-
公开(公告)号：CN112737987B
公开(公告)日：2022-11-01
申请号：CN202011577593.X
申请日：2020-12-28
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B17/391 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种新型的基于深度学习的时变信道预测方法，包括：在数据和导频均已知的情况下，获取时域信道估计值；根据时域信道估计值构建预训练样本集；随机初始化网络参数，利用预训练样本集对网络进行预训练，获取预训练网络的权值和阈值参数；在仅导频均已知的情况下，获取时域信道估计值，并根据时域信道估计值构建训练样本集；采用预训练网络的权值和阈值参数作为训练阶段网络的初始参数，通过训练样本集对网络再次进行训练，获得信道预测网络模型；基于信道预测网络模型进行线上信道预测，将线上预测值转化为复数，作为最终的信道预测值。显著提高时变信道预测精度，具有较低的计算复杂度，适用于高速移动环境中时变信道信息的高效获取。
-
公开(公告)号：CN113206809A
公开(公告)日：2021-08-03
申请号：CN202110479456.0
申请日：2021-04-30
Applicant: 南京邮电大学
Abstract: 本发明公开了无线通信技术领域内的一种联合深度学习与基扩展模型的信道预测方法,包括以下步骤：步骤1，根据历史时刻的信道信息获取信道的相关矩阵；步骤2，对相关矩阵进行特征值分解，获得最优基函数；步骤3，利用基扩展模型对信道进行建模；步骤4，基于历史接收的导频信号与最优基函数，获取基系数估计值；步骤5，根据基系数估计值构建训练样本集；步骤6，利用训练样本集训练BP神经网络；步骤7，获得具有最优权重和阈值的信道预测模型；步骤8，基于信道预测模型进行线上预测；步骤9，将基系数预测值转换成频域信道矩阵。本发明具有较低的计算复杂度，且具有较高的预测精度，适用于未来高速移动环境下时变信道信息的高效获取。
-
公开(公告)号：CN106130939B
公开(公告)日：2020-02-21
申请号：CN201610563582.3
申请日：2016-07-16
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明公开了一种迭代的MIMO‑OFDM系统中快时变信道估计方法，主要解决高速移动环境MIMO‑OFDM系统中快时变信道估计精度低和复杂度高的问题。具体为联合卡尔曼滤波和数据检测来估计快速变化的信道，其中卡尔曼滤波来自标准状态空间模型，该模型只包含基函数系数、导频/检测数据和噪声，不涉及AR模型参数，因而避免了对AR模型参数的估计，具有快的收敛速度。为了减少数据检测误差传播的影响，将数据检测误差作为噪声的一部分用于卡尔曼滤波递归迭代中，提高了信道估计的精度。本发明具有高估计精度、低计算复杂度和快收敛速度的优点，适用于高速移动MIMO‑OFDM系统中接收机的设计与实现。
-
公开(公告)号：CN106028453A
公开(公告)日：2016-10-12
申请号：CN201610515110.0
申请日：2016-07-01
Applicant: 南京邮电大学
IPC: H04W72/04 , H04W72/10 , H04L12/863
CPC classification number: H04W72/0473 , H04L47/624 , H04W72/10
Abstract: 本发明公开了一种基于排队论的无线虚拟网络资源跨层调度映射方法，包括：一、在业务请求的队列中，根据时间紧迫性和请求实时性进行队列的重排，进入映射阶段；二、根据合同要求和用户的满足程度进行优先选择信道状态最好的资源块；三、对于还未满足要求的业务请求，再次选择信道状态较好的资源块，重复以上的过程，直至所有的业务请求满足要求；四、通过凸优化问题来求解最大的网络整体速率和底层网络的资源利用率，完成此次资源映射过程。本发明利用排队理论结合服务请求的时间额度和业务类型，映射过程采用采用迭代方式，能够动态的对资源块信道状态做出反应，克服了传统静态算法分配灵活度不高以及物理资源利用率低等问题。
-
公开(公告)号：CN105471775A
公开(公告)日：2016-04-06
申请号：CN201510825377.5
申请日：2015-11-24
Applicant: 南京邮电大学
IPC: H04L25/02
CPC classification number: H04L25/021 , H04L25/0202 , H04L25/0242
Abstract: 本发明公开了一种大规模MIMO系统中低复杂度的信道估计方法，包括首先建立信道协方差矩阵的最优化估计问题，其次根据协方差估计的迭代关系，进而利用Sherman-Morrison定理将矩阵求逆转化为矩阵与向量乘积的形式，从而使得方法复杂度降低。该方法通过对信道相关矩阵进行近似估计，和运用Sherman-Morrison定理将MMSE方法中矩阵求逆变换成矩阵与向量乘积，大大地降低了MMSE方法的计算复杂度，且具有较低的性能损耗。
