-
公开(公告)号：CN114006639B
公开(公告)日：2024-01-30
申请号：CN202111293619.2
申请日：2021-11-03
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0452 , H04B7/0426
Abstract: 本发明公开了一种适用于上行多用户MIMO系统的分布式预编码方法，采用去中心化架构，每个用户配置独立的预编码器，根据当前各用户自身的信道信息独立求解线性预编码矩阵。本发明以最小化均方误差为预编码准则，并约束编码后每个用户或每根天线的发送信号功率，以此得到一个全局优化问题。本发明通过采用一种“盲信息”策略，可以获得上述问题的一组独立子问题，在子问题上使用拉格朗日乘数法和迭代法获得全局的优化解。本发明将问题的求解分解至每一个用户终端独立计算，在降低系统整体求解复杂度，缓解基站计算和通信压力的同时，保证该分布式计算方法在性能上也可以非常接近全局优化计算方法。
-
公开(公告)号：CN114421971B
公开(公告)日：2025-04-25
申请号：CN202210064071.2
申请日：2022-01-20
Applicant: 东南大学
IPC: H03M13/11
Abstract: 本发明提供一种适用于多元LDPC码的动态多符号翻转译码方法，根据当前的迭代次数和翻转门限值预设允许同时翻转的最大符号数，实际翻转符号数不能超过预设值。在迭代初期，允许翻转的符号数多，本发明可以加快译码收敛速度，减少译码时延。随着翻转译码迭代次数的增加，允许同时翻转的符号数逐渐降低，可有效纠正过翻转的符号位，提高翻转精准度，从而改善译码性能，提高系统可靠性。本发明依据迭代次数分阶段对允许翻转的符号数进行设定。在一次迭代中，优先翻转具有最大与次最大翻转函数值的符号位，然后按编码顺序从第一个符号位检测并翻转其中翻转函数值达到门限值的符号位，直到达到最大允许翻转符号数或遍历所有的编码符号位。
-
公开(公告)号：CN115208736B
公开(公告)日：2024-12-31
申请号：CN202210528524.2
申请日：2022-05-16
Applicant: 东南大学
IPC: H04L27/34 , H04L27/36 , H04L27/38 , H04L1/1812 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种适用于混合自动重传请求系统的高阶调制星座设计方法。设计方法中的神经网络代价函数采用交叉熵函数；训练方法采用反向传播算法；将二进制比特流经过星座映射后生成的高阶调制信号作为神经网络编码器的输入，神经网络编码器的输出表示所输入高阶调制信号对应的发射信号；将经过高斯白噪声信道后的接收信号实部、虚部作为神经网络解码器的输入，神经网络解码器的输出结果代表高阶调制信号中每个比特为1的概率值；神经网络的隐藏层和输出层的激活函数分别采用常规的Relu函数和Linear函数；本发明不仅在单次传输的过程中性能优于传统的正方形高阶调制星座，通过多次传输的重传合并可获得更大的性能增益。
-
公开(公告)号：CN114629536A
公开(公告)日：2022-06-14
申请号：CN202210331268.8
申请日：2022-03-30
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0456 , H04L27/26
Abstract: 本发明公开了一种适用于上行多用户MIMO‑OFDM系统子带级预编码方法，包括：将一个或多个资源块组成一个子带，共同反馈一个预编码矩阵；以最小化均方误差为预编码的基础准则，并约束编码后每个用户或每根天线的发送信号功率，以此得到一个全局优化问题；针对该优化问题，使用拉格朗日乘数法和通用迭代法以获得全局的优化解。本发明提出的子带级预编码方法在子带内共同反馈一个预编码矩阵的思想基础上，给出了一种设计子带级预编码矩阵的具体方法，在降低基站计算压力和减小反馈开销的同时，保证该子带级预编码方法能够有效对抗频率选择性信道，并且在性能上远远优于5G协议中基于码本的预编码方法。
-
公开(公告)号：CN114389756B
公开(公告)日：2024-04-09
申请号：CN202210064643.7
申请日：2022-01-20
Applicant: 东南大学
Abstract: 本发明涉及一种基于分组最大似然(ML)检测和并行迭代干扰抵消的上行MIMO检测方法，本检测方法由两个主要部分组成：分组ML检测器和并行迭代干扰抵消器。每次迭代开始时，首先根据上一次迭代输出的检测结果，通过并行干扰抵消，抵消其他组用户对待检测组的影响，再对待检测组内数据流进行ML检测。本检测方法通过分组的ML检测以及简化的排序算法降低了核心检测复杂度，通过迭代并行干扰抵消确保了其优异的检测性能。在高分集度的接收场景下，本方法具有接近最优检测器，全局ML检测的性能。
