-
公开(公告)号：CN118139105A
公开(公告)日：2024-06-04
申请号：CN202410281033.1
申请日：2024-03-12
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
Abstract: 本发明涉及基于空频多域扩展的海量设备低延迟接入识别检测方法，属于无线通信中的数据传输领域，包括：S1，空频扩展的海量物联网设备接入；S2，通过矩阵变换将信道从天线‑频率域变换至角度‑延时域；S3，模型简化；以及S4，数据估计。其中，步骤S1包括下列子步骤：S11，将所有子载波划分为B个资源块，每个资源块包含P个子载波；S12，将属于同一个资源块内的子载波进行等间隔分布；S13，同一资源块内在每个子载波上传输同一星座符号；在步骤S2中，首先将信道与接收信号变换至角度‑频率域，最后变换至角度‑延时域。本发明提增加了系统能够同时容纳的用户个数，提升了数据识别检测性能，并降低了用户的接入延迟。
-
Patent Agency Ranking
公开(公告)号：CN118138413A
公开(公告)日：2024-06-04
申请号：CN202410254696.4
申请日：2024-03-06
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
IPC: H04L27/12 , H04L27/14 , H04L27/144
Abstract: 本发明公开了TSN中连续调频波多域参数调制的联合通信探测方法，用于解决自动驾驶场景下的频谱资源受限问题、实现时频资源的合理复用以及联合通信探测功能。包括如下步骤：主动和被动联合通信探测设备通过资源块识别方案获取资源块使用信息并确定所用资源块。主动方采用两帧合并探测方法，发送包括信标帧和DDM帧的连续调频波，通过基于检测的参数信息恢复算法探测环境目标。被动方采用两帧联合探测方法探测环境目标、进行同步时延调整并向主动方发送同步确认信息，实现设备间的自适应时间同步。进入通信过程，主动方对连续调频波进行多域参数信息调制，被动方利用先验信息进行数据解调以及目标探测，并允许持续的跟踪和状态更新。
-
公开(公告)号：CN118019047A
公开(公告)日：2024-05-10
申请号：CN202410230192.9
申请日：2024-02-29
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
IPC: H04W24/08 , H04B7/0413 , H04W74/0833 , H04L25/02
Abstract: 本发明公开时间敏感网络中频域预均衡的多用户接入识别检测方法，属于无线通信中的数据传输技术领域。本发明实现方法为：在下行阶段，基站某一跟天线向所有用户设备广播标志信号，用户进行同步、信道估计、功率控制。在上行传输阶段，用户采用免授权方式进行数据传输。用户发射信号的过程包括星座符号调制，乘扩频序列，预均衡以及OFDM调制。基站在联合用户活跃性与数据粗估计来识别活跃用户序号以及数据的粗估计，利用估计得到的数据进行信道估计。利用信道估计值进行更精确的数据估计。信道估计以及数据估计之间能够进行迭代。本发明能够在较少的时频资源下实现数据检测以及信道估计，实现时间敏感网络所期望的高实时性、高可靠性数据传输。
-
公开(公告)号：CN117895981A
公开(公告)日：2024-04-16
申请号：CN202311614959.X
申请日：2023-11-29
Applicant: 北京理工大学
IPC: H04B7/06 , H04B7/0456 , H04B7/0417 , H04L25/02
Abstract: 本发明提出了时间敏感网络中基于通感一体化的信道语义智能获取方法，属于通信感知一体化中的信道语义获取技术领域。本发明在TSN通信感知一体化场景下，基于AI辅助设计了一个通信感知一体化信道语义提取与重构网络，通过在两个阶段中分配导频符号，以及调整损失函数的权重，来灵活适应通信信道语义和感知信道语义之间的共享程度和ISAC性能之间的平衡关系。一方面，通过引入瞬时信道的先验信息来进一步优化波形设计，增强通信和感知信道语义的提取；另一方面，利用通信与感知信道语义之间的相关性联合处理这两种模态，实现通信与感知功能的深度融合。本发明能够实现通信和感知协同增益，有效提高感知的准确度和降低通信估计与反馈阶段延时。
-
公开(公告)号：CN117932239A
公开(公告)日：2024-04-26
申请号：CN202311822374.7
申请日：2023-12-27
Applicant: 北京理工大学
IPC: G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了基于深度学习的时间敏感网络低精度ADC信号去量化方法，属于无线时间敏感网络数据传输技术领域。在用户端构建去量化网络ResNet‑DQ，包括三个ResNet块和一个卷积神经网络维度调整层。将低比特信号输入去量化网络ResNet‑DQ学习信号的时域相关性，并输出去量化信号；将网络输出信号与无噪接收信号的归一化最小均方误差作为网络损失函数，并采用数据驱动来训练去量化网络；将训练好的去量化网络应用于采用低精度ADC系统，实现对低比特接收信号的去量化信息恢复。本发明解决了由于实际系统器件特性不匹配，以及采用高采样速率、低精度ADC引起的信号失真等问题，能够减少信号失真，成功恢复绝大部分信息，且具有较好的鲁棒性，降低信号开销，并节省硬件部署成本。
-
公开(公告)号：CN118300927A
公开(公告)日：2024-07-05
申请号：CN202410108297.7
申请日：2024-01-25
Applicant: 北京理工大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明涉及一种知识驱动深度学习的TSN高维信道快速估计方法，属于无线通信信道估计技术领域。本发明设计了一种基于知识驱动的GMMV‑LAMP高维信道快速估计网络，以及一种信道估计中的频率选择性的宽带冗余字典设计方法。GMMV‑LAMP网络能够快速、准确地进行宽带高维信道估计。频率选择性的宽带冗余字典，能够在毫米波UM‑MIMO纯远场、近场、远近场混合场景下，精准地获取信道的稀疏域表示，并且克服频率平坦性字典带来的波束斜视效应。本发明通过将冗余字典应用到GMMV‑LAMP网络中，在远、近场混合场景下准确、快速地进行毫米波宽带大规模MIMO信道估计，以发挥毫米波UM‑MIMO技术为TSN带来的低延迟、高带宽等优势。本发明提高了UM‑MIMO高维信道估计的精度，并且具有更快的收敛速度。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
