-
公开(公告)号：CN111934730B
公开(公告)日：2021-09-10
申请号：CN202010780092.5
申请日：2020-08-05
申请人： 北京理工大学 , 中国电子科技集团公司第五十四研究所
IPC分类号： H04B7/0452 , H04B7/0456 , H04B7/08
摘要： 本发明公开的基于跨时隙消息传递算法的符号级NOMA非同步接收方法，涉及一种基于因子图的符号级非正交多址接入非同步多用户检测方法，属于通信领域。本发明实现方法为：将时间维度引入到传统的二维因子图中，形成基于三维因子图模型的跨时隙消息传递方法，通过利用消息传递方法在每个用于传输的频率资源上跨越时隙对每个用户的码元进行估计，实现对非同步LDS系统的多用户检测，解决传统符号级NOMA系统只能同步传输的问题，实现符号级NOMA非同步接收，提高数据传输效率，拓展LDS系统的能力范围，增强LDS在海量物联通信中的可用性。
-
公开(公告)号：CN111934730A
公开(公告)日：2020-11-13
申请号：CN202010780092.5
申请日：2020-08-05
申请人： 北京理工大学 , 中国电子科技集团公司第五十四研究所
IPC分类号： H04B7/0452 , H04B7/0456 , H04B7/08
摘要： 本发明公开的基于跨时隙消息传递算法的符号级NOMA非同步接收方法，涉及一种基于因子图的符号级非正交多址接入非同步多用户检测方法，属于通信领域。本发明实现方法为：将时间维度引入到传统的二维因子图中，形成基于三维因子图模型的跨时隙消息传递方法，通过利用消息传递方法在每个用于传输的频率资源上跨越时隙对每个用户的码元进行估计，实现对非同步LDS系统的多用户检测，解决传统符号级NOMA系统只能同步传输的问题，实现符号级NOMA非同步接收，提高数据传输效率，拓展LDS系统的能力范围，增强LDS在海量物联通信中的可用性。
-
公开(公告)号：CN117939625A
公开(公告)日：2024-04-26
申请号：CN202311749405.0
申请日：2023-12-19
申请人： 北京理工大学 , 中国电子科技集团公司第五十四研究所
摘要： 本发明涉及一种通信时延下基于深度学习的目标位置估计方法，属于导航定位领域。本发明采用先同步再定位的策略，在延迟距离序列同步阶段，主感知节点分别处理来自不同次感知节点的有传输时延的距离信息，采用课程学习和抽样方式训练Seq2Seq模型对延迟距离序列进行预测，将预测得到的距离序列作为时延段内的距离估计序列；在位置估计阶段，将主感知节点的无时延距离序列与所有次感知节点在时延段内的距离估计序列组合起来，输入带注意力机制的Attention‑LSTM网络，利用Attention‑LSTM学习距离估计序列与坐标的映射关系，得到待估计时刻目标的位置，为探测目标辐射源的入侵、运动方向，探明事件发生地点以及后续实施正确决策等提供有效依据。
-
公开(公告)号：CN111371482B
公开(公告)日：2021-02-12
申请号：CN202010157093.4
申请日：2020-03-09
申请人： 北京理工大学
IPC分类号： H04B7/0456 , H04B7/06 , H04B7/08
摘要： 本发明涉及一种基于波束聚合的下行广播链路的毫米波MIMO‑NOMA方法，属于通信领域。为了解决现有技术存在的下行广播链路中用户配对和波束精准对齐的问题，本发明提出了一种基于波束聚合的毫米波大规模MIMO‑NOMA方法。该发明中，基站通过波束赋形生成覆盖整个小区的大规模波束集合，其中多个相邻波束被汇集成一起以非正交的方式为一组相邻的用户提供服务，通过构建深度学习架构并采用线下训练线上应用的方式，依据信道状态信息设计近似最优的数字预编码矩阵，以减轻用户之间的干扰，实现用户之家的公平。本发明并不要求用户间严格的波束对齐，能够增加下行链路毫米波MIMO中NOMA方案应用的可能性。
-
公开(公告)号：CN117715054A
公开(公告)日：2024-03-15
申请号：CN202311658293.8
申请日：2023-12-05
申请人： 北京理工大学 , 中国人民解放军32802部队
IPC分类号： H04W16/10 , G06N3/092 , G06N3/0464 , H04B7/185
摘要： 基于深度强化学习的多体协作式卫星接入与抗干扰方法，属于卫星通信领域。使用深度强化学习中Actor‑Critic离线学习方法，搭建部分链接神经网络，使用目标网络软更新神经网络参数，提升在对抗过程中的决策性能，更好的适应电磁环境中的变化；在对环境建模及强化学习的状态建模中，将上一个时刻的动作融入状态当中，再结合奖励的判定，在连续时隙内输出各不相同的动作，使智能接入更具备灵活性与变动性，提升接入的抗干扰能力；使用GPU计算网络及离线策略强化学习方法，在缺乏训练样本和先验数据的情况下也能进行样本采集训练和有效智能接入。本发明适用于卫星通讯领域，在保障用户接入正确率的情况下，提高抗干扰的能力。
-
公开(公告)号：CN111371482A
公开(公告)日：2020-07-03
申请号：CN202010157093.4
申请日：2020-03-09
申请人： 北京理工大学
IPC分类号： H04B7/0456 , H04B7/06 , H04B7/08
摘要： 本发明涉及一种基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法，属于通信领域。为了解决现有技术存在的下行广播链路中用户配对和波束精准对齐的问题，本发明提出了一种基于波束聚合的毫米波大规模MIMO-NOMA方法。该发明中，基站通过波束赋形生成覆盖整个小区的大规模波束集合，其中多个相邻波束被汇集成一起以非正交的方式为一组相邻的用户提供服务，通过构建深度学习架构并采用线下训练线上应用的方式，依据信道状态信息设计近似最优的数字预编码矩阵，以减轻用户之间的干扰，实现用户之家的公平。本发明并不要求用户间严格的波束对齐，能够增加下行链路毫米波MIMO中NOMA方案应用的可能性。
-
公开(公告)号：CN113055863A
公开(公告)日：2021-06-29
申请号：CN202110458111.7
申请日：2021-04-27
申请人： 北京理工大学
摘要： 本发明涉及一种非正交大规模随机接入方法，尤其涉及一种面向卫星物联网通信环境的用户接入技术，适用于卫星物联网中海量用户突发性传输和随机接入过程，属于通信领域。本发明的目的是为了解决卫星物联网中的随机接入和异步传输带来的用户信号之间干扰不可控的问题，提出一种基于串行干扰删除的非正交大规模随机接入方法；该方法采用激活用户在帧中多个时隙重复传输，并在接收端利用用户之间的异步信息进行帧间的串行干扰删除来恢复用户信息，从而解决用户异步随机接入带来的不可控干扰，在卫星物联网中实现非正交随机接入方案。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.06 秒)
