一种基于GCN-LSTM对多重因素影响下的CSI预测方法

    公开(公告)号:CN119675808A

    公开(公告)日:2025-03-21

    申请号:CN202411842018.6

    申请日:2024-12-13

    Abstract: 本发明公开了一种基于GCN‑LSTM对多重因素影响下的CSI预测方法,其包括以下步骤:对历史信道状态信息时间序列数据进行分解,得到具有相同时间跨度的低频信号和高频信号;获取高频信号的时域表达;构建图结构的GCN模型;将低频信号和高频信号的时域表达分别作为图结构的GCN模型的输入,获取低频信号对应的特征向量和高频信号的时域表达对应的特征向量;通过LSTM模型对特征向量进行处理,将两个处理结果相加作为最终的信道状态信息预测结果。本发明通过结合GCN模型和LSTM模型的强大特征提取能力,显著提高了CSI的预测精度,相较于传统模型,整体提高了预测精度,可以优化物联网移动通信系统的性能。

    一种智能全向表面辅助语义通信用户的服务质量优化方法

    公开(公告)号:CN117858108A

    公开(公告)日:2024-04-09

    申请号:CN202311701588.9

    申请日:2023-12-12

    Abstract: 本发明公开了一种智能全向表面辅助语义通信用户的服务质量优化方法,建立STAR‑RIS辅助语义通信系统模型,语义发送端提取语义信息经过语义编码器和信道编码器得到语义信号,部署智能全向面辅助发送端对用户的语义信息传输,同时考虑了发射端的发射功率限制以及智能全向面器件单元所需满足的约束条件,通过优化所述无源智能全向表面的反射系数、透射系数以及语义发射端的有源波束,使得语义通信系统中用户的最小信噪比最大化。本发明将STAR‑RIS与语义通信相结合,在保证通信公平的基础上,对于进一步提高用户的服务质量和实现空间覆盖范围具有十分重要的意义。

    基于动量梯度下降的聚类联邦学习方法

    公开(公告)号:CN116050509A

    公开(公告)日:2023-05-02

    申请号:CN202310030681.5

    申请日:2023-01-10

    Abstract: 本发明公开了一种基于动量梯度下降的聚类联邦学习方法,提出了基于损失函数最小化的聚类方法,并且在联邦学习的本地更新阶段改进了随机梯度下降(SGD)算法,采用动量梯度下降的优化算法,在全局更新阶段提出了梯度平均与模型平均;本发明基于动量梯度下降的聚类联邦学习算法(CFL‑MGD)不仅在凸设置上得到了以指数收敛的理论保证,还在神经网络等非凸设置上比其他算法更加高效;框架结构简单、算法高效,结合聚类和polyak’s动量,既缓解了因数据异质性带来的模型性能差的问题又解决了算法收敛慢的问题,具有广泛的应用前景。

Patent Agency Ranking