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

Inventor： 高镇 ,  王馗宇 ,  张恒玮 ,  乔力 ,  郑德智 ,  王瑞琪 ,  王其飞 ,  万子维 ,  谈树峰 ,  毛天奇

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：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

Inventor： 高镇 ,  王其飞 ,  王馗宇 ,  张恒玮 ,  郑德智 ,  乔力 ,  万子维 ,  张翼飞 ,  王瑞琪 ,  谈树峰 ,  毛天奇

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。