-
公开(公告)号：CN117220731B
公开(公告)日：2024-10-29
申请号：CN202311310411.6
申请日：2023-10-11
Applicant: 南通大学
IPC: H04B7/0426 , H04B7/06 , H04B7/145
Abstract: 本发明公开了一种去蜂窝大规模MIMO共生通信的大尺度衰落解码方法，包括：布设分布式接入点AP，物联网设备和一个反向散射装置，所有接入点AP由一个中心处理单元所控制；物联网设备向接入点AP发送信号，同时反向散射装置也会调制这些信号来发送自己的信号；接入点AP接收到信号后，对来自物联网设备的信号进行一次解码并发送给中心处理单元。中心处理单元接收到信号后，将对其进行复制；对于信号A，根据广义瑞利熵定理，中心处理单元对来自物联网设备的信号进行大尺度衰落解码；对于信号B，中心处理单元先用解码信息进行信号消除，再对来自反向散射装置的信号进行大尺度衰落解码。本发明可以有效地降低信号中的干扰项，提高功率效率与频谱效率。
-
公开(公告)号：CN115776424A
公开(公告)日：2023-03-10
申请号：CN202211435456.1
申请日：2022-11-16
Applicant: 南通大学
IPC: H04L25/02 , H04B7/0452
Abstract: 本发明涉及无线通信技术领域，特别是涉及一种去蜂窝大规模MIMO共生通信系统信道估计方法，包括：去蜂窝大规模MIMO网络布设大量分布式接入点AP和一个反向散射装置；信道估计阶段，所有用户向所有的接入点AP与反向散射装置发送导频信号，反向散射装置接收到信号将不进行处理而是直接发送给所有接入点AP；各个接入点AP接收到来自反向散射装置和用户的信号后，先根据接收到的信号进行直接链路信道估计，获得直接链路信道估计信息；之后利用直接链路信道估计信息对之前接收到的信号进行信号去除；然后对剩下的信号进行信道估计，得到间接链路信道估计信息。本发明具有均方误差低、复杂度低和所需信令开销小的优点。
-
公开(公告)号：CN115085782A
公开(公告)日：2022-09-20
申请号：CN202210681193.6
申请日：2022-06-15
Applicant: 南通大学
IPC: H04B7/0456 , H04B7/06 , G06N3/08
Abstract: 本发明公开了基于深度学习的智能反射面联合反馈和混合预编码方法，离线训练阶段中，首先根据信道计算模拟、数字预编码矩阵，并输入深度学习模型训练，然后将模型的信道压缩网络和混合预编码网络分别部署在用户端和基站端。在线预测阶段中，用户端将实时信道输入信道压缩网络，并将压缩信息反馈回基站端，基站端将反馈信息输入混合预编码网络，得到模拟、数字预编码矩阵，然后根据数字预编码矩阵对发送信号进行数字预编码，将数字预编码信号通过馈源传输至智能反射面，智能反射面根据模拟预编码矩阵对数字预编码信号进行相移处理，并发送至用户端。本发明利用深度学习技术，实现多用户的信道反馈和基于智能反射面的混合预编码，降低系统的功耗。
-
公开(公告)号：CN117768272A
公开(公告)日：2024-03-26
申请号：CN202311789693.2
申请日：2023-12-22
Applicant: 南通大学
IPC: H04L25/02 , H04W52/14 , H04B7/0426
Abstract: 本发明涉及无线通信技术领域，特别涉及一种无线能量传输的去蜂窝网络信道统计信息估计方法，包括：在去蜂窝系统中布设M个AP、T个RIS、K个用户和一个CPU，假设在每个AP旁都有一个RIS主要为其提供服务；在信道估计阶段，用户采用特殊的导频结构方案向AP发送导频信号，AP为了获得信道统计信息将在不同相干块接收到的信号进行处理，同时采用MMSE信道估计方法进行信道估计；在下行能量传输阶段用户从AP发送能量信号中收集能量；在上行数据传输阶段，将收集到的能量按照比例进行分配，用于此次数据传输及下次信道估计。本发明适用于无线能量传输系统，大大降低了导频开销，可获得较为准确的信道估计。
-
公开(公告)号：CN117220731A
公开(公告)日：2023-12-12
申请号：CN202311310411.6
申请日：2023-10-11
Applicant: 南通大学
IPC: H04B7/0426 , H04B7/06 , H04B7/145
Abstract: 本发明公开了一种去蜂窝大规模MIMO共生通信的大尺度衰落解码方法，包括：布设分布式接入点AP，物联网设备和一个反向散射装置，所有接入点AP由一个中心处理单元所控制；物联网设备向接入点AP发送信号，同时反向散射装置也会调制这些信号来发送自己的信号；接入点AP接收到信号后，对来自物联网设备的信号进行一次解码并发送给中心处理单元。中心处理单元接收到信号后，将对其进行复制；对于信号A，根据广义瑞利熵定理，中心处理单元对来自物联网设备的信号进行大尺度衰落解码；对于信号B，中心处理单元先用解码信息进行信号消除，再对来自反向散射装置的信号进行大尺度衰落解码。本发明可以有效地降低信号中的干扰项，提高功率效率与频谱效率。
-
