-
公开(公告)号：CN113207129B
公开(公告)日：2022-05-20
申请号：CN202110506184.9
申请日：2021-05-10
Applicant: 重庆邮电大学
IPC: H04W16/10 , H04B17/373 , H04B17/382
Abstract: 本发明涉及一种基于置信区间上界算法与DRL算法的动态频谱接入方法，属于无线通信领域。该方法具体包括：S1：构建分布式动态频谱接入系统模型；S2：构建SUE的累积期望奖励函数；S3：根据历史经验和接入信道的状态动作，得到最优接入策略，以获得最大的累积期望奖励；S4：采用深度强化学习中的DQN算法和置信区间上界算法结合的方法对接入策略进行求解，通过不断迭代获得最优接入策略。本发明在信道动态变化规律未知的情况下，可以获得近乎信道状态转移规律已知情况下所对应的最优动态频谱接入策略。
-
公开(公告)号：CN111614421B
公开(公告)日：2022-02-11
申请号：CN202010423014.X
申请日：2020-05-19
Applicant: 重庆邮电大学
IPC: H04B17/382 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明涉及一种基于非监督式机器学习分类算法的频谱感知方法，属于无线通信技术领域。该方法将目标网络内的地理区域划分为Q相同大小的网格，整个方案实施过程分为四个阶段。第一阶段为获得PUT传输模式分类器TM1‑Classifier；第二阶段为获得网格标签分类器TM2‑Classifier；第三阶段是为了获得当前m时刻的PUT传输模式标签第四阶段是获得网格对应的LFB接入指示标签本发明基于机器学习中的卷积神经网络和阈值检测算法的频谱感知方案，在PUT位置未知的情况下，灵活分配空‑时空闲频谱资源，增加接入LFB的机会，从而提高了频谱利用率。
-
公开(公告)号：CN111447023B
公开(公告)日：2021-10-26
申请号：CN202010162221.4
申请日：2020-03-10
Applicant: 重庆邮电大学
IPC: H04B17/382
Abstract: 本发明涉及一种基于授权用户发射机传输模式分类的频谱感知方法，属于无线通信领域。该方法为：首先，将目标地理区域划分为Q个相同大小的网格；其次，选择机器学习中的HOG和SVM相结合的方法获得目标地理区域内N个PUT对应的传输模式类别，从而确定处于开启状态的PUT；最后，利用SU与处于开启状态的各个PUT之间的距离，获得对LFB的可用性标签，以此决定SU选择LFB接入方式：①能接入LFB；②不能接入LFB；③不确定，即SU需要通过信号检测方式进一步判断是否可接入LFB。本发明增加了SU接入LFB的机会，提高了LFB的频谱利用率，并且有效地控制SU系统对于PU系统的干扰。
-
公开(公告)号：CN113207129A
公开(公告)日：2021-08-03
申请号：CN202110506184.9
申请日：2021-05-10
Applicant: 重庆邮电大学
IPC: H04W16/10 , H04B17/373 , H04B17/382
Abstract: 本发明涉及一种基于置信区间上界算法与DRL算法的动态频谱接入方法，属于无线通信领域。该方法具体包括：S1：构建分布式动态频谱接入系统模型；S2：构建SUE的累积期望奖励函数；S3：根据历史经验和接入信道的状态动作，得到最优接入策略，以获得最大的累积期望奖励；S4：采用深度强化学习中的DQN算法和置信区间上界算法结合的方法对接入策略进行求解，通过不断迭代获得最优接入策略。本发明在信道动态变化规律未知的情况下，可以获得近乎信道状态转移规律已知情况下所对应的最优动态频谱接入策略。
-
公开(公告)号：CN106412931B
公开(公告)日：2019-07-30
申请号：CN201611174009.X
申请日：2016-12-16
Applicant: 重庆邮电大学
IPC: H04W16/14 , H04W24/02 , H04W28/02 , H04W28/04 , H04B17/382
Abstract: 本发明涉及一种基于多时隙融合机制的LTE‑U空闲信道评估方法，属于移动通信技术中LTE‑U(LTE in unlicensed spectrum)技术领域。LTE‑U系统工作在非授权频段上，系统在接入信道前，一般需要进行空闲信道评估。首先，LTE‑U系统将整个CCA窗口划分为多个时隙；其次，利用多个时隙的采样数据生成采样矩阵，计算其协方差矩阵并得到特征值，利用升序排列的特征值对每个对应的时隙进行不均等加权，以提高CCA窗口与数据包不完全对齐时的信道状态评估性能。基于多时隙加权融合机制的空闲信道评估方法可以有效提高信道状态判断的准确率，降低不同系统间数据包碰撞概率，进而提升LTE‑U系统与WIFI系统在非授权频段上同信道共存的频谱效率。
-
Patent Agency Ranking
公开(公告)号：CN106231666B
公开(公告)日：2019-04-02
申请号：CN201610832608.X
申请日：2016-09-19