-
Patent Agency Ranking
公开(公告)号：CN118713779A
公开(公告)日：2024-09-27
申请号：CN202411195448.3
申请日：2024-08-29
Applicant: 南京邮电大学
IPC: H04B17/391
Abstract: 本发明公开了一种基于表面波传输的信道建模方法、设备及存储介质，包括以下具体操作步骤：将收发天线通过无线方式，耦合到不同直径的金属管道上，耦合距离不超过1/4波长；发送端高度固定，改变接收端高度以及发送端与接收端之间的距离，采集接收端在该高度下无线信道的测量数据，并提取路径损耗值，构建具有接收端耦合距离影响的路径损耗模型；路径损耗模型用最小二乘法进行参数拟合，得到路径损耗模型中各参数的修正值，修正后得到最终路径损耗模型；将发送端和接收端之间的距离、接收端耦合距离输入最终路径损耗模型，即可得到相应情况下的收发端信道路径损耗值。本发明相比现有技术更便于指导IIOT环境中信号覆盖和工作节点的优化布局。
-
公开(公告)号：CN118018972A
公开(公告)日：2024-05-10
申请号：CN202410266806.9
申请日：2024-03-08
Applicant: 南京邮电大学
Abstract: 本发明公开一种室内高频段信道路径损耗计算方法，包括：采集不同发送天线高度下的原始路径损耗数据，提取路径损耗值，构建模型一；在某一发送端天线高度下，人体位于发送端与接收端之间的某一测量点，采集路径损耗数据，提取路径损耗值，构建模型二；根据信道传播特性和模型一、模型二，建立具有发送端/接收端天线的高度差以及人体遮挡影响的路径损耗模型三；将路径损耗值、模型三进行参数拟合，得到模型三PL的各参数修正值修正模型三；将预设数据输入得到的最终室内高频段信道路径损耗模型，得到路径损耗值。本发明的方法解决了传统对数距离路径损耗模型无法准确表征实际通信场景中由于天线不同高度和人体遮挡对信号造成影响的问题。
-
公开(公告)号：CN116545560A
公开(公告)日：2023-08-04
申请号：CN202310610005.5
申请日：2023-05-26
Applicant: 南京邮电大学
IPC: H04B17/391 , H04B17/309 , H04B13/00 , H04W24/06
Abstract: 本发明公开了一种室内高频段无线体域网离体信道建模方法。针对发送端人体与接收端人体处于不同相对角度时对离体信道路径损耗造成的影响，本发明首先利用无线传播理论分析体对体相对角度对信道特性的影响；然后利用具有体对体相对角度有关的路径损耗指数、浮动截距以及由体对体相对角度变化引起的路径损耗来建立新型的路径损耗模型；最后使用最小二乘方法拟合确定所建模型的相关参数，使之能够更准确的表征实际通信场景的无线传播特性。与传统对数路径损耗模型相比，本发明由于考虑了体对体相对角度的影响更能贴近实际测量结果。
-
公开(公告)号：CN113285899A
公开(公告)日：2021-08-20
申请号：CN202110548774.8
申请日：2021-05-20
Applicant: 南京邮电大学
IPC: H04L25/02
Abstract: 本发明公开了一种基于深度学习的时变信道估计方法及系统，通过对网络输入样本进行合理构造，本发明基于单隐藏层神经网络，首先充分地利用历史信道信息中的信道变化特征，以及接收导频信号中的其他特征，并利用最小二乘估计的优势来进一步提高信道估计的性能，其次，本发明利用构造的样本对反向传播神经网络进行线下训练，然后以在线方式实时获取时变信道信息。为了降低计算复杂度，本发明仅采用了接收的导频信号与导频子信道的信息，并对导频子信道采用多项式基扩展模型建模来减少待估计参数进行时变信道估计。本发明可以显著地提高信道估计精度，具有较低的计算复杂度，适合于高速移动场景中时变信道信息的高效获取。
-
公开(公告)号：CN112822130A
公开(公告)日：2021-05-18
申请号：CN202011578137.7
申请日：2020-12-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种5G高速移动系统中基于深度学习的多普勒频偏估计方法，包括基于数据与导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建预训练样本；利用构建的预训练样本对网络进行预训练处理，获取预训练网络的权重和阀值参数；基于导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建训练样本；利用获取预训练网络的权重和阀值参数与构建的训练样本对网络进行第二次训练处理，获取最终的网络估计模型，进行线上多普勒频偏实时估计。具有较快的收敛速度和高的估计性能，具有一定的实用价值。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.022 seconds)
