-
公开(公告)号：CN113765567B
公开(公告)日：2024-02-02
申请号：CN202111052920.4
申请日：2021-09-08
Applicant: 东南大学
IPC: H04B7/06 , H04B7/08 , H04B7/0426 , H04B7/0452 , G06N3/0464 , 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。
-
公开(公告)号：CN113765553A
公开(公告)日：2021-12-07
申请号：CN202111053477.2
申请日：2021-09-09
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0408 , H04B7/0426 , H04B7/185 , H04B17/391 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于机器学习的多波束卫星通信系统鲁棒预编码方法，包括，构建包含用户位置定位不确定性的多波束卫星下行信道矢量模型；获取关于信道自相关矩阵的统计信道模型；构建多波束卫星系统和速率最大化的鲁棒预编码优化设计问题；将多波束卫星系统和速率最大化的鲁棒预编码优化设计问题等价转化为用户信干噪比保障和单天线功率约束下的功率最小化问题；结合等价优化问题的拉格朗日函数及其KKT条件，获得最优预编码矢量；结合机器学习的方法基于信道自相关矩阵预测优化问题所需的拉格朗日乘子。通过本发明可以降低信道自相关矩阵预测问题算法实现复杂度，显著提高多波束卫星通信系统的传输性能及对定位角度估计误差的鲁棒性。
-
公开(公告)号：CN111541472B
公开(公告)日：2021-04-06
申请号：CN202010315003.X
申请日：2020-04-21
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0456
Abstract: 本发明提出了一种低复杂度机器学习辅助鲁棒预编码方法及装置。为了在大规模MIMO下行系统中，同时兼顾准静态信道场景和快变信道场景下的共信道干扰性能，本发明将不同类型的两种预编码矩阵加权，得到了一种具有鲁棒性的预编码方法。其中两个预编码矩阵分别基于瞬时信道预测结果和能量耦合矩阵产生，加权系数通过机器学习方法获得。本发明相比现有鲁棒预编码方法计算复杂度大幅降低，且在准静态信道环境下和快变信道环境下都能达到可接受的和速率性能。
-
公开(公告)号：CN115001553B
公开(公告)日：2024-01-30
申请号：CN202210585283.5
申请日：2022-05-26
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/06 , H04B7/185
Abstract: 本发明公开了一种机器学习辅助的卫星下行预编码方法，在低轨卫星多用户、多输入单输出系统下行链路中，卫星依据莱斯信道的统计信道状态信息，以所有用户的遍历可达速率最大化准则和卫星单天线功率约束条件，通过最优预编码框架或者通过深度学习辅助的低复杂度预编码框架，计算与每一个用户终端相应的预编码向量。最优预编码框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。DL辅助的低复杂度预编码框架通过DL神经网络计算最优拉格朗日乘子，进而通过最优解结构直接计算预编码向量，本发明能够使卫星下行预编码逼近最佳的可达和速率性能，并具有较低的计算复杂度。
-
公开(公告)号：CN115001553A
公开(公告)日：2022-09-02
申请号：CN202210585283.5
申请日：2022-05-26
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/06 , H04B7/185
Abstract: 本发明公开了一种机器学习辅助的卫星下行预编码方法，在低轨卫星多用户、多输入单输出系统下行链路中，卫星依据莱斯信道的统计信道状态信息，以所有用户的遍历可达速率最大化准则和卫星单天线功率约束条件，通过最优预编码框架或者通过深度学习辅助的低复杂度预编码框架，计算与每一个用户终端相应的预编码向量。最优预编码框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。DL辅助的低复杂度预编码框架通过DL神经网络计算最优拉格朗日乘子，进而通过最优解结构直接计算预编码向量，本发明能够使卫星下行预编码逼近最佳的可达和速率性能，并具有较低的计算复杂度。
-
Patent Agency Ranking
公开(公告)号：CN113765553B
公开(公告)日：2022-07-29
申请号：CN202111053477.2
申请日：2021-09-09
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0408 , H04B7/0426 , H04B7/185 , H04B17/391 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于机器学习的多波束卫星通信系统鲁棒预编码方法，包括，构建包含用户位置定位不确定性的多波束卫星下行信道矢量模型；获取关于信道自相关矩阵的统计信道模型；构建多波束卫星系统和速率最大化的鲁棒预编码优化设计问题；将多波束卫星系统和速率最大化的鲁棒预编码优化设计问题等价转化为用户信干噪比保障和单天线功率约束下的功率最小化问题；结合等价优化问题的拉格朗日函数及其KKT条件，获得最优预编码矢量；结合机器学习的方法基于信道自相关矩阵预测优化问题所需的拉格朗日乘子。通过本发明可以降低信道自相关矩阵预测问题算法实现复杂度，显著提高多波束卫星通信系统的传输性能及对定位角度估计误差的鲁棒性。
-
公开(公告)号：CN111541472A
公开(公告)日：2020-08-14
申请号：CN202010315003.X
申请日：2020-04-21
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0456
Abstract: 本发明提出了一种低复杂度机器学习辅助鲁棒预编码方法及装置。为了在大规模MIMO下行系统中，同时兼顾准静态信道场景和快变信道场景下的共信道干扰性能，本发明将不同类型的两种预编码矩阵加权，得到了一种具有鲁棒性的预编码方法。其中两个预编码矩阵分别基于瞬时信道预测结果和能量耦合矩阵产生，加权系数通过机器学习方法获得。本发明相比现有鲁棒预编码方法计算复杂度大幅降低，且在准静态信道环境下和快变信道环境下都能达到可接受的和速率性能。
-
公开(公告)号：CN111313943A
公开(公告)日：2020-06-19
申请号：CN202010105977.5
申请日：2020-02-20
Applicant: 东南大学
IPC: H04B7/0413 , H04W64/00
Abstract: 本发明公开了一种深度学习辅助的大规模天线阵列下的三维定位方法及装置。本发明利用大规模MIMO-OFDM系统高时延和高角度分辨率的特性，通过信号处理来构建角度时延域信道能量矩阵作为定位的位置指纹信息。接着，设计基于三维卷积核的定位神经网络来实现基于指纹的定位，其包含基础特征提取模块、高阶特征提取模块以及回归模块，实现了位置指纹信息到用户三维坐标的映射。在离线阶段，利用高信噪比或者理想环境下的位置指纹信息以及位置信息来训练定位神经网络；在在线阶段，利用角度时延域信道能量矩阵的稀疏性，对位置指纹信息进行噪声的去除，再输入到训练好的定位神经网络中，估算用户的三维坐标。本发明具有定位精度高、复杂度低、易实现等优点。
-
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
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。
-
公开(公告)号：CN111865378B
公开(公告)日：2021-06-11
申请号：CN202010466502.9
申请日：2020-05-28
Applicant: 东南大学
IPC: H04B7/0456 , H04B7/0413 , H04B7/0426 , G06N3/04 , G06N3/08 , G06N20/00
Abstract: 本发明公开了基于深度学习的大规模MIMO下行预编码方法，本发明中基站利用各用户终端的瞬时和统计信道信息，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量进行下行预编码传输。该框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。通用框架通过深度神经网络计算最优拉格朗日乘子，进而通过最优解结构计算预编码向量；低复杂度框架将预编码问题分解为瞬时和统计两个子问题分别计算再组合。本发明能够使下行预编码达到近乎最佳的可达和速率性能，并具有较低的计算复杂度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.026 seconds)
