通过神经架构搜索实现高效模型设计。该架构结合卷积神经网络（CNN）的局部特征提取与视觉Transformer（ViT）的全局信息处理能力，提升模型性能与效率。通过两阶段增量训练策略，缓解混合模型训练中的梯度冲突问题，并利用异构计算资源优化推理延迟与能耗。实验表明，H4H在相同准确率下显著降低延迟和功耗，为AR/VR设备上的边缘AI推理提供了高效解决方案。
-
发表了文章 2025-09-15
SpQR: 稀疏量化表示实现大语言模型近无损压缩——论文阅读
SpQR是一种创新的稀疏量化方法，通过识别并高精度存储导致大量化误差的异常权重，将其他权重压缩至3-4比特，实现大语言模型的近无损压缩。该方法在LLM压缩中首次跨模型规模达到接近16位精度的性能，压缩后模型平均误差低于1%。实验表明，SpQR在推理速度与压缩率上优于现有技术，使高质量大模型可在消费级设备高效运行。
-
发表了文章 2025-09-16
模型量化技术简要详解
模型量化技术通过将高精度浮点数转换为低精度整数，在保持模型性能的同时显著提升计算效率并降低内存占用。其核心在于权衡精度与效率，广泛应用于大模型部署，尤其在边缘设备和移动平台中发挥重要作用。
-
发表了文章 2025-09-14
AWQ: 面向设备端大语言模型压缩与加速的激活感知权重量化——论文阅读
AWQ是一种面向设备端大语言模型（LLM）压缩与加速的激活感知权重量化方法。与传统基于权重大小的量化策略不同，AWQ通过分析输入激活分布识别关键权重通道，并采用按通道缩放策略，在保持硬件效率的同时显著提升量化精度。实验表明，AWQ在多种LLM上实现了接近无损的低比特量化（如INT4），并在边缘设备上实现高达3倍以上的推理加速，为大模型的设备端部署提供了高效解决方案。
-
发表了文章 2025-09-14
SmoothQuant: 大型语言模型的精确高效后训练量化——论文阅读
SmoothQuant是一种高效的大型语言模型后训练量化方法，通过平滑激活值中的异常值，有效降低量化误差。该方法在保持模型精度的同时，显著减少内存占用并加速推理过程，适用于从数十亿到数千亿参数的模型，已在OPT-175B和MT-NLG 530B等超大规模模型上验证其有效性。
-
发表了文章 2025-09-14
MicroNAS：面向MCU的零样本神经架构搜索——论文阅读
MicroNAS是一种专为微控制器单元（MCU）设计的零样本神经架构搜索（NAS）框架，无需训练即可通过理论驱动的性能指标评估网络架构。相比传统NAS方法，其搜索效率提升高达1104倍，同时兼顾精度与硬件效率，适用于边缘计算场景。该框架结合神经切线核（NTK）条件数、线性区域计数及硬件感知延迟模型，实现快速、高效的架构搜索，为资源受限设备上的AI部署提供了新思路。
-
发表了文章 2025-09-12
EdgeShard：通过协作边缘计算实现高效的大语言模型推理——论文解读
EdgeShard是一种基于协作边缘计算的大语言模型（LLM）推理框架，旨在解决LLM在云端部署面临的延迟高、带宽压力大和隐私泄露等问题。通过将LLM分片部署在多个边缘设备上，结合云边协同与设备间协作，EdgeShard实现了高效的模型推理。其核心创新包括：联合设备选择与模型划分优化、支持流水线并行与微批处理、提出EdgeShard-No-Bubbles策略以减少设备空闲时间，从而显著提升推理吞吐量并降低延迟。实验表明，EdgeShard在异构边缘设备上可实现高达50%的延迟降低和2倍的吞吐量提升，支持全精度模型推理而无精度损失，为资源受限的边缘环境提供了高效的LLM部署方案。
-
发表了文章 2025-09-11
论文阅读——Agile-Quant：面向大语言模型边缘端更快推理的激活引导量化框架
Agile-Quant是一种针对大语言模型（LLMs）在边缘设备上高效推理的激活引导量化框架。它通过分析激活特性，提出了一种结合激活引导量化与token剪枝的优化策略，有效缓解了激活量化中的异常值问题，并提升了模型在边缘设备上的推理速度。该方法在LLaMA、OPT和BLOOM等主流LLMs上验证，实现了高达2.5倍的实际加速，同时保持了优异的模型性能。
-
发表了文章 2025-09-10
Mixture of Experts架构的简要解析
Mixture of Experts（MoE）架构起源于1991年，其核心思想是通过多个专门化的“专家”网络处理输入的不同部分，并由门控网络动态组合输出。这种架构实现了稀疏激活，仅激活部分专家，从而在模型规模与计算成本之间取得平衡。MoE的关键在于门控机制的设计，如线性门控、噪声Top-K门控等，确保模型能根据输入特征自适应选择专家。
-
发表了文章 2025-09-10
Transformer架构的简要解析
Transformer架构自2017年提出以来，彻底革新了人工智能领域，广泛应用于自然语言处理、语音识别等任务。其核心创新在于自注意力机制，通过计算序列中任意两个位置的相关性，打破了传统循环神经网络的序列依赖限制，实现了高效并行化与长距离依赖建模。该架构由编码器和解码器组成，结合多头注意力、位置编码、前馈网络等模块，大幅提升了模型表达能力与训练效率。从BERT到GPT系列，几乎所有现代大语言模型均基于Transformer构建，成为深度学习时代的关键技术突破之一。
