-
公开(公告)号：CN113660062A
公开(公告)日：2021-11-16
申请号：CN202110917174.4
申请日：2021-08-11
Applicant: 东南大学
IPC: H04L1/00 , H04B7/0413 , H04L25/02 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种无蜂窝大规模分布式MIMO系统中基于深度强化学习的低精度ADC量化比特数分配方法，包括以下步骤：步骤一，建立系统频谱效率和能量效率联合最大化问题；步骤二，通过深度强化学习算法，迭代求解步骤一建立的问题。本发明将一个多目标优化问题转化为单目标优化问题，利用深度强化学习，将复杂的数学求解问题转化为神经网络参数优化问题，所提出算法能够快速求解出联合优化系统频谱效率和能量效率的RAU量化比特分配方案，且具有大尺度信息的自适应性，获得比等精度量化比特分配更优的性能。
-
公开(公告)号：CN115865296A
公开(公告)日：2023-03-28
申请号：CN202211476602.5
申请日：2022-11-23
Applicant: 东南大学
IPC: H04L5/00 , H04B7/0413 , H04B17/391
Abstract: 本发明公开了一种基于协方差的正交导频序列活跃检测方法。本发明针对无蜂窝分布式大规模MIMO通信系统中大规模免授权接入时面临的活跃用户检测问题，突破了传统活跃用户检测算法中受多种干扰影响的瓶颈问题。具体方案为，本发明首先提出了一种通信系统中设备间的协方差干扰度量方式，并利用最小化‑最大协方差干扰导频分配的方法，确定通信系统中各个接入设备发送的导频序列和发射功率。接着本发明采用部分更新坐标下降法来对在最小化‑最大协方差干扰的导频分配模式下的设备活跃性进行检测。该方法避免了非正交导频序列检测算法中导频开销过大的问题，对处理移动场景中的活跃用户检测问题具有非常重要的意义，因此本发明具有一定的实际价值。
-
公开(公告)号：CN113660062B
公开(公告)日：2022-07-12
申请号：CN202110917174.4
申请日：2021-08-11
Applicant: 东南大学
IPC: H04L1/00 , H04B7/0413 , H04L25/02 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种无蜂窝大规模分布式MIMO系统中基于深度强化学习的低精度ADC量化比特数分配方法，包括以下步骤：步骤一，建立系统频谱效率和能量效率联合最大化问题；步骤二，通过深度强化学习算法，迭代求解步骤一建立的问题。本发明将一个多目标优化问题转化为单目标优化问题，利用深度强化学习，将复杂的数学求解问题转化为神经网络参数优化问题，所提出算法能够快速求解出联合优化系统频谱效率和能量效率的RAU量化比特分配方案，且具有大尺度信息的自适应性，获得比等精度量化比特分配更优的性能。
-
公开(公告)号：CN115865296B
公开(公告)日：2024-07-02
申请号：CN202211476602.5
申请日：2022-11-23
Applicant: 东南大学
IPC: H04L5/00 , H04B7/0413 , H04B17/391
Abstract: 本发明公开了一种基于协方差的正交导频序列活跃检测方法。本发明针对无蜂窝分布式大规模MIMO通信系统中大规模免授权接入时面临的活跃用户检测问题，突破了传统活跃用户检测算法中受多种干扰影响的瓶颈问题。具体方案为，本发明首先提出了一种通信系统中设备间的协方差干扰度量方式，并利用最小化‑最大协方差干扰导频分配的方法，确定通信系统中各个接入设备发送的导频序列和发射功率。接着本发明采用部分更新坐标下降法来对在最小化‑最大协方差干扰的导频分配模式下的设备活跃性进行检测。该方法避免了非正交导频序列检测算法中导频开销过大的问题，对处理移动场景中的活跃用户检测问题具有非常重要的意义，因此本发明具有一定的实际价值。
-
-
-
Search Results
4
records
(took 0.017 seconds)
