-
公开(公告)号：CN115037578B
公开(公告)日：2023-07-28
申请号：CN202210485320.5
申请日：2022-05-06
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于元学习的OFDM系统中时变信道估计方法、装置、及存储介质，其包括：采集天线上接收到的信号的实时数据；将所采集的信号的实时数据载入预先构建且利用元学习训练好的神经网络模型中，获取时变信道估计结果；神经网络模型训练的过程包括以下步骤：在预先选定数量的具有不同多普勒频移的信道环境中，分别获取频偏补偿后的频域信号，并确定每个频域信号对应的目标信道估计结果；在支撑集上训练神经网络模型并更新基础学习器的网络参数，在查询集上测试神经网络模型并更新元学习器网络参数；对网络参数进行迭代计算，最终更新得到神经网络模型的初始化参数矩阵。本发明能够快速地适应新的信道环境，计算的复杂度较低、估计精度高。
-
公开(公告)号：CN113206809A
公开(公告)日：2021-08-03
申请号：CN202110479456.0
申请日：2021-04-30
Applicant: 南京邮电大学
Abstract: 本发明公开了无线通信技术领域内的一种联合深度学习与基扩展模型的信道预测方法,包括以下步骤：步骤1，根据历史时刻的信道信息获取信道的相关矩阵；步骤2，对相关矩阵进行特征值分解，获得最优基函数；步骤3，利用基扩展模型对信道进行建模；步骤4，基于历史接收的导频信号与最优基函数，获取基系数估计值；步骤5，根据基系数估计值构建训练样本集；步骤6，利用训练样本集训练BP神经网络；步骤7，获得具有最优权重和阈值的信道预测模型；步骤8，基于信道预测模型进行线上预测；步骤9，将基系数预测值转换成频域信道矩阵。本发明具有较低的计算复杂度，且具有较高的预测精度，适用于未来高速移动环境下时变信道信息的高效获取。
-
公开(公告)号：CN113285899A
公开(公告)日：2021-08-20
申请号：CN202110548774.8
申请日：2021-05-20
Applicant: 南京邮电大学
IPC: H04L25/02
Abstract: 本发明公开了一种基于深度学习的时变信道估计方法及系统，通过对网络输入样本进行合理构造，本发明基于单隐藏层神经网络，首先充分地利用历史信道信息中的信道变化特征，以及接收导频信号中的其他特征，并利用最小二乘估计的优势来进一步提高信道估计的性能，其次，本发明利用构造的样本对反向传播神经网络进行线下训练，然后以在线方式实时获取时变信道信息。为了降低计算复杂度，本发明仅采用了接收的导频信号与导频子信道的信息，并对导频子信道采用多项式基扩展模型建模来减少待估计参数进行时变信道估计。本发明可以显著地提高信道估计精度，具有较低的计算复杂度，适合于高速移动场景中时变信道信息的高效获取。
-
Patent Agency Ranking
公开(公告)号：CN116566768A
公开(公告)日：2023-08-08
申请号：CN202310533178.1
申请日：2023-05-11
Applicant: 南京邮电大学
IPC: H04L25/02
Abstract: 本发明公开了一种多普勒频偏与时变信道联合估计方法。针对RIS(Reconfigurable Intelligent Surface)辅助的移动上行OFDM系统中多普勒频率偏移(DFO)会对获取信道信息带来很大干扰的问题，本发明将DFO与时变信道进行联合估计，充分考虑了DFO对信道估计的影响。在DFO估计中，本发明利用卷积神经网络(Convolutional Neural Network，CNN)来获取高精度的DFO估计，以减少残余频偏对信道估计的影响。为了提高本发明的实用性，非理想DFO被设置为网络的训练目标。基于DFO补偿后的时域信号，本发明采用阈值降噪方法来获取高精度的级联信道估计，以减小直连信道估计误差与噪声的影响。仿真表明，本发明具有较高的估计精确度，适用于RIS辅助的移动通信系统中时变信道信息的高精度获取。
