公开(公告)号：CN111865378B

公开(公告)日：2021-06-11

申请号：CN202010466502.9

申请日：2020-05-28

Applicant: 东南大学

Inventor： 高西奇 ,  王闻今 ,  是钧超 ,  徐益 ,  王一彪 ,  田鑫

IPC: H04B7/0456 ,  H04B7/0413 ,  H04B7/0426 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00

Abstract: 本发明公开了基于深度学习的大规模MIMO下行预编码方法，本发明中基站利用各用户终端的瞬时和统计信道信息，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量进行下行预编码传输。该框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。通用框架通过深度神经网络计算最优拉格朗日乘子，进而通过最优解结构计算预编码向量；低复杂度框架将预编码问题分解为瞬时和统计两个子问题分别计算再组合。本发明能够使下行预编码达到近乎最佳的可达和速率性能，并具有较低的计算复杂度。

公开(公告)号：CN111865378A

公开(公告)日：2020-10-30

申请号：CN202010466502.9

申请日：2020-05-28

Applicant: 东南大学

Inventor： 高西奇 ,  王闻今 ,  是钧超 ,  徐益 ,  王一彪 ,  田鑫

IPC: H04B7/0456 ,  H04B7/0413 ,  H04B7/0426 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00

Abstract: 本发明公开了基于深度学习的大规模MIMO下行预编码方法，本发明中基站利用各用户终端的瞬时和统计信道信息，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量进行下行预编码传输。该框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。通用框架通过深度神经网络计算最优拉格朗日乘子，进而通过最优解结构计算预编码向量；低复杂度框架将预编码问题分解为瞬时和统计两个子问题分别计算再组合。本发明能够使下行预编码达到近乎最佳的可达和速率性能，并具有较低的计算复杂度。

公开(公告)号：CN118984176A

公开(公告)日：2024-11-19

申请号：CN202410926421.0

申请日：2024-07-11

Applicant: 东南大学

Inventor： 王闻今 ,  田鑫 ,  王亚飞 ,  孙港乐 ,  侯宏卫 ,  贺漩

IPC: H04B7/0456 ,  H04B17/309 ,  H04B17/391

Abstract: 本发明提供一种基于神经网络的鲁棒联合用户调度和预编码方法与系统，基站根据上行信道中获取的信道状态信息和长期观测得到的统计先验信息，在下行传输时进行联合用户调度和预编码。以最大化用户期望和速率为目标，设计鲁棒的联合用户调度和预编码方案。为了简化求解，将联合优化问题转化为两个子问题求解：求解鲁棒预编码子问题，对任意用户调度方案，可以获取该方案下最优预编码向量；给定鲁棒预编码算法，求解鲁棒用户调度子问题。本发明利用置换等变的深度神经网络结构，设计了满足置换等变性的深度学习鲁棒联合用户调度和预编码算法。该算法提升了用户和速率性能，且具有较低计算复杂度，对存在信道老化的场景具有良好的鲁棒性。

公开(公告)号：CN111541472B

公开(公告)日：2021-04-06

申请号：CN202010315003.X

申请日：2020-04-21

Applicant: 东南大学

Inventor： 王闻今 ,  徐益 ,  田鑫 ,  是钧超 ,  王一彪 ,  尤力 ,  高西奇

IPC: H04B7/0413 ,  H04B7/0456

Abstract: 本发明提出了一种低复杂度机器学习辅助鲁棒预编码方法及装置。为了在大规模MIMO下行系统中，同时兼顾准静态信道场景和快变信道场景下的共信道干扰性能，本发明将不同类型的两种预编码矩阵加权，得到了一种具有鲁棒性的预编码方法。其中两个预编码矩阵分别基于瞬时信道预测结果和能量耦合矩阵产生，加权系数通过机器学习方法获得。本发明相比现有鲁棒预编码方法计算复杂度大幅降低，且在准静态信道环境下和快变信道环境下都能达到可接受的和速率性能。

公开(公告)号：CN111541472A

公开(公告)日：2020-08-14

申请号：CN202010315003.X

申请日：2020-04-21

Applicant: 东南大学

Inventor： 王闻今 ,  徐益 ,  田鑫 ,  是钧超 ,  王一彪 ,  尤力 ,  高西奇

IPC: H04B7/0413 ,  H04B7/0456

Abstract: 本发明提出了一种低复杂度机器学习辅助鲁棒预编码方法及装置。为了在大规模MIMO下行系统中，同时兼顾准静态信道场景和快变信道场景下的共信道干扰性能，本发明将不同类型的两种预编码矩阵加权，得到了一种具有鲁棒性的预编码方法。其中两个预编码矩阵分别基于瞬时信道预测结果和能量耦合矩阵产生，加权系数通过机器学习方法获得。本发明相比现有鲁棒预编码方法计算复杂度大幅降低，且在准静态信道环境下和快变信道环境下都能达到可接受的和速率性能。