-
公开(公告)号：CN114584972A
公开(公告)日：2022-06-03
申请号：CN202210202540.2
申请日：2022-03-03
Applicant: 东南大学
IPC: H04W12/03 , H04W12/122 , H04B7/0456 , H04B7/0426 , H04B7/06 , H04B7/145
Abstract: 本发明公开了一种基于伪噪声的智能反射面系统的安全通信方法,包括：基站获得合法用户的统计信道状态信息，并根据该信道信息设计发射预编码矩阵和伪噪声矩阵；基站由相应的预编码矩阵和伪噪声矩阵计算系统遍历安全速率的下界，并通过硬件链路传送给智能反射面；最后基站和智能反射面交替优化发射端伪噪声功率分配因子和反射相移波束，直至安全速率收敛。本发明中伪噪声功率分配因子和反射相移波束的优化只依赖于合法用户的统计信道信息，适用于无法获取窃听者信道状态信息的场景，提高了系统的安全性能。
-
公开(公告)号：CN110099016B
公开(公告)日：2022-05-31
申请号：CN201910397076.5
申请日：2019-05-14
Applicant: 东南大学
IPC: H04L25/02 , G06N3/04 , G06N3/08 , H04B7/0413 , H04L27/26
Abstract: 本发明公开了一种基于深度学习网络的毫米波稀疏阵面信道估计方法，以毫米波信道稀疏特性为先验信息，训练设计的全连接深度神经网络，用于毫米波阵面通信信道估计。首先采用全连接移相器网络，通过配置各移相器相位均匀分布来设计各向同性的模拟收发器；然后将获得的信道稀疏信息和设计的最优数字估计器作为全连接深度学习网络的训练数据。对于各信噪比下的稀疏信道，将信道的稀疏信息输入网络，得到相应的数字估计器，进而得到信道估计结果。本发明给出的稀疏信道估计器可以减小低精度模数转换器非线性量化带来的误差，并使用深度学习网络实现，从而降低信道估计复杂度，本发明性能能够逼近理论上最优的信道估计方法。
-
公开(公告)号：CN109743268B
公开(公告)日：2022-02-15
申请号：CN201811488677.9
申请日：2018-12-06
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法，所述方法包括以下步骤：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计。
-
公开(公告)号：CN113609982A
公开(公告)日：2021-11-05
申请号：CN202110894778.1
申请日：2021-08-05
Applicant: 东南大学
Abstract: 本发明公开了一种基于智能载波同步的高区分度射频指纹学习与提取方法，包括：接收机过采样接收有线或无线信号，通过下变频得到全部基带信号；进行信号的智能同步，即利用带可学习参数的映射对基带信号进行载波频偏和相偏估计，去除估计所得频偏和相偏，得到智能同步后的信号；对智能同步后得到的信号进行射频指纹提取；利用辅助分类器，所有可学习参数模块通过极大似然估计进行学习。通过对经典载波同步引入智能参数化学习，使得本发明提出的射频指纹提取模型可以极大保留输入信号关于设备身份相关信息，所提取的射频指纹具有极高的区分度并对未见过设备依然具有极强的泛化能力。
-
公开(公告)号：CN109525292B
公开(公告)日：2021-08-13
申请号：CN201811584191.5
申请日：2018-12-24
Applicant: 东南大学
IPC: H04B7/0417 , H04L27/26 , H04L1/00
Abstract: 本发明公开了一种采用比特级优化网络的信道信息压缩反馈方法，首先使用二维傅里叶变换将频域的信道矩阵转化到角度‑时延域，然后将复数矩阵拆分成两个实数子矩阵并拼接；编码网络通过一个复合残差网络来抽取信道特征，并通过全连接网络压缩信道特征维度，最终通过量化器将每个实数量化为4比特二进制符号；解码网络将接收到的二进制比特流映射成实数码字，接着通过一个全连接网络来进行维度扩充，最后通过两个复合残差网络来恢复信道信息；本发明方法引入了复合残差网络，并提供了比特级优化的网络训练方法，有效改善了信道信息的压缩及恢复性能，经过训练的比特级优化的神经网络能够更高效地进行信道压缩反馈，具有明显的性能优势。
-
Patent Agency Ranking
公开(公告)号：CN109361433B
公开(公告)日：2021-08-10
申请号：CN201811452132.2
申请日：2018-11-30
