-
公开(公告)号：CN118301773A
公开(公告)日：2024-07-05
申请号：CN202410397851.8
申请日：2024-04-03
Applicant: 东南大学
IPC: H04W72/542
Abstract: 本发明公开了一种基于无蜂窝系统和OFDM通信信号的协作感知方法，属于通感一体化技术领域。本方法为无蜂窝通信网络集成感知能力，实现对环境中多个无源目标的感知。本发明实现方法为：首先，部分接入点发送下行通信信号给用户，同时特定一个接入点接收上行通信信号，并将各接入点工作频段上的接收信号分别发送给中央控制器；其次，控制中心提取全部距离量测；再次，控制中心对部分目标位置进行粗略估计；然后，控制中心对前一步骤目标位置进行精确估计；最后，控制中心删除已估计目标的距离量测。本发明基于无蜂窝网络中现有的OFDM通信信号和中央控制器处的共享信息实现目标定位，不对网络的通信容量产生影响。
-
公开(公告)号：CN115811744A
公开(公告)日：2023-03-17
申请号：CN202211431766.6
申请日：2022-11-16
Applicant: 东南大学
Abstract: 本发明公开一种基于深度学习的上行超大规模智能反射表面波束训练方法。基站端构建并训练以深度残差网络为基础的Resnet估计模型。基于训练好的Resnet估计模型，基站端可以仅依据部分码字的接收信号就能准确估计出近场码本中的最优码字。因此在用户发送导频的阶段，超大规模智能反射表面仅需要测试部分的码字，从而大幅减少了导频开销。最后，基于估计概率的额外码字测试可以大幅提高最优码字的估计精度。本发明通过利用深度残差网络，在仅测试部分码字的基础上估计出最优码字，在减少导频开销的同时提高了估计精度。
-
公开(公告)号：CN113595606B
公开(公告)日：2022-08-12
申请号：CN202110864699.6
申请日：2021-07-29
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/06 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度强化学习的基站预编码与智能反射表面相移联合优化方法，包括：基站端发送导频给单天线用户，获取角度信息、位置信息和统计信道状态信息；基站基于获取的信息离线生成大量完整信道矩阵，作为深度强化学习算法参数训练的数据集；根据生成的数据集，基站对预先设定的深度强化学习算法中的神经网络参数进行迭代更新，并对基站预编码和智能反射表面相移矩阵进行联合优化配置，使得该场景下的最小用户遍历速率达到最大化；当下一次角度或位置信息发生变化，基站再次利用深度强化学习进行基站预编码与智能反射表面相移的联合优化配置。
-
公开(公告)号：CN113595606A
公开(公告)日：2021-11-02
申请号：CN202110864699.6
申请日：2021-07-29
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/06 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度强化学习的基站预编码与智能反射表面相移联合优化方法，包括：基站端发送导频给单天线用户，获取角度信息、位置信息和统计信道状态信息；基站基于获取的信息离线生成大量完整信道矩阵，作为深度强化学习算法参数训练的数据集；根据生成的数据集，基站对预先设定的深度强化学习算法中的神经网络参数进行迭代更新，并对基站预编码和智能反射表面相移矩阵进行联合优化配置，使得该场景下的最小用户遍历速率达到最大化；当下一次角度或位置信息发生变化，基站再次利用深度强化学习进行基站预编码与智能反射表面相移的联合优化配置。
-
Patent Agency Ranking
公开(公告)号：CN119966536A
公开(公告)日：2025-05-09
申请号：CN202510093398.6
申请日：2025-01-21
Applicant: 东南大学
IPC: H04B17/12 , H04B17/21 , H04B17/391 , H04B17/345 , H04B7/0413
