-
公开(公告)号：CN119070868A
公开(公告)日：2024-12-03
申请号：CN202411177163.7
申请日：2024-08-26
Applicant: 电子科技大学 , 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于并行乘积复圆流形的RIS辅助的ISAC波形设计，属于波形设计技术领域。本发明的目标是同时使雷达的波束方向图匹配误差和可重构智能表面RIS辅助的通信多用户干扰最小。本发明利用波形和RIS辅助的自然恒模特性，设计了并行乘积复圆流形框架，将基于同时使雷达的波束方向图匹配误差和RIS辅助的通信多用户干扰最小的波形设计优化问题在并行乘积复圆流形框架上转换为无约束耦合四元问题，并基于并行共轭梯度法来并行优化波形和RIS辅助。与现有方法相比，本发明以更少的计算成本实现了更好的综合性能，实现借助RIS为ISAC系统的所有用户提供服务的同时提高雷达的多目标探测性能。
-
公开(公告)号：CN117255355A
公开(公告)日：2023-12-19
申请号：CN202310933942.4
申请日：2023-07-27
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本申请公开了一种可重构智能表面辅助通感一体化中的波形生成方法和系统，涉及波束形成领域，本申请包括建模RIS辅助的集成部署通信与雷达感知功能的波形设计，所述波形设计用于对用户服务并在干扰下提高的雷达的SINR；优化所述建模的波形设计中的波形和RIS相移；获取通信干扰和雷达干扰抑制性能同时最优的波形设计模型；采用交替块坐标下降算法迭代满足预设阈值收敛的波形。本申请在恒模约束下找出使雷达SINR最大、通信MUI最小的最优发射波形及RIS上的相移，实现对波形更好的优化；本申请能够同时有效抑制雷达和通信的干扰，同时实现通信、感知的性能最优。
-
公开(公告)号：CN117150728A
公开(公告)日：2023-12-01
申请号：CN202310975476.6
申请日：2023-08-04
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本申请公开了用于毫米波通信系统中混合预编码器设计的快速优化方法，本申请包括，射频模拟预编码矩阵满足恒模约束，混合预编码矩阵满足用于限制发射信号的传输功率的能量约束；设置满足恒模约束和能量约束的问题模型，所述问题模型为衡量混合预编码矩阵与最优无约束数字预编码矩阵的最小化相似程度的问题模型；对问题模型根据参数的性能指标进行联合优化获取优化模型；采用交替优化结构求解所述优化模型，基于求解结果，获取毫米波MIMO系统的基带数字预编码矩阵和射频模拟预编码矩阵。本申请能够在保证频谱效率优化结果不衰减的同时，将计算复杂度降低约一个数量级，更有利于进行硬件实现。
-
公开(公告)号：CN113050078A
公开(公告)日：2021-06-29
申请号：CN202110293103.1
申请日：2021-03-18
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于凸松弛的MIMO雷达波形生成方法，涉及雷达技术领域，解决了MIMO雷达的恒模约束限制SINR性能的问题。本发明包括对共置MIMO雷达，发射端的发射波形进行优化，在优化的目标函数中的干扰项和噪声项单独添加惩罚因子，惩罚因子用于在方向图上加深凹口，同时对每个雷达快拍处波形的总能量进行最大化优化处理，还包括对波形的恒模约束进行松弛处理。本发明可在方向图上获得更深的凹口，显著提升雷达的MFL的性能，在SNR较低的条件下，可以获得更高的信干噪比。
-
公开(公告)号：CN119150663A
公开(公告)日：2024-12-17
申请号：CN202411141352.9
申请日：2024-08-20
Applicant: 电子科技大学 , 电子科技大学长三角研究院(衢州)
IPC: G06F30/27 , G01S7/36 , G01S7/02 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种基于复圆流形网络的MIMO雷达单模波形设计，属于波形设计领域。本发明提供了一种基于模型的复圆流形网络，利用两个梯度下降模型的优势，以在有限的数据学习。本发明将波形设计问题表述为复圆流形上的无约束二次分数阶问题，为了解决该问题，将梯度下降算法作为复圆流形上的网络层展开，并自适应学习步长；此外，针对实际系统中采用的离散相位，本发明设计了一个软量化LCCM网络，其中设计了一个低分辨率的非均匀量化器来量化相位，该量化器依赖于一个独特设计的软阶梯函数，其结合了可学习的参数，允许其自适应地微调决策区域。本发明一方面无需松弛且计算成本降低，另一方面，采用低分辨率非均匀量化器进行相位量化，提高了发射机的效率。
-
Patent Agency Ranking
公开(公告)号：CN119026359A
公开(公告)日：2024-11-26
申请号：CN202411141351.4
申请日：2024-08-20
Applicant: 电子科技大学 , 电子科技大学长三角研究院(衢州)