Applicant: 东南大学
IPC: H04B7/0426 , H04B7/0456 , H04B7/06
Abstract: 本发明公开一种子阵列协作的室内多用户太兆赫兹通信系统波束训练方法，该方法包括两个阶段，第一阶段为多子阵列并行穷搜阶段，该阶段将用户接入点的所有多子阵列并行分时隙遍历整个角度域，使得所有被服务的用户在第一阶段搜索结束后反馈接收信号功率最大的时隙序号；第二阶段为单子阵列串行搜索子空间，确定用户所处角度和反馈第二阶段中接收信号功率最大时的时隙序号，根据第二阶段得到的反馈向量和第一阶段得到的指示向量构造用户角度索引向量，并配置模拟波束成形矩阵。本发明对接入点多子阵列数目、每个子阵列内的天线数目及天线间距无特殊要求，适用于典型配置的室内多用户频分双工太兆赫兹通信系统，并能有效减少波束训练开销。
-
公开(公告)号：CN113068197A
公开(公告)日：2021-07-02
申请号：CN202110294197.4
申请日：2021-03-19
Applicant: 东南大学
Abstract: 本发明公开了一种采用智能反射面辅助的宽覆盖波束设计方法，用于增强无线广播信道的通信覆盖，所述方法包括：首先，根据系统所需的宽覆盖通信需求将目标角度范围分段，对每段角度范围确定目标波束方向图；再根据目标波束方向图，使用基于黎曼流形的共轭梯度法得到智能反射面的最优相移；最后，确定基站预编码向量，通过设置智能反射面的相移来调节反射波束的方向图，实现波束扫描功能与宽覆盖通信。本发明使用智能反射面实现无线广播信道的宽覆盖，设计的波束方向图具有波束宽、功率波动小、波束可扫描等特点，并且不需要用户的信道状态信息，为毫米波广播信道提供了可靠的宽覆盖通信。
-
公开(公告)号：CN109474314B
公开(公告)日：2021-02-09
申请号：CN201811571367.3
申请日：2018-12-21
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/06 , H04B7/08
Abstract: 本发明公开一种毫米波多用户大规模MIMO基‑4并行波束训练方法，该方法包括基‑4模拟多精度码本生成算法及基‑4多用户并行搜索算法。所述基‑4模拟多精度码本生成算法联合运用虚拟子阵列技术和多子波束拼接技术拓宽码字波束宽度，相位补偿技术用于改善波束样式；所述基‑4多用户并行搜索算法根据层次化搜索结果动态激活子阵列实现多用户并行波束训练。本发明具有波束训练时间开销少、角度估计准确率高的优点，适用于基站采用部分连接混合预编码结构、基站侧每个子阵列为均匀线性阵列的毫米波多用户大规模MIMO无线通信系统。
-
公开(公告)号：CN111182469A
公开(公告)日：2020-05-19
申请号：CN202010013685.9
申请日：2020-01-07
Applicant: 东南大学
Abstract: 一种能量收集网络时间分配及无人机轨迹优化方法，引入无人机作为无线能量传输源和移动上行中继，按如下步骤进行：首先，构建无人机消耗能量最小化问题并固定无人机轨迹，将时间分配子问题转化为凸问题并求解得到最优的时间分配策略；然后，固定两个阶段时间分配策略，通过放缩求取上、下界的方法将轨迹规划子问题转化为凸问题并求解得到最优的无人机轨迹；最后，迭代以上步骤交替优化时间分配和无人机轨迹，直到迭代算法收敛。本发明方法综合考虑能量收集网络中时间分配及无人机轨迹的优化，保证了用户通信质量并且有效降低了无人机消耗的能量。
-
公开(公告)号：CN110113086A
公开(公告)日：2019-08-09
申请号：CN201910262934.5
申请日：2019-04-02
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0426 , H04B7/185
Abstract: 本发明提供了一种大规模MIMO无人机系统混合预编码和位置设计方法，包括如下步骤：首先依据用户位置和系统参数设计无人机的悬停位置；然后根据基站与用户间的信道信息设计混合预编码；最后优化各用户发射功率的分配方案。本发明在无人机系统中使用了混合预编码结构，能够有效地降低系统的复杂度和功率负担，使得大规模MIMO技术得以在无人机系统中使用，从而可以显著提升频谱效率与能量效率，使得空间复用增益获得极大的提升。此外，本发明还给出了无人机的最优悬停位置，在满足各用户频谱效率需求的前提下，降低了系统发射功率，提升系统性能。
-
-
-
-
-
-
-
-
-
Search Results
220
records
(took 0.032 seconds)