-
发表了文章 2025-09-10
大语言模型的核心算法——简要解析
大语言模型的核心算法基于Transformer架构，以自注意力机制为核心，通过Q、K、V矩阵动态捕捉序列内部关系。多头注意力增强模型表达能力，位置编码（如RoPE）解决顺序信息问题。Flash Attention优化计算效率，GQA平衡性能与资源消耗。训练上，DPO替代RLHF提升效率，MoE架构实现参数扩展，Constitutional AI实现自监督对齐。整体技术推动模型在长序列、低资源下的性能突破。
-
发表了文章 2025-09-08
ProxylessNAS：直接在目标任务和硬件上进行神经架构搜索——论文解读
ProxylessNAS是一种直接在目标任务和硬件上进行神经架构搜索的方法，有效降低了传统NAS的计算成本。通过路径二值化和两路径采样策略，减少内存占用并提升搜索效率。相比代理任务方法，ProxylessNAS在ImageNet等大规模任务中展现出更优性能，兼顾准确率与延迟，支持针对不同硬件（如GPU、CPU、移动端）定制高效网络架构。
-
发表了文章 2025-09-07
MINUN: 微控制器上的精确机器学习推理——论文阅读
MINUN是一个专为微控制器设计的高效机器学习推理框架，能精确解决TinyML中的三大挑战：数字表示参数化、位宽分配优化和内存碎片管理。它支持如Arduino和STM32等低功耗设备，显著减少内存占用，同时保持模型精度。
-
发表了文章 2025-09-07
μNAS：面向微控制器的约束神经架构搜索——论文解读
μNAS是一种专为微控制器设计的神经架构搜索方法，旨在解决物联网设备中资源受限的挑战。通过多目标优化框架，μNAS能够在有限的内存和计算能力下，自动搜索出高效的神经网络结构。该方法结合了老化进化算法与贝叶斯优化，并引入结构化剪枝技术，实现模型压缩。实验表明，μNAS在多个数据集上均取得了优异的精度与资源使用平衡，显著优于现有方法，为边缘计算设备的智能化提供了可行路径。
-
发表了文章 2025-09-06
TensorFlow Lite Micro：嵌入式TinyML系统上的机器学习推理框架——论文深度解析
TensorFlow Lite Micro（TFLM）是专为嵌入式系统设计的轻量级机器学习推理框架，适用于仅有几十KB内存的微控制器。它通过极简架构、模块化设计和内存优化策略，在资源受限设备上高效运行TinyML模型，广泛应用于关键词检测、传感器分析、预测性维护等领域。TFLM支持跨平台部署，并允许硬件厂商提供定制优化，兼顾灵活性与性能。
-
发表了文章 2025-09-06
256KB内存约束下的设备端训练：算法与系统协同设计——论文解读
MIT与MIT-IBM Watson AI Lab团队提出一种创新方法，在仅256KB SRAM和1MB Flash的微控制器上实现深度神经网络训练。该研究通过量化感知缩放（QAS）、稀疏层/张量更新及算子重排序等技术，将内存占用降至141KB，较传统框架减少2300倍，首次突破设备端训练的内存瓶颈，推动边缘智能发展。
-
发表了文章
2025-10-06
面向多目标探测汽车雷达应用的77 GHz多频移键控（MFSK）调制波形发生器——论文阅读
-
发表了文章
2025-10-06
用于连续波雷达的二进制频移键控——论文阅读
-
发表了文章
2025-10-06
一种基于连续相位频移键控的高效频谱利用新型雷达信号——论文阅读
-
发表了文章
2025-10-06
正交时频空间调制：离散Zak变换方法——论文阅读笔记
-
发表了文章
2025-10-06
面向高多普勒衰落信道的 OTFS 调制技术
-
发表了文章
2025-10-06
基于信息论的OTFS雷达波形设计——论文阅读
-
发表了文章
2025-10-06
正交时频空间调制（OTFS）技术详解：基础原理与未来挑战
-
发表了文章
2025-10-06
正交时频空间（OTFS）调制技术：理论基础与性能分析
-
发表了文章
2025-10-06
6G时代的新型延迟多普勒通信范式：正交时频空间（OTFS）综述
-
发表了文章
2025-10-06
OTFS调制技术：通往6G的时延-多普勒域革命
-
发表了文章
2025-10-06
双选择性信道下正交啁啾分复用（OCDM）的低复杂度均衡算法研究——论文阅读
-
发表了文章
2025-10-03
基于OCDM雷达系统的离散Fresnel域信道估计——论文阅读
-
发表了文章
2025-10-03
双选择性信道中的广义正交啁啾分复用——论文阅读
-
发表了文章
2025-10-03
基于多载波宽带OCDM的太赫兹汽车雷达——论文阅读
-
发表了文章
2025-10-03
正交啁啾分复用技术：基于菲涅尔变换的通信系统设计——论文阅读
-
发表了文章
2025-10-03
PMCW雷达技术的理解与FMCW对比
-
发表了文章
2025-10-03
相位编码调频连续波雷达：融合传统与创新的智能感知技术
-
发表了文章
2025-10-03
正交啁啾分复用雷达技术（OCDM雷达）：下一代传感系统技术
-
发表了文章
2025-10-03
Fresnel变换的详解
-
发表了文章
2025-10-03
面向边缘通用智能的多大语言模型系统：架构、信任与编排——论文阅读
