-
公开(公告)号：CN109327918A
公开(公告)日：2019-02-12
申请号：CN201811375756.9
申请日：2018-11-19
Applicant: 东南大学
IPC: H04W76/10 , H04L5/00 , H04B17/309 , H04B7/0413 , H04B7/0408 , H04W76/19
Abstract: 本发明公开了一种低开销的FDD大规模MIMO下行信道重建方法，包括：各用户发送上行导频至基站，且不同用户的上行导频之间相互正交；基站提取得到每个用户信道中所有传播路径的方向角和时延；基站定义一个共有若干个码字的码本，并提取出若干码字直接作为或生成下行信道训练所用的波束；基站根据得到的下行信道训练所用波束发送下行导频至各用户，各用户根据接收到下行导频估计出每条传播路径的下行增益并反馈至基站；基站根据接收的每条传播路径下行增益、每个用户上行信道中所有传播路径的方向角和时延，重建得到多用户下行信道。本发明以较小的导频和反馈开销，实现了具有较高准确度的FDD大规模MIMO下行多用户信道重建。
-
公开(公告)号：CN109246038A
公开(公告)日：2019-01-18
申请号：CN201811049894.8
申请日：2018-09-10
Applicant: 东南大学
Abstract: 本发明公开了一种数据模型双驱动的GFDM接收机及方法，方法包括分别得到信道估计和信号检测神经网络；将包含发射导频信息的矩阵和接收的时域导频向量实数化后的结果作为信道估计神经网络的输入，并输出频域信道状态信息的估计；得到等效信道矩阵，并将其和接收的时域信号向量实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计；建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计；将解映射网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果。本发明具有训练参数不随数据维度变化、训练速度快并且对不同信道环境适应能力强的优点。
-
公开(公告)号：CN108111201A
公开(公告)日：2018-06-01
申请号：CN201711431553.2
申请日：2017-12-26
Applicant: 东南大学
IPC: H04B7/0413 , H03M7/30 , G06F17/16
Abstract: 本发明公开一种面向非线性观测的信号重建方法，利用非线性观测的一些性质，该方法由三个信号估计模块组成，其中模块A和模块B为两个后验均值估计器，而模块C将估计问题限制在z＝Ax线性空间内，是一个线性空间估计器；三个模块按照A→C→B→C→A→…迭代规则，计算外信息并传递到下一个模块，作为下一个模块的先验信息；直到或者到达设定的迭代次数时终止计算，得到最终估计结果其中tol为设定的终止参数。此种方法通过三个模块的循环迭代和消息传递，能够在一般的线性变换和非线性观测下精确地重建发送信号。
-
公开(公告)号：CN119277512A
公开(公告)日：2025-01-07
申请号：CN202411322668.8
申请日：2024-09-23
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习的通信和环境感知一体化方法，该方法包括：获得不同波束对上的信号接收强度，并转化为RSRP图像；对多径、非直射径在RSRP图像中产生的特征图样进行检测，并估计所检测到多径的到达角与离去角；对用户移动过程中的多径角度参数进行追踪与关联，获得同一条多径在用户运动过程中不同位置上AOA和AOD的变化过程；利用追踪得到的多径AOA和AOD变化过程，对每条多径进行LOS和NLOS径识别；拟合用户运动过程各条多径的AOA、AOD运动轨迹点，并使用拟合得到的参数表示环境中产生多径的不同散射体，提取AOA‑AOD空间中包含的环境以及用户位置信息，结合用户端的传感器信息，完成对环境中散射体的方位和用户位置的估计。
-
公开(公告)号：CN119210529A
公开(公告)日：2024-12-27
申请号：CN202411324367.9
申请日：2024-09-23
Applicant: 东南大学
Abstract: 本发明公开一种基于强化学习的RIS部署与波束赋形联合优化方法，包括：部署前，初始化强化学习的经验回放内存、训练子网参数、目标子网参数；每次传输开始时，初始化RIS的被动波束赋形向量，重置RIS的位置；进行信道估计，获得智能体初始状态；每帧传输中，使用学习动作子网估计各个动作的Q值；依据Q值选择动作；依据动作调整RIS部署位置和波束赋形向量；估计信道并更新智能体状态；计算主动波束赋形向量，计算智能体的奖励；将经验存储在回放内存中；对网络训练时，从回放内存中抽取经验，对训练动作子网进行更新，在每帧传输结束时，对目标动作子网进行软更新。本发明充分挖掘了对RIS部署和波束赋形进行联合设计的潜力，性能良好，自适应能力强。
-
Patent Agency Ranking
公开(公告)号：CN110299921B
公开(公告)日：2023-01-17