Patent Agency Ranking
公开(公告)号：CN114844541B
公开(公告)日：2023-04-07
申请号：CN202210428661.9
申请日：2022-04-22
Applicant: 南通大学
IPC: H04B7/0456
Abstract: 本发明涉及一种基于深度学习的混合预编码和反馈方法，离线训练阶段中首先由信道矩阵计算预编码矩阵和合并矩阵，并输入混合预编码深度学习模型训练，将输出的预编码矩阵和样本预编码矩阵输入压缩重建深度学习模型训练，然后将压缩重建模型拆分为压缩网络和重建网络，将混合预编码、压缩网络部署在接收端，重建网络部署在发送端。在线预测阶段中，接收端将信道矩阵输入混合预编码网络，得到预编码矩阵和合并矩阵，将预编码矩阵输入压缩网络，得到反馈信息并传输给发送端，发送端将反馈信息输入重建网络得到预编码矩阵。本发明利用深度学习技术，实现了预编码、合并矩阵的设计以及反馈，可获得较好的频谱效率，也减少了反馈的开销和硬件的复杂度。
-
公开(公告)号：CN116781118A
公开(公告)日：2023-09-19
申请号：CN202310887430.9
申请日：2023-07-19
Applicant: 南通大学
IPC: H04B7/0413 , H04B7/06 , H04L25/02 , H04W12/02
Abstract: 本发明属于无线通信技术领域，公开了一种去蜂窝大规模MIMO物理层安全通信传输方法，该方法构建由M个接入点AP、K个用户和一个窃听者组成的去蜂窝大规模MIMO系统模型；根据去蜂窝大规模MIMO系统模型，构建接入点AP、用户和窃听者之间的物理层安全模型；根据去蜂窝大规模MIMO系统模型、物理层安全模型，构建通信保密率最大化目标及功率分配优化条件；基于通信保密率最大化目标及功率分配优化条件，利用不等式和路径跟踪算法进行求解，并构建去蜂窝大规模MIMO物理层安全通信方法。本发明提供更强的接收信号强度，且具有高安全性和大规模连接的特点。
-
公开(公告)号：CN114650608B
公开(公告)日：2023-04-07
申请号：CN202210405586.4
申请日：2022-04-18
Applicant: 南通大学
Abstract: 本发明公开了一种去蜂窝大规模MIMO的多中心处理单元协作方法，包括：去蜂窝大规模MIMO网络布设分布式接入点AP，所有接入点AP被分成若干个实际簇；导频传输阶段，所有用户向所有的接入点AP发送导频信号，中心处理单元根据接收到的导频信号获得信道估计信息和统计信息；上行链路传输阶段，针对某个用户，各个中心处理单元将各自的统计信息发往某个中心处理单元，该中心处理单元根据统计信息，基于广义瑞利熵定理为不同的中心处理单元计算权重；利用计算出的权重，该中心处理单元对各个中心处理单元接收到的数据信号进行加权合并处理，使得这些中心处理单元在同一时频资源上协同为用户服务。本发明具有系统信号处理复杂度低与所需信令开销小的优点。
-
公开(公告)号：CN114844541A
公开(公告)日：2022-08-02
申请号：CN202210428661.9
申请日：2022-04-22
Applicant: 南通大学
IPC: H04B7/0456
Abstract: 本发明涉及一种基于深度学习的混合预编码和反馈方法，离线训练阶段中首先由信道矩阵计算预编码矩阵和合并矩阵，并输入混合预编码深度学习模型训练，将输出的预编码矩阵和样本预编码矩阵输入压缩重建深度学习模型训练，然后将压缩重建模型拆分为压缩网络和重建网络，将混合预编码、压缩网络部署在接收端，重建网络部署在发送端。在线预测阶段中，接收端将信道矩阵输入混合预编码网络，得到预编码矩阵和合并矩阵，将预编码矩阵输入压缩网络，得到反馈信息并传输给发送端，发送端将反馈信息输入重建网络得到预编码矩阵。本发明利用深度学习技术，实现了预编码、合并矩阵的设计以及反馈，可获得较好的频谱效率，也减少了反馈的开销和硬件的复杂度。
-
公开(公告)号：CN113839697B
公开(公告)日：2022-06-28
申请号：CN202111110018.3
申请日：2021-09-23
Applicant: 南通大学
IPC: H04B7/0456
Abstract: 本发明涉及一种基于深度学习的联合反馈和混合预编码设计方法，首先计算出样本信道矩阵的最优预编码矩阵。将样本信道矩阵及其最优预编码矩阵作为数据集，设计深度学习模型并训练。将训练完成的深度学习模型拆分为压缩网络和编码网络两部分，压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端。对于实时信道，接收端将信道矩阵输入压缩网络，得到压缩后的信道矩阵并反馈给发送端，发送端将压缩后的信道矩阵输入编码网络，得到实时信道的预编码矩阵。本发明利用深度学习技术，对信道状态信息进行压缩，接收端无需恢复原始信道信息即可进行预编码，既能得到较好的频谱效率，也减少了信道反馈的开销、预编码和硬件的复杂度。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.016 seconds)