-
公开(公告)号：CN113285899B
公开(公告)日：2022-10-14
申请号：CN202110548774.8
申请日：2021-05-20
Applicant: 南京邮电大学
IPC: H04L25/02
Abstract: 本发明公开了一种基于深度学习的时变信道估计方法及系统，通过对网络输入样本进行合理构造，本发明基于单隐藏层神经网络，首先充分地利用历史信道信息中的信道变化特征，以及接收导频信号中的其他特征，并利用最小二乘估计的优势来进一步提高信道估计的性能，其次，本发明利用构造的样本对反向传播神经网络进行线下训练，然后以在线方式实时获取时变信道信息。为了降低计算复杂度，本发明仅采用了接收的导频信号与导频子信道的信息，并对导频子信道采用多项式基扩展模型建模来减少待估计参数进行时变信道估计。本发明可以显著地提高信道估计精度，具有较低的计算复杂度，适合于高速移动场景中时变信道信息的高效获取。
-
公开(公告)号：CN113206809B
公开(公告)日：2022-11-15
申请号：CN202110479456.0
申请日：2021-04-30
Applicant: 南京邮电大学
Abstract: 本发明公开了无线通信技术领域内的一种联合深度学习与基扩展模型的信道预测方法,包括以下步骤：步骤1，根据历史时刻的信道信息获取信道的相关矩阵；步骤2，对相关矩阵进行特征值分解，获得最优基函数；步骤3，利用基扩展模型对信道进行建模；步骤4，基于历史接收的导频信号与最优基函数，获取基系数估计值；步骤5，根据基系数估计值构建训练样本集；步骤6，利用训练样本集训练BP神经网络；步骤7，获得具有最优权重和阈值的信道预测模型；步骤8，基于信道预测模型进行线上预测；步骤9，将基系数预测值转换成频域信道矩阵。本发明具有较低的计算复杂度，且具有较高的预测精度，适用于未来高速移动环境下时变信道信息的高效获取。
-
公开(公告)号：CN115037578A
公开(公告)日：2022-09-09
申请号：CN202210485320.5
申请日：2022-05-06
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于元学习的OFDM系统中时变信道估计方法、装置、及存储介质，其包括：采集天线上接收到的信号的实时数据；将所采集的信号的实时数据载入预先构建且利用元学习训练好的神经网络模型中，获取时变信道估计结果；神经网络模型训练的过程包括以下步骤：在预先选定数量的具有不同多普勒频移的信道环境中，分别获取频偏补偿后的频域信号，并确定每个频域信号对应的目标信道估计结果；在支撑集上训练神经网络模型并更新基础学习器的网络参数，在查询集上测试神经网络模型并更新元学习器网络参数；对网络参数进行迭代计算，最终更新得到神经网络模型的初始化参数矩阵。本发明能够快速地适应新的信道环境，计算的复杂度较低、估计精度高。
-
公开(公告)号：CN113179140A
公开(公告)日：2021-07-27
申请号：CN202110420127.9
申请日：2021-04-19
Applicant: 南京邮电大学
IPC: H04B17/309 , H04B17/391
Abstract: 本发明公开一种基于遮挡物衰减因子的高频段信道建模方法及装置。针对非视距场景下高频段传输时遮挡物对无线信道路径损耗的影响，本发明首先利用电磁场传播的基本理论去分析遮挡物对无线电波在传播过程中造成的影响；然后确定需要建模的目的参数：遮挡物衰减因子和路径损耗指数；根据典型的对数距离模型初始化遮挡物衰减因子模型的基本结构，通过分析目的变量在实际场景中由遮挡物位置不同对接收端造成的附加影响进行数学建模，使用最小均方误差拟合目的参数，得出本模型，使之能够更准确的表征现实通信场景中由于遮挡物的出现对终端信号的影响，相比传统模型，加入遮挡物的影响因子，更加贴近真实测量结果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