申请号：CN201910500984.2
申请日：2019-06-11
Applicant: 东南大学
Abstract: 本发明公开了一种模型驱动的Turbo码深度学习译码方法，首先将Turbo码迭代译码结构展开为一个“平铺”式的结构，并且将每一次迭代用一个DNN译码单元替代，构成用于Turbo码译码的网络TurboNet；然后构建传统Max‑Log‑MAP算法的图形结构并将其参数化，得到一个基于Max‑Log‑MAP算法的深度神经网络，将其作为TurboNet译码单元中的子网络，从而替代传统译码结构中的SISO译码器及由SISO译码器的输出获得外信息的计算；对由M个DNN单元组成的TurboNet进行训练，获得模型参数；最后对TurboNet的输出值用sigmoid函数归一化，并对归一化的结果进行硬判决，得到对真实信息序列u的估计值实现对Turbo码的译码。本发明可以提高Max‑Log‑MAP算法的误码率性能，且和纯数据驱动的模型相比，参数个数减少了2个数量级，极大地降低了时延。
-
公开(公告)号：CN113379040B
公开(公告)日：2022-11-01
申请号：CN202110766619.3
申请日：2021-07-07
Applicant: 东南大学
Abstract: 本发明公开一种基于语义编码的混合重传方法，包括：对待传输的内容训练一个主语义编解码器和多个增量冗余语义编解码器；对第一类混合重传方法：只用一个主语义编解码器替换原信源信道编解码，发送端对信源进行语义编码和CRC校验编码并发送，接收端在解码并CRC校验，若有错则丢弃码字，并通知发送端重发同样的码字；对第二类混合重传方法，接收端在发现错误后不丢弃错误码字，而通知发送端继续用一个增量冗余语义编码器对信源编码并发送，接收端每次都合并所有接收到的码字并用对应的增量冗余语义解码器完成解码并进行CRC校验。本发明相较于基于传统前向编码的混合重传方法，大幅降低了发送码长并改善了混合重传机制在长期恶劣信道环境下的译码性能。
-
公开(公告)号：CN111181671B
公开(公告)日：2022-01-11
申请号：CN201911372155.7
申请日：2019-12-27
Applicant: 东南大学
IPC: H04B17/391 , H04B7/06 , H04B7/08 , H04L5/14
Abstract: 本发明公开了一种基于深度学习的下行信道快速重建方法，在频分双工模式下的大规模多输入多输出系统中，利用空间互异性可以在上行信道中估计出角度和时延这类与频率无关的参数，采用深度学习可以加速这一估计过程，辅助完成下行信道快速重建。首先将上行信道转换并画成二维彩色图像，并利用方形框对已知的上行信道图像标注图像中光斑的位置，接着利用深度学习中的一种先进的目标检测算法you only look once(YOLO)对这些样本进行训练，然后利用训练好的YOLO网络对未知上行信道图像中的光斑进行位置检测，输出紧紧包围目标光斑的方形框，以及方形框左上角和右下角的坐标，最后将输出的坐标转换为对应传播路径的信息，包括角度和时延，辅助重建下行信道。
-
公开(公告)号：CN109617847B
公开(公告)日：2021-04-06
申请号：CN201811417172.3
申请日：2018-11-26
Applicant: 东南大学
IPC: H04L27/26
Abstract: 本发明公开了一种基于模型驱动深度学习的无循环前缀OFDM接收方法，包括：(1)将接收信号y中的导频信号yp进行变换得到频域导频信号，并与本地频域导频信号进行最小二乘估计初始化，得到最小二乘信道估计结果，再输入至全连接的第一深度神经网络进行改进，将改进结果进行傅里叶反变换得到时域信道估计信号(2)将接收信号y消除符号间干扰后转换为实数域接收信号(3)将实数域接收信号作为输入，根据时域信道估计信号采用第二深度神经网络进行迭代求解，得到最终估计的调制信号(4)将调制信号解调后获得发送信息比特本发明时间消耗少，检测性能高。
-
公开(公告)号：CN108847876B
公开(公告)日：2021-03-02
申请号：CN201810833351.9
申请日：2018-07-26
Applicant: 东南大学
IPC: H04B7/06 , H04B7/0456
Abstract: 本发明公开了一种大规模MIMO时变信道状态信息压缩反馈及重建方法，包括：获取信道矩阵序列，对T个信道矩阵分别做DFT变换，获得在角延迟域稀疏的信道矩阵序列；构建信道反馈及重建模型CsiNet‑LSTM，将信道矩阵序列输入编码器，输出码字；及将码字依次输入译码器中，输出重建信道矩阵序列；对信道反馈及重建模型进行训练，使得重建信道矩阵序列逐渐接近信道矩阵序列，以获得模型参数；对输出的重建信道矩阵序列中的每个信道矩阵进行二维逆DFT变换，恢复得到原始空频域矩阵序列的重建值；将待反馈和重建的信道状态信息输入模型，输出重建值。本发明可减小大规模MIMO信道信息的反馈开销，提高重建精度，特别是对压缩率的下降具有极好的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.016 seconds)
