公开(公告)号：CN114900214B

公开(公告)日：2024-01-26

申请号：CN202210488206.8

申请日：2022-05-06

Applicant: 东南大学

Inventor： 王闻今 ,  杨辰泓 ,  文简 ,  季姜晗 ,  王亚飞 ,  刘彦浩

IPC: H04B7/0456 ,  H04L25/02 ,  H04L27/26

Abstract: 本发明公开了一种基于OFDM系统的线性预编码方法，采用OFDM系统对信道进行正交频分复用，将信道转换为若干窄带子信道，考虑到各个子信道在预编码矩阵求解过程中的拉格朗日算子等参数在时间与频率方向上均为慢变，仅选取部分时间与频率方向上的子载波插入导频，分别获取必要的参数。运用获取到的已知频率点的参数，通过插值算法估计其余频率的信道参数，从而直接推算出所有的预编码矩阵。线性预编码算法采用插值法对未知子载波的信道参数进行估计，降低了算法的复杂度，提高了运算效率及实用性。线性预编码算法采用的OFDM技术在对抗频率选择性衰落或窄带干扰有巨大优势。

公开(公告)号：CN117353780A

公开(公告)日：2024-01-05

申请号：CN202311268280.X

申请日：2023-09-28

Applicant: 东南大学

Inventor： 王闻今 ,  王亚飞 ,  贺漩 ,  侯宏卫 ,  刘子钧 ,  易新平

IPC: H04B7/0456 ,  H04B7/06 ,  H04B7/0452 ,  H04L25/02

Abstract: 本发明公开了一种基于多维置换等变神经网络的预编码方法与系统，本发明在已知信道状态信息的基础上，以各个分布式接入点预编码功率作为约束，以最大化系统性能指标作为目标函数，构建预编码优化问题；将信道信息张量的实部和虚部以及噪声方差串联得到张量数据集；根据所获得的数据集和预编码优化问题，构建多维置换等变性神经网络并进行训练；使用所训练的多维置换等变神经网络来求解预编码优化问题得到预编码方案。本发明利用通信问题中固有的置换等变性构建神经网络并求解对应的预编码优化方案，大大降低了需要的参数量并提高了网络的可重用性，以极低的复杂度完成了对预编码优化问题的求解，进而提升了无线通信系统的性能。

公开(公告)号：CN116743220A

公开(公告)日：2023-09-12

申请号：CN202310873999.X

申请日：2023-07-17

Applicant: 东南大学

Inventor： 王闻今 ,  王亚飞 ,  易新平 ,  金石 ,  侯宏卫

IPC: H04B7/0456 ,  H04B17/391

Abstract: 本发明提供一种对抗信道老化效应的鲁棒符号级预编码方法，小区基站使用上行信道中收集的受信道老化效应影响的信道状态信息以及用户的发送符号信息，对发送符号进行符号级预编码并发射信号。该方法分别针对最大化最差用户的信干噪比和最小化待解调接收信号和目标星座点之间的加权均方误差两种准则提出对应的预编码方案。其中针对最大化最差用户的信干噪比的预编码方案设计被转化为分式规划问题并得到求解，针对最小化加权均方误差的预编码方案设计中的问题通过交替优化算法得到求解。这两种方案在显著降低传输误符号率的同时分别提升用户的信干噪比和降低解调接收信号与目标星座点之间的加权均方误差。

公开(公告)号：CN114900214A

公开(公告)日：2022-08-12

申请号：CN202210488206.8

申请日：2022-05-06

Applicant: 东南大学

Inventor： 王闻今 ,  杨辰泓 ,  文简 ,  季姜晗 ,  王亚飞 ,  刘彦浩

IPC: H04B7/0456 ,  H04L25/02 ,  H04L27/26

Abstract: 本发明公开了一种基于OFDM系统的线性预编码方法，采用OFDM系统对信道进行正交频分复用，将信道转换为若干窄带子信道，考虑到各个子信道在预编码矩阵求解过程中的拉格朗日算子等参数在时间与频率方向上均为慢变，仅选取部分时间与频率方向上的子载波插入导频，分别获取必要的参数。运用获取到的已知频率点的参数，通过插值算法估计其余频率的信道参数，从而直接推算出所有的预编码矩阵。线性预编码算法采用插值法对未知子载波的信道参数进行估计，降低了算法的复杂度，提高了运算效率及实用性。线性预编码算法采用的OFDM技术在对抗频率选择性衰落或窄带干扰有巨大优势。

公开(公告)号：CN113765567A

公开(公告)日：2021-12-07

申请号：CN202111052920.4

申请日：2021-09-08

Applicant: 东南大学

Inventor： 高西奇 ,  王闻今 ,  王一彪 ,  是钧超 ,  王亚飞

IPC: H04B7/06 ,  H04B7/08 ,  H04B7/0426 ,  H04B7/0452 ,  G06N3/04 ,  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。