公开(公告)号：CN114844541A

公开(公告)日：2022-08-02

申请号：CN202210428661.9

申请日：2022-04-22

Applicant: 南通大学

Inventor： 孙强 ,  赵欢 ,  李飞洋 ,  蒋行健 ,  陈晓敏 ,  黄勋 ,  杨永杰

IPC: H04B7/0456

Abstract: 本发明涉及一种基于深度学习的混合预编码和反馈方法，离线训练阶段中首先由信道矩阵计算预编码矩阵和合并矩阵，并输入混合预编码深度学习模型训练，将输出的预编码矩阵和样本预编码矩阵输入压缩重建深度学习模型训练，然后将压缩重建模型拆分为压缩网络和重建网络，将混合预编码、压缩网络部署在接收端，重建网络部署在发送端。在线预测阶段中，接收端将信道矩阵输入混合预编码网络，得到预编码矩阵和合并矩阵，将预编码矩阵输入压缩网络，得到反馈信息并传输给发送端，发送端将反馈信息输入重建网络得到预编码矩阵。本发明利用深度学习技术，实现了预编码、合并矩阵的设计以及反馈，可获得较好的频谱效率，也减少了反馈的开销和硬件的复杂度。

公开(公告)号：CN113839697B

公开(公告)日：2022-06-28

申请号：CN202111110018.3

申请日：2021-09-23

Applicant: 南通大学

Inventor： 孙强 ,  赵欢 ,  武宜阳 ,  李飞洋 ,  章嘉懿 ,  杨永杰

IPC: H04B7/0456

Abstract: 本发明涉及一种基于深度学习的联合反馈和混合预编码设计方法，首先计算出样本信道矩阵的最优预编码矩阵。将样本信道矩阵及其最优预编码矩阵作为数据集，设计深度学习模型并训练。将训练完成的深度学习模型拆分为压缩网络和编码网络两部分，压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端。对于实时信道，接收端将信道矩阵输入压缩网络，得到压缩后的信道矩阵并反馈给发送端，发送端将压缩后的信道矩阵输入编码网络，得到实时信道的预编码矩阵。本发明利用深度学习技术，对信道状态信息进行压缩，接收端无需恢复原始信道信息即可进行预编码，既能得到较好的频谱效率，也减少了信道反馈的开销、预编码和硬件的复杂度。

公开(公告)号：CN112887947A

公开(公告)日：2021-06-01

申请号：CN202110045753.4

申请日：2021-01-14

Applicant: 南通大学 ,  南通先进通信技术研究院有限公司

Inventor： 孙强 ,  李翔宇 ,  赵欢 ,  曹埔铭 ,  李良程 ,  徐晨 ,  杨永杰

IPC: H04W4/80 ,  H04W16/18 ,  H04W24/02 ,  H04W40/04 ,  H04W52/02 ,  H04W84/18

Abstract: 本发明涉及无线通信网络技术领域，尤其涉及一种双层区块链的蓝牙Mesh分簇组网方法，包括以下步骤：首先，汇聚节点选择一定数量的蓝牙节点作为簇头节点，剩余蓝牙节点根据接收信号强度大小加入各自簇头节点；然后，建立双层区块链，由簇头节点形成簇头链和各簇内的蓝牙节点形成簇内链；此外，根据网络需求，对新节点增加和节点替换的过程进行区块链维护；最后，簇内剩余能量高的蓝牙节点轮流当选簇头，持续更新区块链网络。本发明的组网方案适用于智能家居、工业物联网等场景，减少蓝牙Mesh组网过程中对网关或汇聚节点的过度依赖，提高网络的吞吐量，增强蓝牙Mesh组网的安全性，进一步降低了蓝牙Mesh网络的能耗。

公开(公告)号：CN115085782A

公开(公告)日：2022-09-20

申请号：CN202210681193.6

申请日：2022-06-15

Applicant: 南通大学

Inventor： 孙强 ,  赵欢 ,  李飞洋 ,  陈晓敏 ,  杨永杰 ,  黄勋 ,  徐淼淼

IPC: H04B7/0456 ,  H04B7/06 ,  G06N3/08

Abstract: 本发明公开了基于深度学习的智能反射面联合反馈和混合预编码方法，离线训练阶段中，首先根据信道计算模拟、数字预编码矩阵，并输入深度学习模型训练，然后将模型的信道压缩网络和混合预编码网络分别部署在用户端和基站端。在线预测阶段中，用户端将实时信道输入信道压缩网络，并将压缩信息反馈回基站端，基站端将反馈信息输入混合预编码网络，得到模拟、数字预编码矩阵，然后根据数字预编码矩阵对发送信号进行数字预编码，将数字预编码信号通过馈源传输至智能反射面，智能反射面根据模拟预编码矩阵对数字预编码信号进行相移处理，并发送至用户端。本发明利用深度学习技术，实现多用户的信道反馈和基于智能反射面的混合预编码，降低系统的功耗。