-
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：CN111786744B
公开(公告)日：2022-11-01
申请号：CN202010471932.X
申请日：2020-05-29
Applicant: 东南大学
Abstract: 本发明提出并实现一种基于AVX‑512指令集的5G极化码自适应高效译码方法，一方面，本发明将Fast‑SSC算法和FSL算法有效结合，利用了Fast‑SSC算法的高吞吐量性能和FSL算法的低误帧率性能。另一方面，本发明基于AVX‑512指令集中引入的掩码、置换、混合等指令，对自适应算法中关键过程提出新的结构，并在路径更新过程中提出使用提前终止型双调排序完成子路径度量值的部分排序，有效降低复杂度，提升了算法的并行度；本发明解决了5G极化码译码在x86平台上处理时延高及吞吐量不足的问题，在保证低误帧率的前提下，有效提升了译码算法的吞吐量。
-
公开(公告)号：CN110121208B
公开(公告)日：2021-04-06
申请号：CN201910397798.0
申请日：2019-05-14
Applicant: 东南大学
IPC: H04W56/00
Abstract: 本发明公开了一种基于多基站定位的交叉互验时钟同步方法及系统。多基站定位系统中，用一个主基站和多个从基站对用户进行多基站定位。本发明方法中由主基站进行工作时序控制，保证通讯正常，同时获取各基站间互相通信的收发时间戳进行时钟同步，基于多组收发时间戳信息构建方程获得同步参数，对定位数据进行矫正，以此提高定位精度。其中各数据间的相关性起到互相验证的作用。本发明使用交叉互验的方法，高效地解决基站间时钟不同步问题，矫正了由时钟不同步造成的定位数据误差，使同步与定位并行进行，提高了系统整体效率，系统对定位算法的迁移性强。
-
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
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
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。
-
Patent Agency Ranking
公开(公告)号：CN108989988B
公开(公告)日：2020-08-21
申请号：CN201810598087.5
申请日：2018-06-12
Applicant: 东南大学
Abstract: 本发明公开了一种基于机器学习的室内定位方法，通过设置大量的基站，确保了系统能够获取足够多的视距的数据。对于非视距的数据的识别以及丢弃，能够极大的提高定位算法的精度。本发明使用非参数描述的机器学习算法，通过经验数据来进行学习而不确定任何具体模型，所建立的模型能够应对产生误差的各类场景。训练样本包含了各个位置下的各类情况，使得当环境发生改变时，这些模型依然能够适应这些变化并发挥作用。
-
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：CN117834349A
公开(公告)日：2024-04-05
申请号：CN202311706407.1
申请日：2023-12-13
Applicant: 东南大学
IPC: H04L25/02
Abstract: 本发明公开了一种混合模型驱动与数据驱动的下行信道估计方法与系统，本发明方法包括：将下行空频域信道估计问题转换为角度时延域稀疏信号恢复问题；使用模型驱动的压缩感知算法得到角度时延域信道初步估计；通过所获得角度时延域信道初步估计与真实空频域信道获得数据集；根据过采样角度时延域维度特点构建角度时延域信道精细化网络并进行训练；使用所训练的角度时延域信道精细化网络对角度时延域信道初步估计进一步精细化；对所精细化的角度时延域信道使用二维傅里叶变换得到下行空频域信道估计结果。本发明联合利用模型驱动与数据驱动的优势来进行下行信道估计，大大提升了有限导频开销下下行信道估计的性能，进而提升了下行信道状态信息获取的准确性。
-
公开(公告)号：CN111327550B
公开(公告)日：2023-03-21
申请号：CN202010156399.8
申请日：2020-03-09
Applicant: 东南大学
Abstract: 本发明提出一种具有近似恒包络波形的频分多址通信方法及系统。在该方法中，通过对系统成形滤波器进行重新设计，使滤波器函数形状在频域接近正态分布曲线的形状，对频域发送数据信号进行频域传输处理，并在CP‑OFDMA框架下产生具有近似恒包络波形的发送信号。并进一步在系统接收端，通过设计多用户接收信号与发送信号之间的线性传输矩阵为对角矩阵块形式，实现低复杂的多用户广义线性MMSE联合均衡算法。在小区边缘和星地通信等对功率效率要求较高的场景中，本发明解决了由于系统发射端功率受限，功率放大器非线性的因素，导致系统发送信号功率效率低的问题，降低发送信号的峰均比、减少信号的非线性失真，提高系统发送信号的功率效率。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.023 seconds)
