-
公开(公告)号：CN118138413A
公开(公告)日：2024-06-04
申请号：CN202410254696.4
申请日：2024-03-06
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
IPC: H04L27/12 , H04L27/14 , H04L27/144
Abstract: 本发明公开了TSN中连续调频波多域参数调制的联合通信探测方法，用于解决自动驾驶场景下的频谱资源受限问题、实现时频资源的合理复用以及联合通信探测功能。包括如下步骤：主动和被动联合通信探测设备通过资源块识别方案获取资源块使用信息并确定所用资源块。主动方采用两帧合并探测方法，发送包括信标帧和DDM帧的连续调频波，通过基于检测的参数信息恢复算法探测环境目标。被动方采用两帧联合探测方法探测环境目标、进行同步时延调整并向主动方发送同步确认信息，实现设备间的自适应时间同步。进入通信过程，主动方对连续调频波进行多域参数信息调制，被动方利用先验信息进行数据解调以及目标探测，并允许持续的跟踪和状态更新。
-
公开(公告)号：CN113556300A
公开(公告)日：2021-10-26
申请号：CN202110819832.6
申请日：2021-07-20
Applicant: 北京理工大学
IPC: H04L25/02
Abstract: 本发明提出了一种基于时域训练序列的联合活跃终端检测与信道估计方法，能够适用于类似低轨卫星物联网等具有快时变信道的场景，保证快时变信道下可靠的活跃终端设备检测与信道估计性能。通过在数据符号中插入时域训练序列；利用设计出的基于时域训练序列的数据帧结构，在接收端设计了一种适用于快时变信道的活跃终端设备检测与信道估计方法，可以在得到活跃终端设备集合的基础上利用信道的结构化特性，给出信道参数的超分辨率估计，进而实现超可靠的信道估计。同时，通过充分利用信道的稀疏性和数据传输的零星流量特性，该方法可以大幅度降低时域训练序列的开销，进而降低接入延时。
-
公开(公告)号：CN118300927A
公开(公告)日：2024-07-05
申请号：CN202410108297.7
申请日：2024-01-25
Applicant: 北京理工大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明涉及一种知识驱动深度学习的TSN高维信道快速估计方法，属于无线通信信道估计技术领域。本发明设计了一种基于知识驱动的GMMV‑LAMP高维信道快速估计网络，以及一种信道估计中的频率选择性的宽带冗余字典设计方法。GMMV‑LAMP网络能够快速、准确地进行宽带高维信道估计。频率选择性的宽带冗余字典，能够在毫米波UM‑MIMO纯远场、近场、远近场混合场景下，精准地获取信道的稀疏域表示，并且克服频率平坦性字典带来的波束斜视效应。本发明通过将冗余字典应用到GMMV‑LAMP网络中，在远、近场混合场景下准确、快速地进行毫米波宽带大规模MIMO信道估计，以发挥毫米波UM‑MIMO技术为TSN带来的低延迟、高带宽等优势。本发明提高了UM‑MIMO高维信道估计的精度，并且具有更快的收敛速度。
-
公开(公告)号：CN113691288B
公开(公告)日：2022-04-19
申请号：CN202110966553.2
申请日：2021-08-23
Applicant: 北京理工大学
IPC: H04B7/0413 , H04B7/0417 , H04B7/0456 , G06N3/08 , G06N3/04
Abstract: 本发明公开一种基于深度学习的联合导频、反馈、多用户混合编码方法，解决传统信道估计反馈方法中导频与反馈开销过大以及传统混合预编码方法性能损失的问题。包括：将下行导频传输过程建模为单层不带偏置的线性激活函数全连接神经网络，即导频传输网络；在用户端构建导频反馈网络，将接收导频信号压缩为比特矢量，并将其反馈给基站；在基站端构建混合预编码网络，用于根据所有用户反馈的比特矢量设计混合预编码器；将所述导频传输网络、导频反馈网络、混合预编码网络组合形成一个端到端的神经网络，并以系统和速率为指标对其进行数据驱动的端到端训练；将训练好的端到端深度学习神经网络应用于导频传输、信道反馈和混合预编码。
-
Patent Agency Ranking
公开(公告)号：CN113691288A
公开(公告)日：2021-11-23
申请号：CN202110966553.2
申请日：2021-08-23
Applicant: 北京理工大学
IPC: H04B7/0413 , H04B7/0417 , H04B7/0456 , G06N3/08 , G06N3/04
