-
公开(公告)号：CN114915523B
公开(公告)日：2022-09-27
申请号：CN202210844324.8
申请日：2022-07-19
Applicant: 南昌大学
Abstract: 本发明提供一种基于模型驱动的智能超表面信道估计方法及系统，包括获取多组不同的级联信道粗糙估计值以及真实级联信道标签值并构建数据对，以及获取信道已知参数，建立数据集；构建深度神经网络模型，将数据集输入深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，最终得到最优深度神经网络模型及最优深度神经网络模型的最佳权值；将初始粗糙级联信道估计值输入所述最优深度神经网络模型中重构出最优级联信道。本发明中的基于模型驱动的智能超表面信道估计方法及系统，融合了物理模型，提高了算法的泛化能力，从而减少了训练复杂程度且重建精度高。
-
公开(公告)号：CN115695105B
公开(公告)日：2023-03-17
申请号：CN202310001102.4
申请日：2023-01-03
Applicant: 南昌大学
IPC: H04L25/02 , H04B17/373 , H04B17/391
Abstract: 本发明提供了基于深度迭代智能超表面辅助通信的信道估计方法及装置，该方法通过建立前向信号传输模型，并根据级联信道稀疏性，将前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题，并通过引入随机预测策略，使深度迭代网络模型适应不同数量的导频信息，当用户发送不同数量的导频信息时，深度迭代网络模型仍能够根据接收端收到的信号进行信道估计，即用单一深度迭代模型处理不同维度的系数矩阵，提高了网络泛化能力，减少为不同数量导频信息引起的不同任务单独训练的次数，另外，把稀疏信号恢复问题分解的第一子问题、第二子问题以及第三子问题的优化融入深度迭代模型，动态调整深度迭代网络模型的网络参数，提高级联信道估计精度。
-
公开(公告)号：CN115695105A
公开(公告)日：2023-02-03
申请号：CN202310001102.4
申请日：2023-01-03
Applicant: 南昌大学
IPC: H04L25/02 , H04B17/373 , H04B17/391
Abstract: 本发明提供了基于深度迭代智能超表面辅助通信的信道估计方法及装置，该方法通过建立前向信号传输模型，并根据级联信道稀疏性，将前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题，并通过引入随机预测策略，使深度迭代网络模型适应不同数量的导频信息，当用户发送不同数量的导频信息时，深度迭代网络模型仍能够根据接收端收到的信号进行信道估计，即用单一深度迭代模型处理不同维度的系数矩阵，提高了网络泛化能力，减少为不同数量导频信息引起的不同任务单独训练的次数，另外，把稀疏信号恢复问题分解的第一子问题、第二子问题以及第三子问题的优化融入深度迭代模型，动态调整深度迭代网络模型的网络参数，提高级联信道估计精度。
-
公开(公告)号：CN114915523A
公开(公告)日：2022-08-16
申请号：CN202210844324.8
申请日：2022-07-19
Applicant: 南昌大学
Abstract: 本发明提供一种基于模型驱动的智能超表面信道估计方法及系统，包括获取多组不同的级联信道粗糙估计值以及真实级联信道标签值并构建数据对，以及获取信道已知参数，建立数据集；构建深度神经网络模型，将数据集输入深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，最终得到最优深度神经网络模型及最优深度神经网络模型的最佳权值；将初始粗糙级联信道估计值输入所述最优深度神经网络模型中重构出最优级联信道。本发明中的基于模型驱动的智能超表面信道估计方法及系统，融合了物理模型，提高了算法的泛化能力，从而减少了训练复杂程度且重建精度高。
-
-
-
Search Results
4
records
(took 0.019 seconds)
