-
公开(公告)号：CN108990167B
公开(公告)日：2021-09-07
申请号：CN201810757547.4
申请日：2018-07-11
Applicant: 东南大学
IPC: H04W72/12 , H04B7/0413
Abstract: 本发明公开了一种机器学习辅助的大规模MIMO下行用户调度方法，包括以下步骤：S1：基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵；S2：基站利用特征模式能量耦合矩阵，通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算；S3：采用贪婪算法实现和速率最大准则的用户调度，获取最优用户波束配对组合。本发明通过上行探测信号获取统计信道信息，采用和速率最大化准则进行用户调度。在基站仅有统计信道信息的情况下，通过有针对性的特征提取以及神经网络的设计，精确地实现和速率的近似计算，极大地降低大规模天线下用户调度的复杂度，并且性能接近最优，具有较好的适用性和鲁棒性。
-
公开(公告)号：CN115001553B
公开(公告)日：2024-01-30
申请号：CN202210585283.5
申请日：2022-05-26
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/06 , H04B7/185
Abstract: 本发明公开了一种机器学习辅助的卫星下行预编码方法，在低轨卫星多用户、多输入单输出系统下行链路中，卫星依据莱斯信道的统计信道状态信息，以所有用户的遍历可达速率最大化准则和卫星单天线功率约束条件，通过最优预编码框架或者通过深度学习辅助的低复杂度预编码框架，计算与每一个用户终端相应的预编码向量。最优预编码框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。DL辅助的低复杂度预编码框架通过DL神经网络计算最优拉格朗日乘子，进而通过最优解结构直接计算预编码向量，本发明能够使卫星下行预编码逼近最佳的可达和速率性能，并具有较低的计算复杂度。
-
公开(公告)号：CN114567358A
公开(公告)日：2022-05-31
申请号：CN202210201409.4
申请日：2022-03-03
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0426 , H04L25/02 , G06N3/04 , G06N3/08
Abstract: 本发明公开了大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或遍历和速率下界最大化准则，通过鲁棒WMMSE预编码器的迭代设计或深度学习设计方法，计算与每个用户终端相应的预编码矢量进行下行鲁棒WMMSE预编码传输。迭代设计采用块坐标下降方法，依次迭代更新统计鲁棒接收机、权值参数和预编码矢量，从而最大化遍历和速率下界；深度学习设计方法基于由低维特征参数确定的预编码矢量结构，先通过神经网络计算低维特征参数，再通过该结构计算预编码矢量，下行预编码在各种天线配置下，以较低的计算复杂度达到接近最优的可达和速率性能。
-
公开(公告)号：CN113765567B
公开(公告)日：2024-02-02
申请号：CN202111052920.4
申请日：2021-09-08
Applicant: 东南大学
IPC: H04B7/06 , H04B7/08 , H04B7/0426 , H04B7/0452 , G06N3/0464 , G06N3/08 , H04W52/24
Abstract: 本发明公开了基于深度学习的大规模多输入多输出(multiple input multiple output,MIMO)收发联合波束成形方法，其中发送端(基站)利用各接收端(用户端)的瞬时信道信息，依据所有接收端的发送功率和最小化准则，通过通用深度学习框架和通用深度神经网络结构，实现低复杂度的发送端和接收端波束成形方法；深度学习框架首先通过深度神经网络结构计算最优的下行接收端功率分配向量，进而通过深度神经网络结构或者基于信道矩阵特征值分解的启发式算法计算接收端的波束成形方向向量，最后通过最优解结构直接计算出发送端的波束成形向量；该低复杂度深度学习框架将收发波束成形联合设计问题分解为计算下行功率分配向量和计算收发端波束成形向量两个子问题。本发明能够使发送功率值近乎最佳的发送功率，并具有较低的计算复杂度。
-
公开(公告)号：CN114900216A
公开(公告)日：2022-08-12
申请号：CN202210551288.6
申请日：2022-05-18
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0452 , H04B17/336
Abstract: 本发明公开了大规模MIMO鲁棒预编码器的迭代信干噪比(ISINR)设计方法，基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或其逼近值最大化准则，设计鲁棒ISINR预编码器，计算与每个用户终端相应的预编码矢量，进行下行鲁棒ISINR预编码传输。该方法将预编码矢量分解为预编码方向和功率分配两部分，分别表示为最大广义特征矢量和闭式形式，进而交替地迭代信干噪比和预编码矢量以逼近最大遍历和速率。本发明能够使预编码器设计以较少的迭代次数收敛，从而在逼近最大遍历和速率的同时降低计算复杂度。
