-
公开(公告)号：CN114389756A
公开(公告)日：2022-04-22
申请号：CN202210064643.7
申请日：2022-01-20
Applicant: 东南大学
Abstract: 本发明涉及一种基于分组最大似然(ML)检测和并行迭代干扰抵消的上行MIMO检测方法，本检测方法由两个主要部分组成：分组ML检测器和并行迭代干扰抵消器。每次迭代开始时，首先根据上一次迭代输出的检测结果，通过并行干扰抵消，抵消其他组用户对待检测组的影响，再对待检测组内数据流进行ML检测。本检测方法通过分组的ML检测以及简化的排序算法降低了核心检测复杂度，通过迭代并行干扰抵消确保了其优异的检测性能。在高分集度的接收场景下，本方法具有接近最优检测器，全局ML检测的性能。
-
公开(公告)号：CN114389756B
公开(公告)日：2024-04-09
申请号：CN202210064643.7
申请日：2022-01-20
Applicant: 东南大学
Abstract: 本发明涉及一种基于分组最大似然(ML)检测和并行迭代干扰抵消的上行MIMO检测方法，本检测方法由两个主要部分组成：分组ML检测器和并行迭代干扰抵消器。每次迭代开始时，首先根据上一次迭代输出的检测结果，通过并行干扰抵消，抵消其他组用户对待检测组的影响，再对待检测组内数据流进行ML检测。本检测方法通过分组的ML检测以及简化的排序算法降低了核心检测复杂度，通过迭代并行干扰抵消确保了其优异的检测性能。在高分集度的接收场景下，本方法具有接近最优检测器，全局ML检测的性能。
-
公开(公告)号：CN108881080B
公开(公告)日：2021-02-02
申请号：CN201810540491.7
申请日：2018-05-30
Applicant: 东南大学
IPC: H04L25/03
Abstract: 本发明涉及一种基于滑动窗与深度学习的OFDM抗ICI检测方法，滑动窗主要由输出部分和保护间隔两部分组成，输出部分输出子载波检测结果，保护间隔部分用于辅助完成输出部分消除保护间隔子载波对输出部分子载波的ICI干扰。ICI的消除具体通过深度网络结构训练滑动窗中的参数来实现，训练算法为Adam算法，采用mini‑batch方式，每个batch中使用的训练用矩阵为从一组时变信道矩阵中一段固定位置中取出且经过筛选的子矩阵，训练直至损失函数收敛得到具有ICI消除功能的滑动窗系数。检测时滑动窗串行在多子载波OFDM符号的频域滑动并通过每次输出部分输出检测完成的信号直至整个OFDM符号检测完成。
-
Patent Agency Ranking
公开(公告)号：CN109587093A
公开(公告)日：2019-04-05
申请号：CN201811274481.X
申请日：2018-10-30
Applicant: 东南大学
IPC: H04L27/26 , H04L27/00 , H04B17/391
Abstract: 本发明涉及一种基于级联结构的深度学习网络OFDM信号检测方法，由两部分检测装置级联而成，检测数据首先通过迫零解相关器预处理后，送入深度学习网络处理得到检测完成的数据。通过级联迫零解相关器进行数据预处理的方式，使得深度学习网络的网络参数在训练更新的过程中，能够收敛至性能更优的解；对于多子载波场景，则采用具有滑动结构的级联检测器以降低实现复杂度；深度学习网络的训练算法为Adam算法，采用小批量梯度下降方式并使用一种改进的最小二乘函数作为损失函数，上述超参数及损失函数都针对本结构进行了对应优化，使得检测网络参数收敛至检测性能更优的解。
-
公开(公告)号：CN109587093B
公开(公告)日：2021-07-13
申请号：CN201811274481.X
申请日：2018-10-30
Applicant: 东南大学
IPC: H04L27/26 , H04L27/00 , H04B17/391
Abstract: 本发明涉及一种基于级联结构的深度学习网络OFDM信号检测方法，由两部分检测装置级联而成，检测数据首先通过迫零解相关器预处理后，送入深度学习网络处理得到检测完成的数据。通过级联迫零解相关器进行数据预处理的方式，使得深度学习网络的网络参数在训练更新的过程中，能够收敛至性能更优的解；对于多子载波场景，则采用具有滑动结构的级联检测器以降低实现复杂度；深度学习网络的训练算法为Adam算法，采用小批量梯度下降方式并使用一种改进的最小二乘函数作为损失函数，上述超参数及损失函数都针对本结构进行了对应优化，使得检测网络参数收敛至检测性能更优的解。
-
公开(公告)号：CN108540419B
公开(公告)日：2020-12-01
申请号：CN201810234260.3
申请日：2018-03-21
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习的抗子载波间干扰的OFDM检测方法，可应用于高速移动的OFDM通信系统和毫米波段载波相位噪声较大的OFDM系统，可有效对抗多普勒频偏和相位噪声带来的子载波间干扰。本发明为逼近ML检测器，利用深度展开的方式基于投影梯度下降法设计了深度网络结构，训练算法为Adam算法，采用微小批次(batch)的训练方式，每个批次包含多个输入输出OFDM符号及对应的信道矩阵H，即每个批次反映了一段时间内信道的变化。通过训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行深度学习，达到损失函数收敛到一个很小的值。利用训练好的深度检测网络解调OFDM信号，有效提高受较大多普勒频偏或相位噪声产生的子载波间干扰影响的OFDM系统检测的性能。
-
公开(公告)号：CN108540419A
公开(公告)日：2018-09-14
申请号：CN201810234260.3
申请日：2018-03-21
Applicant: 东南大学
CPC classification number: H04L27/265 , G06N3/0454 , H04L25/03821 , H04L27/22
Abstract: 本发明公开了一种基于深度学习的抗子载波间干扰的OFDM检测方法，可应用于高速移动的OFDM通信系统和毫米波段载波相位噪声较大的OFDM系统，可有效对抗多普勒频偏和相位噪声带来的子载波间干扰。本发明为逼近ML检测器，利用深度展开的方式基于投影梯度下降法设计了深度网络结构，训练算法为Adam算法，采用微小批次(batch)的训练方式，每个批次包含多个输入输出OFDM符号及对应的信道矩阵H，即每个批次反映了一段时间内信道的变化。通过训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行深度学习，达到损失函数收敛到一个很小的值。利用训练好的深度检测网络解调OFDM信号，有效提高受较大多普勒频偏或相位噪声产生的子载波间干扰影响的OFDM系统检测的性能。
-
公开(公告)号：CN108881080A
公开(公告)日：2018-11-23
申请号：CN201810540491.7
申请日：2018-05-30
Applicant: 东南大学
IPC: H04L25/03
CPC classification number: H04L25/03821
Abstract: 本发明涉及一种基于滑动窗与深度学习的OFDM抗ICI检测方法，滑动窗主要由输出部分和保护间隔两部分组成，输出部分输出子载波检测结果，保护间隔部分用于辅助完成输出部分消除保护间隔子载波对输出部分子载波的ICI干扰。ICI的消除具体通过深度网络结构训练滑动窗中的参数来实现，训练算法为Adam算法，采用mini‑batch方式，每个batch中使用的训练用矩阵为从一组时变信道矩阵中一段固定位置中取出且经过筛选的子矩阵，训练直至损失函数收敛得到具有ICI消除功能的滑动窗系数。检测时滑动窗串行在多子载波OFDM符号的频域滑动并通过每次输出部分输出检测完成的信号直至整个OFDM符号检测完成。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