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种分布式天线系统中基于能效的联合资源分配方法，属于无线通信技术领域。该方法考虑分布式天线系统中的下行传输链路，得到能量效率函数，进而提出一种优化天线单元选择与子信道分配的方案，然后利用拉格朗日函数求得各子信道上的最优功率分配。本发明可有效实现天线单元与用户的最优分配，及子信道与天线单元的最优分配，同时在满足用户最小速率需求的条件下，满足天线单元的最大功率预算，最大化网络能效，从而达到节能减排的目的。
-
公开(公告)号：CN105472753B
公开(公告)日：2019-04-02
申请号：CN201610085935.3
申请日：2016-02-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及认知用户在授权频段和未授权频段上的资源分配和干扰管理问题，尤其是在授权频段与授权用户以及在未授权频段与WiFi用户的共存以及资源分配问题。现有网络的频谱分配政策导致有限的频谱资源已待耗尽，通信信道变得拥塞不堪。本发明考虑具有频谱检测功能的认知小蜂窝网络，它可以检测授权和未授权频段上的频谱空穴，并结合现有的LTE技术利用这些频谱空穴传输信息，在授权频段上认知用户与授权用户共享频谱，在未授权频段上认知用户与WiFi用户竞争使用频谱，提出一种简单有效的干扰管理和资源分配机制，实现授权和非授权频段资源的合理分配，从而最大化整个网络的传输速率，提高用户满意度和系统整体性能。
-
公开(公告)号：CN109526042A
公开(公告)日：2019-03-26
申请号：CN201910064571.4
申请日：2019-01-23
Applicant: 重庆邮电大学
IPC: H04W48/16 , H04W48/20 , H04B17/318 , H04B17/336
CPC classification number: H04W48/16 , H04B17/318 , H04B17/336 , H04W48/20
Abstract: 本发明涉及一种基于OWMAD的LWA系统的网络接入点选择方法，属于移动通信领域。该方法包括以下步骤：S1：在网络接入点选择周期内，网络端首先根据UE反馈的信息，获取当前网络接入点选择周期内可供选择的eNBs集合 和APs集合 S2：分别测量网络接入点备选子集和 属性集的属性值，形成属性值的决策矩阵AN×M，并对其进行规范化处理，得到决策规范化矩阵RN×M；S3：计算出当前网络接入点的属性最优权重向量ω+；S4：计算出各网络接入点的加权值向量f+；S5：对加权值进行排序，求得加权值最小的网络接入点b*，并执行接入点连接。本发明能够提高LWA系统的频谱利用率，减轻eNB的负载，保证UE的QoS需求，简化了接入点选择过程。
-
公开(公告)号：CN109526011A
公开(公告)日：2019-03-26
申请号：CN201910064578.6
申请日：2019-01-23
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于干扰贡献比率的小小区开关控制方法，属于移动通信技术领域。该方法包括：S1：在小小区开关周期内，网络端根据用户反馈的信息，获取当前开关周期内必须开启或者关闭的S-gNBs集合，以及开关判决待选子集；S2：计算当前开关周期内，开关判决待选子集中每个小小区对应目标信号强度；S3：计算当前迭代过程中小小区的干扰强度值与ICR门限值；S4：比较当前迭代中最大的ICR值与ICR门限值，更新网络端中需要开启的与必须关闭的S-gNBs集合，并执行小小区相关开关操作。本发明能够提高S-gNBs的功效与降低小小区之间的干扰；同时，还大大减少了由小小区开关机制所带来的UE信息反馈量与测量过程。
-
公开(公告)号：CN118890067A
公开(公告)日：2024-11-01
申请号：CN202410889362.4
申请日：2024-07-04
Applicant: 重庆邮电大学
IPC: H04B7/0413 , H04B17/15 , H04B17/29
Abstract: 本发明涉及一种Kaczmarz辅助OAMP算法的大规模MIMO信号检测方法，属于无线通信领域。该方法包括：基于大规模MIMO系统模型，获得接收信号矢量#imgabs0#信道矩阵#imgabs1#和发送端传输信号矢量#imgabs2#利用Kaczmarz算法计算线性方程组解向量，降低传统OAMP检测算法迭代计算复杂度；联合Kaczmarz算法和OAMP检测算法，获得一种KA‑OAMP混合迭代算法；利用所述#imgabs3#所述#imgabs4#和所述#imgabs5#完成深度检测网络训练，获得一种训练完成的KA‑OAMP‑Net深度检测网络。本发明所述模型驱动深度检测网络，可利用Kaczmarz算法求解线性方程组，并辅助OAMP获得一种新颖的混合迭代算法。深度检测网络可引入可学习参数补偿原算法更新计算计算误差，并利用松弛因子加速算法收敛。因此，本发明所述深度检测网络能够有效降低原算法计算复杂度并改善收敛特性。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.027 seconds)
