公开(公告)号：CN119010970A

公开(公告)日：2024-11-22

申请号：CN202410178636.9

申请日：2024-02-09

Applicant: 北京邮电大学

Inventor： 赵中原 ,  周惠宣

IPC: H04B7/06 ,  H04B7/08 ,  H04B7/0456 ,  G06N3/08 ,  G06F17/16

Abstract: 本申请公开一种基于深度学习的ISAC混合波束成形方法，包括：对通信和感知功能分别进行混合波束成形，小区所有用户将测量得到的信息上报给基站以获取下行信道信息，基站部署感知接收天线，在接收感知信号时测量得到感知信道；将下行信道和感知信道进行数据拼接和处理，得到实数形式的信道矩阵，随机生成用户数据并收集信道CSI作为数据集；基站端基于该数据集训练ISAC混合波束成形神经网络模型；基站端完成训练后，对实时的信道数据使用训练好的神经网络模型生成数字预编码矩阵和模拟预编码矩阵，所述方法能够联合设计ISAC场景的数字和模拟波束成形矩阵，无论是通信速率还是感知估计速率方面都优于现有迭代优化算法，并且在推理阶段时间复杂度更低。

公开(公告)号：CN113222179A

公开(公告)日：2021-08-06

申请号：CN202110291738.8

申请日：2021-03-18

Applicant: 北京邮电大学

Inventor： 赵中原 ,  王屹东 ,  纪晓东 ,  陈柏平 ,  周惠宣

IPC: G06N20/20

Abstract: 本发明公开了一种基于模型稀疏化与权重量化的联邦学习模型压缩方法，所述方法包括以下步骤：步骤1，客户端使用本地数据集进行本地模型训练；步骤2，客户端对本地模型训练生成的权重矩阵进行模型稀疏化；步骤3，客户端对稀疏化之后的矩阵进行权重量化；步骤4，客户端将完成压缩后的模型通过无线信道传输到服务器；步骤5，服务器对接收到的权重矩阵进行解压缩，并完成联邦学习聚合。本发明的优越效果在于有效解决了联邦学习训练过程中的资源不足问题，并通过优化算法提升了联邦学习的训练精度。

公开(公告)号：CN113222179B

公开(公告)日：2023-06-20

申请号：CN202110291738.8

申请日：2021-03-18

Applicant: 北京邮电大学

Inventor： 赵中原 ,  王屹东 ,  纪晓东 ,  陈柏平 ,  周惠宣

IPC: G06N20/20

Abstract: 本发明公开了一种基于模型稀疏化与权重量化的联邦学习模型压缩方法，所述方法包括以下步骤：步骤1，客户端使用本地数据集进行本地模型训练；步骤2，客户端对本地模型训练生成的权重矩阵进行模型稀疏化；步骤3，客户端对稀疏化之后的矩阵进行权重量化；步骤4，客户端将完成压缩后的模型通过无线信道传输到服务器；步骤5，服务器对接收到的权重矩阵进行解压缩，并完成联邦学习聚合。本发明的优越效果在于有效解决了联邦学习训练过程中的资源不足问题，并通过优化算法提升了联邦学习的训练精度。