Abstract: 本发明公开了一种基于有效自由度的超大规模MIMO系统最优天线间距设计方法，属于无线通信物理层领域。基于电磁场理论对超大规模MIMO系统进行信道建模，获得基于格林函数表示的信道系数；考虑系统发射阵列聚焦于接收阵列的某一天线位置，由此处阵列增益的表达式得到相应的导向相位偏移；利用导向相位偏移，计算接收阵列中与聚焦天线最邻近的天线处收到的干扰；计算对邻近天线的干扰最小时即信道有效自由度最大时的天线间距，由此得到最优天线间距。本发明通过增加天线间距有效地提高了超大规模MIMO系统的有效自由度，并在理论上推导出使得信道有效自由度最大的系统最优天线间距的表达式，为超大规模MIMO系统的设计提供指导。
-
公开(公告)号：CN115811744B
公开(公告)日：2025-04-22
申请号：CN202211431766.6
申请日：2022-11-16
Applicant: 东南大学
Abstract: 本发明公开一种基于深度学习的上行超大规模智能反射表面波束训练方法。基站端构建并训练以深度残差网络为基础的Resnet估计模型。基于训练好的Resnet估计模型，基站端可以仅依据部分码字的接收信号就能准确估计出近场码本中的最优码字。因此在用户发送导频的阶段，超大规模智能反射表面仅需要测试部分的码字，从而大幅减少了导频开销。最后，基于估计概率的额外码字测试可以大幅提高最优码字的估计精度。本发明通过利用深度残差网络，在仅测试部分码字的基础上估计出最优码字，在减少导频开销的同时提高了估计精度。
-
公开(公告)号：CN118921091A
公开(公告)日：2024-11-08
申请号：CN202411154761.2
申请日：2024-08-22
Applicant: 东南大学
IPC: H04B7/0456 , H04W24/02
Abstract: 本发明公开一种超大规模天线阵列的低复杂度混合预编码方法，包括步骤：1)基站基于已知信道参数，分析空间非平稳性，确定用户可视区域，构建用户可视区域内的降维信道；2)以最大化阵列增益为目标设计无约束最优模拟预编码器；3)基于矩阵分解原理，利用上一步得到的无约束最优模拟预编码器设计基于真时延模拟预编码器和基于相移器的模拟预编码器；4)基于迫零预编码技术，设计基带数字预编码器。本发明充分利用超大规模天线阵列太赫兹宽带系统中的空间非平稳特性降低计算复杂度。此外，本发明采用基于真时延器的混合预编码架构，补偿宽带系统中的波束分裂现象，实现接近全数字预编码的最优频谱效率，显著提升系统性能。
-
公开(公告)号：CN117596103A
公开(公告)日：2024-02-23
申请号：CN202311554164.4
申请日：2023-11-21
Applicant: 东南大学
IPC: H04L25/02 , H04B7/0456 , H04W72/044 , G06N3/042 , G06N3/047 , G06N3/08
Abstract: 本发明公开一种超大规模天线阵列的多用户低导频开销混合预编码方法，包括步骤：1)用户同时发送导频信号，基站采用远场宽波束接收，并输入GNN波束估计模型，根据模型的输出获得用户的候选码字；2)用户再次发送导频信号，基站采用候选码字接收，并为用户分配最优近场码字；基于最优近场码字，基站设计模拟预编码器；3)用户第三次发送导频信号，基站采用最优近场码字接收，并估计有效信道矩阵，设计数字预编码器；4)基站通过部署模拟预编码器和数字预编码器进行下行信号的传输。本发明利用图神经网络充分探索并利用同一系统中的用户间的相关性，减少近场环境下的混合预编码方案中波束训练和信道估计步骤所需的导频开销，并提高波束训练的估计精度。
-
公开(公告)号：CN115987358A
公开(公告)日：2023-04-18
申请号：CN202310089604.7
申请日：2023-02-09
Applicant: 东南大学
IPC: H04B7/06 , H04B7/08 , H04B7/0456 , H04B7/0426
Abstract: 本发明公开了一种基于部分信道状态信息的有源重构智能表面(RIS)辅助通信下的波束赋形设计方法，属于无线通信物理层技术领域。本发明基于两跳信道(发射机到RIS，RIS到接收机)的部分信道状态信息，首先推导了平均和速率下界和有源可重构智能表面平均发射功率的解析表达式，然后建立了以最大化系统平均和速率为目标，同时保证RIS端平均发射功率和基站发射功率约束的优化模型，最后基于梯度下降和交替方向乘子技术，得到了基站端和RIS端的波束赋形。仿真结果表明，本发明提出的波束赋形方法能有效地降低考虑部分信道状态信息带来的性能损失，从而给有源可重构智能表面辅助通信下两跳信道状态信息无法被独立辨识的难题提供一个解决思路。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
