公开(公告)号：CN118938118A

公开(公告)日：2024-11-12

申请号：CN202410976507.4

申请日：2024-07-20

Applicant: 南京邮电大学

Inventor： 吴晓欢 ,  王舒心 ,  邱进 ,  李明智 ,  陈龙

IPC: G01S3/14 ,  H03M1/08 ,  H03M1/12

Abstract: 本发明提供一种基于原子范数最小化的1比特低复杂度阵列结构的DOA估计方法，在接收端架构一种两级部分连接的混合模拟数字结构，并在ADC部分使用1比特ADC；利用架构的TL‑SC HAD阵列接收信号并建模；设计移相器网络初始值并得到输出信号；根据输出信号进行降维，建立原子范数最小化问题并根据恢复出的无噪分量，得到角度估计值；利用所得到的角度估计值更新移相器网络权重，重复进行角度估计，直到达到最大迭代次数或满意的估计精度，得到最终的角度估计值。该方法能够降低阵列的硬件成本和功耗，同时能够实现较高的估计精度。

公开(公告)号：CN119598421A

公开(公告)日：2025-03-11

申请号：CN202411734143.5

申请日：2024-11-29

Applicant: 南京邮电大学

Inventor： 吴晓欢 ,  王将 ,  邱进 ,  李明智 ,  陈龙

IPC: G06F18/27 ,  H04W64/00 ,  G06F18/20 ,  G06F18/25 ,  G06F18/214 ,  G06N3/042 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/098 ,  G06F9/50

Abstract: 本发明提出了一种基于分布式深度学习的节省内存的信源定位方法，该方法降低了在大规模天线场景中设备计算的内存需求。采用重叠子阵选取策略，将完整阵列划分为多个子阵，允许部分阵元在相邻子阵之间重叠。该策略有效地补偿了子阵之间互相关信息的丢失，从而提高了波达方向估计的精度。每个子阵都与一个独立的子处理器配对，负责压缩接收到的数据并将结果传输到融合中心。融合中心利用图神经网络从复杂数据集中有效提取波达方向估计信息。将波达方向估计视为回归任务，利用Toeplitz先验通过后处理实现高精度无网格估计。仿真结果表明，提出的分布式深度学习方法实现了与集中式深度学习方法相当的估计精度，同时具有较低的设备内存需求。