-
公开(公告)号：CN118984176A
公开(公告)日：2024-11-19
申请号：CN202410926421.0
申请日：2024-07-11
Applicant: 东南大学
IPC: H04B7/0456 , H04B17/309 , H04B17/391
Abstract: 本发明提供一种基于神经网络的鲁棒联合用户调度和预编码方法与系统，基站根据上行信道中获取的信道状态信息和长期观测得到的统计先验信息，在下行传输时进行联合用户调度和预编码。以最大化用户期望和速率为目标，设计鲁棒的联合用户调度和预编码方案。为了简化求解，将联合优化问题转化为两个子问题求解：求解鲁棒预编码子问题，对任意用户调度方案，可以获取该方案下最优预编码向量；给定鲁棒预编码算法，求解鲁棒用户调度子问题。本发明利用置换等变的深度神经网络结构，设计了满足置换等变性的深度学习鲁棒联合用户调度和预编码算法。该算法提升了用户和速率性能，且具有较低计算复杂度，对存在信道老化的场景具有良好的鲁棒性。
-
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：CN115733529B
公开(公告)日：2025-01-24
申请号：CN202211089222.6
申请日：2022-09-07
Applicant: 东南大学
IPC: H04B7/0456
Abstract: 本发明是一种基于最小化加权均方误差准则的符号级预编码方法，小区基站使用上行信道中收集的信道状态信息以及用户的发射符号信息，对发射符号进行符号级预编码并发射信号，为下行链路提供高吞吐量传输。该方法基于符号级预编码中的有利干扰区域概念以及传统预编码中的最小化加权均方误差的准则。对于符号的预编码方案被设计为最小化待解调接收信号和位于构造干扰区域的星座点之间的加权均方误差。通过对符号的有利干扰区域的表达式进行设计以及根据无法优化的内部符号点对优化问题进行预处理，求解该预编码方案的过程被转化为低复杂度的非负最小二乘问题。在相较于传统线性预编码增加较低复杂度的基础上，降低无线通信系统的误符号率。
-
公开(公告)号：CN115733529A
公开(公告)日：2023-03-03
申请号：CN202211089222.6
申请日：2022-09-07
Applicant: 东南大学
IPC: H04B7/0456
Abstract: 本发明是一种基于最小化加权均方误差准则的符号级预编码方法，小区基站使用上行信道中收集的信道状态信息以及用户的发射符号信息，对发射符号进行符号级预编码并发射信号，为下行链路提供高吞吐量传输。该方法基于符号级预编码中的有利干扰区域概念以及传统预编码中的最小化加权均方误差的准则。对于符号的预编码方案被设计为最小化待解调接收信号和位于构造干扰区域的星座点之间的加权均方误差。通过对符号的有利干扰区域的表达式进行设计以及根据无法优化的内部符号点对优化问题进行预处理，求解该预编码方案的过程被转化为低复杂度的非负最小二乘问题。在相较于传统线性预编码增加较低复杂度的基础上，降低无线通信系统的误符号率。
-
公开(公告)号：CN114978254A
公开(公告)日：2022-08-30
申请号：CN202210519716.7
申请日：2022-05-12
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0456 , H04L27/26 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，为避免鲁棒预编码方法中的大量矩阵求逆运算和迭代运算，降低计算复杂度，搭建卷积神经网络以代替迭代运算。将信道状态信息作为输入，训练网络，从而拟合由信道状态信息到鲁棒预编码算法中关键参数拉格朗日乘子的非线性过程。通过拉格朗日乘子即可较为简单的获得最优预编码矩阵。与此同时，为了降低导频开销以及算法复杂度，仅选取上行探测时隙频谱范围内的部分子载波插入导频。同时，将本探测周期之前的三个探测周期所测量的信道状态信息同时输入神经网络中，使神经网络可以综合处理并对目前全频谱范围内子载波的预编码关键因子拉格朗日乘子实现预测和插值。
-
Patent Agency Ranking
公开(公告)号：CN119135507A
公开(公告)日：2024-12-13
申请号：CN202411119740.7
申请日：2024-08-15
Applicant: 东南大学
IPC: H04L41/0631 , H04L41/0677 , H04L41/14 , H04L43/06