-
Patent Agency Ranking
公开(公告)号：CN111541472B
公开(公告)日：2021-04-06
申请号：CN202010315003.X
申请日：2020-04-21
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0456
Abstract: 本发明提出了一种低复杂度机器学习辅助鲁棒预编码方法及装置。为了在大规模MIMO下行系统中，同时兼顾准静态信道场景和快变信道场景下的共信道干扰性能，本发明将不同类型的两种预编码矩阵加权，得到了一种具有鲁棒性的预编码方法。其中两个预编码矩阵分别基于瞬时信道预测结果和能量耦合矩阵产生，加权系数通过机器学习方法获得。本发明相比现有鲁棒预编码方法计算复杂度大幅降低，且在准静态信道环境下和快变信道环境下都能达到可接受的和速率性能。
-
公开(公告)号：CN108462517B
公开(公告)日：2021-02-09
申请号：CN201810182937.3
申请日：2018-03-06
Applicant: 东南大学
IPC: H04L25/02 , H04B7/0413 , H04B7/0456 , H04L1/00 , H04B17/309 , H04B17/391 , G06N3/04 , G06N20/00 , G06K9/62
Abstract: 本发明公开了一种基于机器学习的MIMO链路自适应传输方法，使用非监督学习自编码算法进行特征的提取与降维，引入深度学习的思想，能够在保留主要信息状态信息的前提下降低特征维度与计算复杂度。本发明利用逻辑回归算法构建信道状态信息与传输参数间的映射关系，不同于以往固定的参数化模型，能够基于样本数据进行训练，在数据集质量较优，覆盖所有状态的情况下，能够更好的建立信道状态信息与传输参数间的映射关系，并相较于传统的单一等效信噪比，能够更充分的利用信道状态信息。此外，本发明还基于信道矩阵进行CQI选择，通过信道矩阵和噪声方差研究基于机器学习的MIMO链路自适应方法不受接收机设计的约束，具有普适性。
-
公开(公告)号：CN114900216B
公开(公告)日：2024-08-13
申请号：CN202210551288.6
申请日：2022-05-18
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0452 , H04B17/336
Abstract: 本发明公开了大规模MIMO鲁棒预编码器的迭代信干噪比(ISINR)设计方法，基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或其逼近值最大化准则，设计鲁棒ISINR预编码器，计算与每个用户终端相应的预编码矢量，进行下行鲁棒ISINR预编码传输。该方法将预编码矢量分解为预编码方向和功率分配两部分，分别表示为最大广义特征矢量和闭式形式，进而交替地迭代信干噪比和预编码矢量以逼近最大遍历和速率。本发明能够使预编码器设计以较少的迭代次数收敛，从而在逼近最大遍历和速率的同时降低计算复杂度。
-
公开(公告)号：CN114567358B
公开(公告)日：2023-04-07
申请号：CN202210201409.4
申请日：2022-03-03
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0426 , H04L25/02 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或遍历和速率下界最大化准则，通过鲁棒WMMSE预编码器的迭代设计或深度学习设计方法，计算与每个用户终端相应的预编码矢量进行下行鲁棒WMMSE预编码传输。迭代设计采用块坐标下降方法，依次迭代更新统计鲁棒接收机、权值参数和预编码矢量，从而最大化遍历和速率下界；深度学习设计方法基于由低维特征参数确定的预编码矢量结构，先通过神经网络计算低维特征参数，再通过该结构计算预编码矢量，下行预编码在各种天线配置下，以较低的计算复杂度达到接近最优的可达和速率性能。
-
公开(公告)号：CN115001553A
公开(公告)日：2022-09-02
申请号：CN202210585283.5
申请日：2022-05-26
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/06 , H04B7/185
Abstract: 本发明公开了一种机器学习辅助的卫星下行预编码方法，在低轨卫星多用户、多输入单输出系统下行链路中，卫星依据莱斯信道的统计信道状态信息，以所有用户的遍历可达速率最大化准则和卫星单天线功率约束条件，通过最优预编码框架或者通过深度学习辅助的低复杂度预编码框架，计算与每一个用户终端相应的预编码向量。最优预编码框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。DL辅助的低复杂度预编码框架通过DL神经网络计算最优拉格朗日乘子，进而通过最优解结构直接计算预编码向量，本发明能够使卫星下行预编码逼近最佳的可达和速率性能，并具有较低的计算复杂度。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.021 seconds)
