公开(公告)号：CN111865842B

公开(公告)日：2021-10-29

申请号：CN202010086709.3

申请日：2020-02-11

Applicant: 北京邮电大学 ,  北京航空航天大学

Inventor： 李斌 ,  曹先彬 ,  赵成林 ,  许方敏 ,  张军

IPC: H04L25/02 ,  H04B7/0413

Abstract: 本发明公开了一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备，包括：选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR；根据第一矩阵估计信息和第二矩阵估计信息，得到第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC；根据第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵得到信道估计信息。本发明显著降低最佳信道估计算法的计算复杂度和处理时延，采用随机近似矩阵之间误差范数作为优化准则，有效控制了高维信道矩阵的构建精度，准确地实时地获取未知的信道状态信息。

公开(公告)号：CN111865842A

公开(公告)日：2020-10-30

申请号：CN202010086709.3

申请日：2020-02-11

Applicant: 北京邮电大学 ,  北京航空航天大学

Inventor： 李斌 ,  曹先彬 ,  赵成林 ,  许方敏 ,  张军

IPC: H04L25/02 ,  H04B7/0413

Abstract: 本发明公开了一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备，包括：选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR；根据第一矩阵估计信息和第二矩阵估计信息，得到第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC；根据第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵 得到信道估计信息。本发明显著降低最佳信道估计算法的计算复杂度和处理时延，采用随机近似矩阵之间误差范数作为优化准则，有效控制了高维信道矩阵的构建精度，准确地实时地获取未知的信道状态信息。

公开(公告)号：CN111310895A

公开(公告)日：2020-06-19

申请号：CN202010086723.3

申请日：2020-02-11

Applicant: 北京邮电大学

Inventor： 李斌 ,  陈沛鋆 ,  刘宏福 ,  曹先彬 ,  赵成林

IPC: G06N3/04 ,  G06N3/08 ,  G06N5/04 ,  G06F17/16

Abstract: 本说明书一个或多个实施例提供一种输入特征分解的高效CNN推理方法与装置，能够解决推理计算复杂度高的问题。所述方法包括：利用卷积神经网络卷积层的权重张量对输入张量进行降维展开变换，得到过渡输入张量，对所述过渡输入张量进行行采样操作，得到行表征矩阵；根据所述行表征矩阵对所述过渡输入张量进行列采样操作，得到列表征矩阵；根据所述过渡输入张量、所述行表征矩阵与所述列表征矩阵，计算确定核心表征矩阵；调整所述行表征矩阵、所述列表征矩阵、所述核心表征矩阵与所述权重张量间的相乘顺序，使计算复杂度最低，根据相乘结果确定输出张量。所述装置包括行表征矩阵构建模块、列表征矩阵构建模块、核心表征矩阵构建模块与推理计算模块。

公开(公告)号：CN111859272A

公开(公告)日：2020-10-30

申请号：CN202010086714.4

申请日：2020-02-11

Applicant: 北京邮电大学 ,  北京航空航天大学

Inventor： 李斌 ,  曹先彬 ,  赵成林 ,  许方敏 ,  张军

IPC: G06F17/16 ,  G01S7/02

Abstract: 本发明公开了一种面向大规模天线的快速MUSIC谱分解方法、装置及设备，包括：接收信号X，根据信号X估计高维自相关矩阵R；对高维自相关矩阵R进行骨架提取得到低维表征矩阵C；计算得到低秩矩阵Y，得到高维自相关矩阵R的低维近似分解CY，通过对低维近似分解CY进行SVD分解获得高维自相关矩阵R的SVD近似分解利用高维自相关矩阵R的SVD近似分解 构造信号空间K，利用信号空间K估计空间谱P(θ)，根据所述空间谱P(θ)进行目标信号检测与估计。本发明在精确估计MUSIC空间谱的同时，将SVD的计算复杂度从立方增长降低至平方甚至是线性增长率，实现了高精度和低复杂度的MUSIC空间谱估计，利用矩阵范数最小化作为优化准则，确保了高维自相关矩阵近似的误差精度。