-
公开(公告)号：CN110071779B
公开(公告)日：2021-11-16
申请号：CN201810058260.2
申请日：2018-01-22
Applicant: 东南大学
IPC: H04L1/00
Abstract: 本发明公开了一种低复杂度的极化码多级编码调制方法，包括：计算调制星座点集合中各个比特层的信道容量；计算虚拟BEC信道的巴特查理亚系数；利用巴特查理亚系数构造极化码；得到等效比特信道的巴特查理亚系数；极化码构造完成后，进行调制、解调和译码。本发明是针对极化码和多级编码调制的联合设计，将MLCM中的调制比特信道视为虚拟BEC信道，通过BEC信道的巴特查理亚系数在极化码中递归关系，进行MLCM调制方式下极化码构造，本发明中方法的时间复杂度低于已有的基于蒙特卡罗方法。
-
公开(公告)号：CN110071779A
公开(公告)日：2019-07-30
申请号：CN201810058260.2
申请日：2018-01-22
Applicant: 东南大学
IPC: H04L1/00
Abstract: 本发明公开了一种低复杂度的极化码多级编码调制方法，包括：计算调制星座点集合中各个比特层的信道容量；计算虚拟BEC信道的巴特查理亚系数；利用巴特查理亚系数构造极化码；得到等效比特信道的巴特查理亚系数；极化码构造完成后，进行调制、解调和译码。本发明是针对极化码和多级编码调制的联合设计，将MLCM中的调制比特信道视为虚拟BEC信道，通过BEC信道的巴特查理亚系数在极化码中递归关系，进行MLCM调制方式下极化码构造，本发明中方法的时间复杂度低于已有的基于蒙特卡罗方法。
-
Patent Agency Ranking
公开(公告)号：CN113541747B
公开(公告)日：2022-07-08
申请号：CN202110748205.8
申请日：2021-07-01
Applicant: 网络通信与安全紫金山实验室 , 东南大学
IPC: H04B7/0413 , H04B7/08 , H04B17/336 , H04B17/391
Abstract: 本发明公开了一种大规模MIMO检测方法、装置和存储介质，包括：将接收信号矢量、信道矩阵以及噪声方差数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值；基于深度学习网络构建近似期望传播网络，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层中引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层输出发送信号的最终估计值；对构建的所述近似期望传播网络进行训练，得到训练后的可学习的线性纠正参数，固定可学习的线性纠正参数即得到经训练的近似期望传播网络模型。本发明以较低的复杂度实现了更好的性能提升。
-
公开(公告)号：CN110061803B
公开(公告)日：2021-12-28
申请号：CN201810054454.5
申请日：2018-01-19
Applicant: 东南大学
IPC: H04L1/00
Abstract: 本发明提出了一种低复杂度极化码比特交织编码调制方法，包括：计算调制星座点集合中各个比特层的巴特查理亚系数；计算巴特查理亚系数在极化码中的递归式；根据调制阶数，求解优化问题，得到用于进行比特交织的最优置换；进行极化码构造；构造完成后进行调制；对信道接收信号进行解调和译码。本发明主要依靠巴特查理亚系数在极化码中的递归式来进行计算降低了针对比特交织编码调制的极化码的构造复杂度，优于现有方法。
-
公开(公告)号：CN108390705A
公开(公告)日：2018-08-10
申请号：CN201810267976.3
申请日：2018-03-29
Applicant: 东南大学
IPC: H04B7/0413 , H04B17/309
Abstract: 本发明提供了一种基于BP算法构建的深度神经网络大规模MIMO系统检测方法，该方法通过将置信传播迭代算法因子图展开并映射到神经网络结构上来构建用于大规模MIMO系统检测的深度神经网络；深度神经网络的神经元对应于迭代算法因子图中的结点，各层神经元个数均等于迭代算法因子图中符号结点的个数；隐藏层之间的映射函数为迭代算法中置信信息的更新公式，隐藏层的数量等于迭代算法的迭代次数。具体地，本发明还提供了基于阻尼置信传播和最大和置信传播这两种信息传播迭代算法分别构建两种深度神经网络的MIMO检测方法。本发明在不增加在线运算复杂度的情况下，达到更低的误码率，并且对各种信道状况和天线配比都具有稳健性。
-
公开(公告)号：CN113541747A
公开(公告)日：2021-10-22
申请号：CN202110748205.8
申请日：2021-07-01
Applicant: 网络通信与安全紫金山实验室 , 东南大学
IPC: H04B7/0413 , H04B7/08 , H04B17/336 , H04B17/391
Abstract: 本发明公开了一种大规模MIMO检测方法、装置和存储介质，包括：将接收信号矢量、信道矩阵以及噪声方差数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值；基于深度学习网络构建近似期望传播网络，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层中引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层输出发送信号的最终估计值；对构建的所述近似期望传播网络进行训练，得到训练后的可学习的线性纠正参数，固定可学习的线性纠正参数即得到经训练的近似期望传播网络模型。本发明以较低的复杂度实现了更好的性能提升。
-
公开(公告)号：CN110061803A
公开(公告)日：2019-07-26
申请号：CN201810054454.5
申请日：2018-01-19
Applicant: 东南大学
IPC: H04L1/00
Abstract: 本发明提出了一种低复杂度极化码比特交织编码调制方法，包括：计算调制星座点集合中各个比特层的巴特查理亚系数；计算巴特查理亚系数在极化码中的递归式；根据调制阶数，求解优化问题，得到用于进行比特交织的最优置换；进行极化码构造；构造完成后进行调制；对信道接收信号进行解调和译码。本发明主要依靠巴特查理亚系数在极化码中的递归式来进行计算降低了针对比特交织编码调制的极化码的构造复杂度，优于现有方法。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