IPC: G06F30/20 , G01S7/02 , G06F17/18 , G06F119/02
Abstract: 本发明所公开了一种基于黎曼积流形框架的恒模波形与接收滤波器的联合设计，属于雷达领域。在本发明中，通过构造一个黎曼积流形框架可以无需松弛直接对接收滤波器和发射波形进行联合设计的优化问题进行松弛处理，从而避免松弛处理所导致的近似误差，当需要根据期望的AF图对接收滤波器和发射波形进行联合设计，本发明基于模糊函数赋型的黎曼积流形法进行实现，该实现方式是一种基于失匹配滤波的无松弛方法。本发明首先构造了一种黎曼积流形(RPM)以同时满足恒模约束和能量约束；然后，将接收滤波器和发射波形进行联合设计的优化问题转化为RPM上的无约束优化问题；最后，再通过RPM的并行共轭梯度算法进行求解，基于求解结果得到最终的最优发射波形和最优接收滤波器。本发明所设计的发射波形可以获得更深的模糊函数凹口，且对弱目标探测的性能更好。
-
公开(公告)号：CN118821617A
公开(公告)日：2024-10-22
申请号：CN202411044147.0
申请日：2024-07-31
Applicant: 电子科技大学 , 电子科技大学长三角研究院(衢州)
IPC: G06F30/27 , G06N3/045 , G06N3/084 , G06N3/0985 , G01S7/02 , G06F111/04
Abstract: 本发明公开了一种基于迭代深度展开网络的MIMO雷达恒模波形设计，属于波形设计领域。与传统的松弛方法或计算量很大的非松弛方法不同，本发明提出了一种计算效率高的、无需松弛的MIMO雷达恒模波形设计方法。本发明利用黎曼复圆流形天然地满足恒模约束的性能，通过将问题投影到黎曼复圆流形上，将其转化为无约束最小化问题，并可以使用黎曼梯度下降算法进行求解；进一步，将黎曼梯度下降算法展开为一个深度学习模型，构建了一个能自适应调整下降步长的迭代深度展开网络来优化波形。本发明能够取得更低的ISL，获得更好的自相关性与互相关性，更利于提高MIMO雷达对目标的探测性能。
-
公开(公告)号：CN116996100A
公开(公告)日：2023-11-03
申请号：CN202310973857.0
申请日：2023-08-04
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04B7/0456 , H04B7/0413
Abstract: 本申请公开了毫米波MIMO混合预编码器的模型基深度学习网络方法，本申请包括，对包括收/发端的模拟/数字预编码的混合编码器设计，构建最大化MIMO雷达频谱效率的优化模型，包括：转换至黎曼流形下，将梯度投影算法展开为MDL‑Net的模型层，对模拟预编码器的优化；在下一个网络层，对梯度下降获取的可行解逆向量化，获取网络损失函数，根据网络损失函数采用优化器训练步长，返回训练后步长与可行解至第一个网络层，梯度下降至收敛或达到最大循环次数，将输出结果逆向量化，得到优化的模拟预编码，固定模拟预编码相位，基于发射端模拟/数字预编码的能量约束，归一化输出满足优化模型的模拟/数字预编码。提升毫米波MIMO通信系统的频谱效率。
-
公开(公告)号：CN116208450A
公开(公告)日：2023-06-02
申请号：CN202310212270.8
申请日：2023-03-01
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04L25/03
Abstract: 本申请公开了基于加速坐标下降法的RIS辅助多用户干扰抑制方法，涉及通信技术领域，本方法包括，构建用户通过可重构智能表面交换信息的信号模型，基于信号模型，在恒模约束下，构建求解RIS元件配置的问题；通过对所述求解RIS元件配置的问题重构为具有恒模约束的二次代价函数，然后对所述具有恒模约束的二次代价函数转化为具有多个一维子问题的可分解问题；对所述具有多个一维子问题的可分解问题求解，获取所述求解RIS元件配置的问题的解。本申请与现有方法相比，能更有效的抑制多用户互干扰，提高用户到达率。
-
公开(公告)号：CN118962599A
公开(公告)日：2024-11-15
申请号：CN202411177164.1
申请日：2024-08-26
Applicant: 电子科技大学 , 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于迭代优化网络法的恒模MIMO雷达波形设计，涉及雷达技术领域。本发明包括：制定加权综合目标函数，其为加权峰值旁瓣和加权积分旁瓣电平的线性组合；通过改变加权综合目标函数的权重系数，以转化为波形优化问题，最小化加权综合目标函数的问题很复杂，现有的方法无法直接解决；本发明利用深度学习网络提出了一种无监督双迭代优化网络，首先通过外部迭代更新输入波形；然后内迭代通过残差网络优化波形；最后通过不断更新和优化，在满足收敛条件的情况下，得到所需的波形序列。与现有方法相比，本发明所设计出的波形具有更低的加权最大自相关旁瓣加权最大互相关旁瓣，并且计算成本更低。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.034 seconds)
