-
公开(公告)号：CN113839697A
公开(公告)日：2021-12-24
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。
-
Patent Agency Ranking
公开(公告)号：CN115173914B
公开(公告)日：2023-12-26
申请号：CN202210835698.3
申请日：2022-07-15
Applicant: 南通大学
Abstract: 本发明公开了一种多智能反射面辅助通信主被动波束赋形迭代优化方法，该方法首先用户端通过智能反射面发送导频信号，基站端根据导频信号获取级联链路的信道状态信息；然后基站端为每个用户端分配一个智能反射面，采用广义瑞利熵算法计算得到基站端通过所选智能反射面服务各自用户端的最优主动波束赋形向量，并计算信噪泄漏比值；接着基站端通过最大化各个用户端的最小信噪泄漏比，优化用户端所选择的智能反射面的被动波束赋形；之后基站端联合基站端的主动波束赋形和智能反射面的被动波束赋形进行迭代优化。本发明增强了无线通信系统的稳定性、可靠性，提升了无线通信系统的频谱效率。
-
公开(公告)号：CN114501497A
公开(公告)日：2022-05-13
申请号：CN202210073010.2
申请日：2022-01-21
Applicant: 南通大学
Abstract: 本发明公开了一种基于信噪泄漏比的多智能反射面与多用户的匹配方法，该方法首先用户端发送正交导频信号，基站端根据接收的导频信号估计出直接链路和反射级联链路信道状态信息；然后基站端采用广义瑞利熵算法计算得到最佳预编码向量；接着基站端计算得出其通过每一个智能反射面服务不同用户端时的信噪泄漏比值；最后基站端采用基于信噪泄漏比权值的Kuhn‑Munkres算法，经迭代获得一组最大权值的智能反射面与用户端匹配结果，依据匹配结果配置智能反射面的幅度和相位进行下行链路数据通信。本发明增强了系统稳定性，提升了无线通信系统的频谱效率以及能量效率。
-
公开(公告)号：CN114501497B
公开(公告)日：2023-04-28
申请号：CN202210073010.2
申请日：2022-01-21
Applicant: 南通大学
Abstract: 本发明公开了一种基于信噪泄漏比的多智能反射面与多用户的匹配方法，该方法首先用户端发送正交导频信号，基站端根据接收的导频信号估计出直接链路和反射级联链路信道状态信息；然后基站端采用广义瑞利熵算法计算得到最佳预编码向量；接着基站端计算得出其通过每一个智能反射面服务不同用户端时的信噪泄漏比值；最后基站端采用基于信噪泄漏比权值的Kuhn‑Munkres算法，经迭代获得一组最大权值的智能反射面与用户端匹配结果，依据匹配结果配置智能反射面的幅度和相位进行下行链路数据通信。本发明增强了系统稳定性，提升了无线通信系统的频谱效率以及能量效率。
-
公开(公告)号：CN115173914A
公开(公告)日：2022-10-11
申请号：CN202210835698.3
申请日：2022-07-15
Applicant: 南通大学
Abstract: 本发明公开了一种多智能反射面辅助通信主被动波束赋形迭代优化方法，该方法首先用户端通过智能反射面发送导频信号，基站端根据导频信号获取级联链路的信道状态信息；然后基站端为每个用户端分配一个智能反射面，采用广义瑞利熵算法计算得到基站端通过所选智能反射面服务各自用户端的最优主动波束赋形向量，并计算信噪泄漏比值；接着基站端通过最大化各个用户端的最小信噪泄漏比，优化用户端所选择的智能反射面的被动波束赋形；之后基站端联合基站端的主动波束赋形和智能反射面的被动波束赋形进行迭代优化。本发明增强了无线通信系统的稳定性、可靠性，提升了无线通信系统的频谱效率。
-
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
6
records
(took 0.015 seconds)