Abstract: 本发明公开了一种基于FTA和FMEA的通信系统故障分析方法，包括如下步骤：基于MBSE方法论，建立通信系统的MBSE模型，作为系统故障分析的模型基础；基于系统的MBSE模型，采用FTA方法建立功能故障树，识别系统功能块之间的层级关系并进行故障分析；基于功能故障树，使用FMEA方法分析各层级的重要功能块，生成各个层级相应的FMEA分析表；综合功能故障树和各个层级功能块的FMEA分析表，建立通信系统的功能故障数据库，最终生成系统的故障分析报告。本发明通过系统化设计和分层次分析，能够全面识别并分析系统故障原因，提高故障分析效率，显著提升系统的可靠性和性能。
-
公开(公告)号：CN114978254B
公开(公告)日：2024-01-19
申请号：CN202210519716.7
申请日：2022-05-12
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0456 , H04L27/26 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，为避免鲁棒预编码方法中的大量矩阵求逆运算和迭代运算，降低计算复杂度，搭建卷积神经网络以代替迭代运算。将信道状态信息作为输入，训练网络，从而拟合由信道状态信息到鲁棒预编码算法中关键参数拉格朗日乘子的非线性过程。通过拉格朗日乘子即可较为简单的获得最优预编码矩阵。与此同时，为了降低导频开销以及算法复杂度，仅选取上行探测时隙频谱范围内的部分子载波插入导频。同时，将本探测周期之前的三个探测周期所测量的信道状态信息同时输入神经网络中，使神经网络可以综合处理并对目前全频谱范围内子载波的预编码关键因子拉格朗日乘子实现预测和插值。
-
公开(公告)号：CN118611717A
公开(公告)日：2024-09-06
申请号：CN202410645663.2
申请日：2024-05-23
Applicant: 东南大学
IPC: H04B7/06 , H04B17/309
Abstract: 本发明公开了一种基于AI结合统计信道信息的CSI反馈方法，属于无线通信技术领域。提出了CsiTransTxRxULNet网络，用户终端侧采用其编码器学习数据预处理后的CSI中潜在的相关性以实现更大程度的压缩，基站侧采用其译码器并提取上行统计信道信息中的有用特征完成CSI的重构，使得处理后的CSI具有更好的稀疏性。其能够有效利用基站侧的信息，减小反馈开销，提高CSI的重构精度。
-
公开(公告)号：CN114844537A
公开(公告)日：2022-08-02
申请号：CN202210473641.3
申请日：2022-04-29
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , G06N3/04 , G06N3/08
Abstract: 本发明公开了深度学习辅助的大规模MIMO下行传输鲁棒收发联合波束赋形方法，其中发送端(基站)基于各接收端(用户端)的不完美信道状态信息，在一定的发送功率和服务质量约束下，以低复杂度获得移动性增强信道下的最优发送端和接收端的波束赋形向量。首先，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赋形方向向量；接着，通过预训练的深度神经网络结构从信道矩阵中直接预测出最优拉格朗日乘子；最后，利用最优解结构分别求解发送端波束赋形向量方向和功率，并将发送功率约束引入发送端波束赋形功率线性方程组，计算出最优鲁棒因子。本发明能够在保持较低在线阶段复杂度的同时，实现适应移动性增强信道的鲁棒联合波束赋形。
-
公开(公告)号：CN114844537B
公开(公告)日：2024-02-02
申请号：CN202210473641.3
申请日：2022-04-29
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了深度学习辅助的大规模MIMO下行传输鲁棒收发联合波束赋形方法，其中发送端(基站)基于各接收端(用户端)的不完美信道状态信息，在一定的发送功率和服务质量约束下，以低复杂度获得移动性增强信道下的最优发送端和接收端的波束赋形向量。首先，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赋形方向向量；接着，通过预训练的深度神经网络结构从信道矩阵中直接预测出最优拉格朗日乘子；最后，利用最优解结构分别求解发送端波束赋形向量方向和功率，并将发送功率约束引入发送端波束赋形功率线性方程组，计算出最优鲁棒因子。本发明能够在保持较低在线阶段复杂度的同时，实现适应移动性增强信道的鲁棒联合波束赋形。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.03 seconds)
