-
公开(公告)号：CN115694767A
公开(公告)日：2023-02-03
申请号：CN202211327629.8
申请日：2022-10-27
Applicant: 南通大学
Abstract: 本发明涉及一种基于Transformer的联合导频设计、反馈和信道估计方法，离线训练阶段中在基站端构建导频设计网络和信道估计网络，在用户端构建导频反馈网络，将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作数据集并训练。在线预测阶段中基站端将训练完成的导频设计网络的权重作为导频信号发送至用户端，用户端将导频信号输入导频反馈网络，得到压缩的导频信号，并通过反馈链路反馈给基站端，基站端将接收到的压缩的导频信号输入信道估计网络，得到下行实时估计信道。本发明利用深度学习技术，实现了导频设计、反馈和信道估计的一体化，可获得较好的信道估计精度，也减少了导频开销、反馈开销和硬件的复杂度。
-
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。
-
公开(公告)号：CN112887947B
公开(公告)日：2021-12-03
申请号：CN202110045753.4
申请日：2021-01-14
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
Abstract: 本发明涉及无线通信网络技术领域，尤其涉及一种双层区块链的蓝牙Mesh分簇组网方法，包括以下步骤：首先，汇聚节点选择一定数量的蓝牙节点作为簇头节点，剩余蓝牙节点根据接收信号强度大小加入各自簇头节点；然后，建立双层区块链，由簇头节点形成簇头链和各簇内的蓝牙节点形成簇内链；此外，根据网络需求，对新节点增加和节点替换的过程进行区块链维护；最后，簇内剩余能量高的蓝牙节点轮流当选簇头，持续更新区块链网络。本发明的组网方案适用于智能家居、工业物联网等场景，减少蓝牙Mesh组网过程中对网关或汇聚节点的过度依赖，提高网络的吞吐量，增强蓝牙Mesh组网的安全性，进一步降低了蓝牙Mesh网络的能耗。
-
公开(公告)号：CN115694767B
公开(公告)日：2023-07-14
申请号：CN202211327629.8
申请日：2022-10-27
Applicant: 南通大学
Abstract: 本发明涉及一种基于Transformer的联合导频设计、反馈和信道估计方法，离线训练阶段中在基站端构建导频设计网络和信道估计网络，在用户端构建导频反馈网络，将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作数据集并训练。在线预测阶段中基站端将训练完成的导频设计网络的权重作为导频信号发送至用户端，用户端将导频信号输入导频反馈网络，得到压缩的导频信号，并通过反馈链路反馈给基站端，基站端将接收到的压缩的导频信号输入信道估计网络，得到下行实时估计信道。本发明利用深度学习技术，实现了导频设计、反馈和信道估计的一体化，可获得较好的信道估计精度，也减少了导频开销、反馈开销和硬件的复杂度。
-
公开(公告)号：CN115085782B
公开(公告)日：2023-06-16
申请号：CN202210681193.6
申请日：2022-06-15
Applicant: 南通大学
IPC: H04B7/0456 , H04B7/06 , G06N3/08 , G06N3/0464 , G06N3/048
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。
-
Patent Agency Ranking
公开(公告)号：CN113055816A
公开(公告)日：2021-06-29
申请号：CN202110304598.3
申请日：2021-03-23
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04W4/02 , H04W24/02 , H04W24/08 , H04W40/22 , H04B17/309 , H04B17/382
Abstract: 本发明涉及无线通信技术领域，特别涉及一种基于位置信息的多智能反射面辅助两跳中继无线通信方法及其系统，该系统由基站端、中继端、用户端以及多个智能反射面组成，多个智能反射面在基站端和用户端之间随机分布式布设；首先多个智能反射面分别在第一跳以及第二跳中按照平均信噪比数值大小进行降序排序，基站分别选择两跳中排序第一的智能反射面进行通信，并计算出整个系统的净遍历容量，然后基站端再选两跳中排序下一个智能反射面进行通信并计算出整个系统的净遍历容量，与上一个遍历容量数值进行比较；本发明具有低成本，低能耗以及高速率，广覆盖范围的优点，通过对多个智能反射面进行调度协助中继系统进行通信，进一步增强了中继系统性能。
-
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：CN113055816B
公开(公告)日：2021-11-26
申请号：CN202110304598.3
申请日：2021-03-23
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04W4/02 , H04W24/02 , H04W24/08 , H04W40/22 , H04B17/309 , H04B17/382
Abstract: 本发明涉及无线通信技术领域，特别涉及一种基于位置信息的多智能反射面辅助两跳中继无线通信方法及其系统，该系统由基站端、中继端、用户端以及多个智能反射面组成，多个智能反射面在基站端和用户端之间随机分布式布设；首先多个智能反射面分别在第一跳以及第二跳中按照平均信噪比数值大小进行降序排序，基站分别选择两跳中排序第一的智能反射面进行通信，并计算出整个系统的净遍历容量，然后基站端再选两跳中排序下一个智能反射面进行通信并计算出整个系统的净遍历容量，与上一个遍历容量数值进行比较；本发明具有低成本，低能耗以及高速率，广覆盖范围的优点，通过对多个智能反射面进行调度协助中继系统进行通信，进一步增强了中继系统性能。
-
公开(公告)号：CN113179232B
公开(公告)日：2021-10-26
申请号：CN202110436060.8
申请日：2021-04-22
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04L25/02 , H04L27/26 , H04B7/0413 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的无源智能反射表面的信道估计方法，由离线信道估计阶段和线上信道预测阶段两部分实现。离线信道估计阶段中上行链路中用户端发送导频信号，基站端控制IRS依次打开无源元件反射入射导频信号，基站端接收导频信号利用最小均方误差方法估计其相应的级联信道信息，再使用等概率均匀采样的方法从已估计的级联信道信息中选取少量的采样级联信道信息，利用少量采样级联信道信息和完全级联信道信息构建新数据集；线上信道预测阶段基站端在线估计出少量采样级联信道信息输入到已训练好的ResNet网络恢复出完全级联信道信息。本发明可灵活地选择无源元件个数和设置残差神经网络的残差单元以满足不同系统和用户服务质量的特点。
-
公开(公告)号：CN113179232A
公开(公告)日：2021-07-27
申请号：CN202110436060.8
申请日：2021-04-22
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04L25/02 , H04L27/26 , H04B7/0413 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的无源智能反射表面的信道估计方法，由离线信道估计阶段和线上信道预测阶段两部分实现。离线信道估计阶段中上行链路中用户端发送导频信号，基站端控制IRS依次打开无源元件反射入射导频信号，基站端接收导频信号利用最小均方误差方法估计其相应的级联信道信息，再使用等概率均匀采样的方法从已估计的级联信道信息中选取少量的采样级联信道信息，利用少量采样级联信道信息和完全级联信道信息构建新数据集；线上信道预测阶段基站端在线估计出少量采样级联信道信息输入到已训练好的ResNet网络恢复出完全级联信道信息。本发明可灵活地选择无源元件个数和设置残差神经网络的残差单元以满足不同系统和用户服务质量的特点。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