Abstract: 本发明公开一种基于深度学习的联合导频、反馈、多用户混合编码方法，解决传统信道估计反馈方法中导频与反馈开销过大以及传统混合预编码方法性能损失的问题。包括：将下行导频传输过程建模为单层不带偏置的线性激活函数全连接神经网络，即导频传输网络；在用户端构建导频反馈网络，将接收导频信号压缩为比特矢量，并将其反馈给基站；在基站端构建混合预编码网络，用于根据所有用户反馈的比特矢量设计混合预编码器；将所述导频传输网络、导频反馈网络、混合预编码网络组合形成一个端到端的神经网络，并以系统和速率为指标对其进行数据驱动的端到端训练；将训练好的端到端深度学习神经网络应用于导频传输、信道反馈和混合预编码。
-
公开(公告)号：CN117932239A
公开(公告)日：2024-04-26
申请号：CN202311822374.7
申请日：2023-12-27
Applicant: 北京理工大学
IPC: G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了基于深度学习的时间敏感网络低精度ADC信号去量化方法，属于无线时间敏感网络数据传输技术领域。在用户端构建去量化网络ResNet‑DQ，包括三个ResNet块和一个卷积神经网络维度调整层。将低比特信号输入去量化网络ResNet‑DQ学习信号的时域相关性，并输出去量化信号；将网络输出信号与无噪接收信号的归一化最小均方误差作为网络损失函数，并采用数据驱动来训练去量化网络；将训练好的去量化网络应用于采用低精度ADC系统，实现对低比特接收信号的去量化信息恢复。本发明解决了由于实际系统器件特性不匹配，以及采用高采样速率、低精度ADC引起的信号失真等问题，能够减少信号失真，成功恢复绝大部分信息，且具有较好的鲁棒性，降低信号开销，并节省硬件部署成本。
-
公开(公告)号：CN113556300B
公开(公告)日：2022-06-03
申请号：CN202110819832.6
申请日：2021-07-20
Applicant: 北京理工大学
IPC: H04L25/02
Abstract: 本发明提出了一种基于时域训练序列的联合活跃终端检测与信道估计方法，能够适用于类似低轨卫星物联网等具有快时变信道的场景，保证快时变信道下可靠的活跃终端设备检测与信道估计性能。通过在数据符号中插入时域训练序列；利用设计出的基于时域训练序列的数据帧结构，在接收端设计了一种适用于快时变信道的活跃终端设备检测与信道估计方法，可以在得到活跃终端设备集合的基础上利用信道的结构化特性，给出信道参数的超分辨率估计，进而实现超可靠的信道估计。同时，通过充分利用信道的稀疏性和数据传输的零星流量特性，该方法可以大幅度降低时域训练序列的开销，进而降低接入延时。
-
公开(公告)号：CN110650103B
公开(公告)日：2020-07-31
申请号：CN201910879291.9
申请日：2019-09-18
Applicant: 北京理工大学
IPC: H04L25/02 , H04B7/0456 , H04B7/0413 , H01Q23/00 , H01Q21/00 , H01Q19/06
Abstract: 本发明公开了一种利用冗余字典加强稀疏性的透镜天线阵列MIMO信道估计方法。在毫米波透镜天线阵列MIMO中，收发端均采用天线选择网络代替全连接‑相移网络，从而减小通信系统的硬件成本和功率消耗；在导频交互阶段，天线选择网络在每次切换均获得部分角度范围的信道探测结果；经多次切换，射频链路在连续的多个时隙内遍历连接透镜天线阵列所有的阵元，从而利用有限的硬件资源对信道进行完整的观测；接收端利用冗余字典，对原本稀疏的透镜天线阵列的信道进行进一步的稀疏表示，再采用压缩感知理论进行信道恢复。利用冗余字典，可以对抗因信道AoDs和AoAs连续分布而造成的功率泄露，使得信道表示更为稀疏，有利于后续稀疏信号恢复算法的性能。
-
公开(公告)号：CN110650103A
公开(公告)日：2020-01-03
申请号：CN201910879291.9
申请日：2019-09-18
Applicant: 北京理工大学
IPC: H04L25/02 , H04B7/0456 , H04B7/0413 , H01Q23/00 , H01Q21/00 , H01Q19/06
Abstract: 本发明公开了一种利用冗余字典加强稀疏性的透镜天线阵列MIMO信道估计方法。在毫米波透镜天线阵列MIMO中，收发端均采用天线选择网络代替全连接-相移网络，从而减小通信系统的硬件成本和功率消耗；在导频交互阶段，天线选择网络在每次切换均获得部分角度范围的信道探测结果；经多次切换，射频链路在连续的多个时隙内遍历连接透镜天线阵列所有的阵元，从而利用有限的硬件资源对信道进行完整的观测；接收端利用冗余字典，对原本稀疏的透镜天线阵列的信道进行进一步的稀疏表示，再采用压缩感知理论进行信道恢复。利用冗余字典，可以对抗因信道AoDs和AoAs连续分布而造成的功率泄露，使得信道表示更为稀疏，有利于后续稀疏信号恢复算法的性能。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.024 seconds)