-
Patent Agency Ranking
公开(公告)号：CN114629536B
公开(公告)日：2023-04-07
申请号：CN202210331268.8
申请日：2022-03-30
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0456 , H04L27/26
Abstract: 本发明公开了一种适用于上行多用户MIMO‑OFDM系统子带级预编码方法，包括：将一个或多个资源块组成一个子带，共同反馈一个预编码矩阵；以最小化均方误差为预编码的基础准则，并约束编码后每个用户或每根天线的发送信号功率，以此得到一个全局优化问题；针对该优化问题，使用拉格朗日乘数法和通用迭代法以获得全局的优化解。本发明提出的子带级预编码方法在子带内共同反馈一个预编码矩阵的思想基础上，给出了一种设计子带级预编码矩阵的具体方法，在降低基站计算压力和减小反馈开销的同时，保证该子带级预编码方法能够有效对抗频率选择性信道，并且在性能上远远优于5G协议中基于码本的预编码方法。
-
公开(公告)号：CN113938254B
公开(公告)日：2024-02-02
申请号：CN202111227886.X
申请日：2021-10-21
Applicant: 东南大学
IPC: H04L1/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制的分层信源信道联合编码传输系统及其传输方法，本发明基于注意力机制的渐进增强型传输网络，该网络第一层接收的图像信息可以在接收端独立解码，在压缩率较高的情况下，若第一次传输接收信号恢复的图片质量较差，则通过第二次传输来增强图片信息；渐进增强型网络的接收部分可以组合两次传输的信息，逼近相同压缩率下单次传输的最优性能；在信道压缩率受限的情景下，本发明通过多层传输提升接收端图片的峰值信噪比性能，网络结构可以拓展至L(L≥2)层；本发明具有逼近单层最优传输的性能，同时基于卷积神经网络的信源信道联合编码方法具有卓越的对抗信道突变的能力。
-
公开(公告)号：CN115208736A
公开(公告)日：2022-10-18
申请号：CN202210528524.2
申请日：2022-05-16
Applicant: 东南大学
Abstract: 本发明公开了一种适用于混合自动重传请求系统的高阶调制星座设计方法。设计方法中的神经网络代价函数采用交叉熵函数；训练方法采用反向传播算法；将二进制比特流经过星座映射后生成的高阶调制信号作为神经网络编码器的输入，神经网络编码器的输出表示所输入高阶调制信号对应的发射信号；将经过高斯白噪声信道后的接收信号实部、虚部作为神经网络解码器的输入，神经网络解码器的输出结果代表高阶调制信号中每个比特为1的概率值；神经网络的隐藏层和输出层的激活函数分别采用常规的Relu函数和Linear函数；本发明不仅在单次传输的过程中性能优于传统的正方形高阶调制星座，通过多次传输的重传合并可获得更大的性能增益。
-
公开(公告)号：CN114421971A
公开(公告)日：2022-04-29
申请号：CN202210064071.2
申请日：2022-01-20
Applicant: 东南大学
IPC: H03M13/11
Abstract: 本发明提供一种适用于多元LDPC码的动态多符号翻转译码方法，根据当前的迭代次数和翻转门限值预设允许同时翻转的最大符号数，实际翻转符号数不能超过预设值。在迭代初期，允许翻转的符号数多，本发明可以加快译码收敛速度，减少译码时延。随着翻转译码迭代次数的增加，允许同时翻转的符号数逐渐降低，可有效纠正过翻转的符号位，提高翻转精准度，从而改善译码性能，提高系统可靠性。本发明依据迭代次数分阶段对允许翻转的符号数进行设定。在一次迭代中，优先翻转具有最大与次最大翻转函数值的符号位，然后按编码顺序从第一个符号位检测并翻转其中翻转函数值达到门限值的符号位，直到达到最大允许翻转符号数或遍历所有的编码符号位。
-
公开(公告)号：CN114389756A
公开(公告)日：2022-04-22
申请号：CN202210064643.7
申请日：2022-01-20
Applicant: 东南大学
Abstract: 本发明涉及一种基于分组最大似然(ML)检测和并行迭代干扰抵消的上行MIMO检测方法，本检测方法由两个主要部分组成：分组ML检测器和并行迭代干扰抵消器。每次迭代开始时，首先根据上一次迭代输出的检测结果，通过并行干扰抵消，抵消其他组用户对待检测组的影响，再对待检测组内数据流进行ML检测。本检测方法通过分组的ML检测以及简化的排序算法降低了核心检测复杂度，通过迭代并行干扰抵消确保了其优异的检测性能。在高分集度的接收场景下，本方法具有接近最优检测器，全局ML检测的性能。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.014 seconds)
