-
公开(公告)号：CN119652332A
公开(公告)日：2025-03-18
申请号：CN202510041403.9
申请日：2025-01-10
Applicant: 北京信息科技大学
Abstract: 本发明属于通信技术领域，提供地电极电流场最佳接收系统，包括：粗检模块，用于基于设计的正交L型电极阵列，粗略检测地电场信号与工频干扰信号的方向性；精检模块，用于基于多个L型电极组成的半圆形阵列结构，对地电场信号与工频干扰信号的方向性进行精确测定，并结合最优信干噪比的原则选择最佳接收通道。本发明通过基于正交L型电极阵列和多个L型电极组成的半圆形阵列结构，对地电场信号与工频干扰信号的方向性进行测定，并结合最优信干噪比的原则选择最佳接收通道，提升了在透地通信环境中的电信号的接收性能，相较传统随机布置检测电极更具抗干扰能力。
-
公开(公告)号：CN118118301A
公开(公告)日：2024-05-31
申请号：CN202410391231.3
申请日：2024-04-02
Applicant: 北京信息科技大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本公开是关于一种基于Inception‑ResNet网络和密集残差网络的非线性MIMO信道估计方法。该方法包括将经过去噪处理后的基带信号输入至非线性MIMO信道中，并利用GAMP算法对非线性MIMO信道进行初始信道估计，得到初始信道估计值；将初始信道估计值输入至Inception‑ResNet网络中，并将非线性MIMO信道的实际信道响应作为标签，进行中间信道估计，得到中间信道估计值；将中间信道估计值输入至密集残差网络中，进行最终信道估计，得到最终信道估计值。该方法能够减少参数数量和计算复杂度，有效进行特征提取，同时避免了梯度消失和梯度爆炸的问题。
-
Patent Agency Ranking
公开(公告)号：CN113708855B
公开(公告)日：2023-07-25
申请号：CN202111178920.9
申请日：2021-09-29
Applicant: 北京信息科技大学
IPC: H04B17/21 , H04B17/391 , H04L25/02
Abstract: 本发明涉及一种基于深度学习的OTFS数据驱动接收方法、系统及介质，其包括将每个OTFS帧的数据信息进行映射后转换为时域信号；将所述时域信号经过信道及转换处理，得到OTFS调制后的时延‑多普勒域信号；将所述OTFS调制后的时延‑多普勒域信号作为深度神经网络的输入，以通信的发送端信号作为标签对深度神经网络进行离线训练；采用训练好的神经网络对接收到的OTFS信号进行恢复。本发明具有较好的误码性能与优秀的鲁棒性，对信道参数具有强大的泛化能力。本发明可以应用到不同的高移动性场景中。
-
公开(公告)号：CN116471152A
公开(公告)日：2023-07-21
申请号：CN202310654879.0
申请日：2023-06-05
Applicant: 北京信息科技大学
IPC: H04L25/02
Abstract: 本公开是关于一种基于正交时频空间调制技术的信道估计方法。该方法包括建立正交时频空间信道估计的模型，该模型包括时延多普勒域接收信号、稀疏度自适应匹配追踪算法和去噪网络；利用稀疏度自适应匹配追踪算法对时延多普勒域接收信号进行处理，重构延迟多普勒域信道；将延迟多普勒域信道输入至去噪网络中进行去噪处理，得到去噪信道响应。该方法能够在不依赖于信道路径数目的先验信息的情况下重构延迟多普勒域信道；并且能够消除延迟多普勒域信道相应的噪声。
-
公开(公告)号：CN115296962B
公开(公告)日：2023-06-09
申请号：CN202210921082.8
申请日：2022-08-02
Applicant: 北京信息科技大学
Abstract: 本发明提供了一种基于维特比网络的OTFS系统信号检测方法，涉及通信技术领域，包括如下步骤：对发送符号SJ进行OTFS调制、无线信道和解调后得到接收符号YJ，对接收符号通过神经网络计算对数似然，对获得的对数似然进行更新路径损耗，并获取最小对数似然，对得到本轮最小对数似然的过程进行遍历，并根据最终对数似然恢复发送符号SJ。本发明将维特比网络应用于OTFS系统的信号检测，通过用神经网络代替维特比算法中需要信道状态信息的对数似然计算模块，所发明的基于维特比网络的OTFS信号检测方案即可在不需要CSI的情况下获得良好的检测性能。
-
公开(公告)号：CN115395991A
公开(公告)日：2022-11-25
申请号：CN202210824124.6
申请日：2022-07-13
Applicant: 北京信息科技大学
IPC: H04B7/0413 , H04L25/02
Abstract: 本公开提出一种非线性多输入多输出信道估计方法和估计系统。该估计方法包括利用调制解调器，将接收到的射频信号下变频到基带，根据基带信号获取复基带信号，并将复基带信号的幅度和预设相位作为观测值，进行复基带信号处理；将复基带信号处理后的信息输入到非线性多输入多输出信道中，并对非线性多输入多输出信道进行初始信道估计，得到初始信道估计值；利用GAMP算法，将初始信道估计值作为深度神经网络和卷积神经网络的输入，将信道的实际响应作为标签，对深度神经网络和卷积神经网络进行训练，得到最终信道估计值。该估计系统包括信号处理模块、初始信道估计模块和神经网络模块。本公开能够增强信道的均方误差性能和鲁棒性。
-
公开(公告)号：CN113708855A
公开(公告)日：2021-11-26
申请号：CN202111178920.9
申请日：2021-09-29
Applicant: 北京信息科技大学
IPC: H04B17/21 , H04B17/391 , H04L25/02
Abstract: 本发明涉及一种基于深度学习的OTFS数据驱动接收方法、系统及介质，其包括将每个OTFS帧的数据信息进行映射后转换为时域信号；将所述时域信号经过信道及转换处理，得到OTFS调制后的时延‑多普勒域信号；将所述OTFS调制后的时延‑多普勒域信号作为深度神经网络的输入，以通信的发送端信号作为标签对深度神经网络进行离线训练；采用训练好的神经网络对接收到的OTFS信号进行恢复。本发明具有较好的误码性能与优秀的鲁棒性，对信道参数具有强大的泛化能力。本发明可以应用到不同的高移动性场景中。
-
-
-
-
-
-
Search Results
17
records
(took 0.024 seconds)
