-
公开(公告)号：CN113285896A
公开(公告)日：2021-08-20
申请号：CN202110479200.X
申请日：2021-04-30
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B17/391 , G06N3/08
Abstract: 本发明公开了基于堆栈式ELM的时变信道预测方法，包括：根据导频获取时域信道状态信息估计值；根据时域信道状态信息估计值构建线下历史信道训练样本集；将历史信道训练样本集输入到神经网络中，利用ELM方法训练，获得神经网络隐藏层输出矩阵；根据隐藏层输出矩阵获得神经网络的输出权值和输出；利用深度为J的堆栈式ELM方法训练神经网络，输出最终特征矩阵，计算隐藏层输出矩阵和初始输出权值；利用线下训练方法进行线上预测，获得样本对应的特征矩阵和隐藏层输出矩阵、最终神经网络输出权重；根据神经网络输出权重获得神经网络的预测信道状态信息。本发明包括线下训练和线上预测两部分，通过这两部分显著提高时变信道预测精度。
-
公开(公告)号：CN112822130A
公开(公告)日：2021-05-18
申请号：CN202011578137.7
申请日：2020-12-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种5G高速移动系统中基于深度学习的多普勒频偏估计方法，包括基于数据与导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建预训练样本；利用构建的预训练样本对网络进行预训练处理，获取预训练网络的权重和阀值参数；基于导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建训练样本；利用获取预训练网络的权重和阀值参数与构建的训练样本对网络进行第二次训练处理，获取最终的网络估计模型，进行线上多普勒频偏实时估计。具有较快的收敛速度和高的估计性能，具有一定的实用价值。
-
公开(公告)号：CN112737987A
公开(公告)日：2021-04-30
申请号：CN202011577593.X
申请日：2020-12-28
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B17/391 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种新型的基于深度学习的时变信道预测方法，包括：在数据和导频均已知的情况下，获取时域信道估计值；根据时域信道估计值构建预训练样本集；随机初始化网络参数，利用预训练样本集对网络进行预训练，获取预训练网络的权值和阈值参数；在仅导频均已知的情况下，获取时域信道估计值，并根据时域信道估计值构建训练样本集；采用预训练网络的权值和阈值参数作为训练阶段网络的初始参数，通过训练样本集对网络再次进行训练，获得信道预测网络模型；基于信道预测网络模型进行线上信道预测，将线上预测值转化为复数，作为最终的信道预测值。显著提高时变信道预测精度，具有较低的计算复杂度，适用于高速移动环境中时变信道信息的高效获取。
-
Patent Agency Ranking
公开(公告)号：CN111291511A
公开(公告)日：2020-06-16
申请号：CN202010071310.8
申请日：2020-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法，充分考虑了高速移动场景下时变信道的特点，通过历史信息获取最优基函数，基于该基函数对信道进行建模，以降低信道估计的复杂度；其次采用软卡尔曼滤波和数据检测联合的方法来估计基系数，并且在每次迭代中将基于似然比信息判决的检测数据的误差作为噪声进行处理，减少数据检测误差传播影响，提高信道估计精度。本发明提供的一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法，为了更好地减少数据检测误差传播的影响，在每次迭代中将数据检测误差作为噪声进行处理。具有高估计精度和低计算复杂度的优点，适用于高速移动环境中时变信道信息的高效获取。
-
公开(公告)号：CN112737987B
公开(公告)日：2022-11-01
申请号：CN202011577593.X
申请日：2020-12-28
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B17/391 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种新型的基于深度学习的时变信道预测方法，包括：在数据和导频均已知的情况下，获取时域信道估计值；根据时域信道估计值构建预训练样本集；随机初始化网络参数，利用预训练样本集对网络进行预训练，获取预训练网络的权值和阈值参数；在仅导频均已知的情况下，获取时域信道估计值，并根据时域信道估计值构建训练样本集；采用预训练网络的权值和阈值参数作为训练阶段网络的初始参数，通过训练样本集对网络再次进行训练，获得信道预测网络模型；基于信道预测网络模型进行线上信道预测，将线上预测值转化为复数，作为最终的信道预测值。显著提高时变信道预测精度，具有较低的计算复杂度，适用于高速移动环境中时变信道信息的高效获取。
-
公开(公告)号：CN111291511B
公开(公告)日：2022-08-30
申请号：CN202010071310.8
申请日：2020-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法，充分考虑了高速移动场景下时变信道的特点，通过历史信息获取最优基函数，基于该基函数对信道进行建模，以降低信道估计的复杂度；其次采用软卡尔曼滤波和数据检测联合的方法来估计基系数，并且在每次迭代中将基于似然比信息判决的检测数据的误差作为噪声进行处理，减少数据检测误差传播影响，提高信道估计精度。本发明提供的一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法，为了更好地减少数据检测误差传播的影响，在每次迭代中将数据检测误差作为噪声进行处理。具有高估计精度和低计算复杂度的优点，适用于高速移动环境中时变信道信息的高效获取。
-
公开(公告)号：CN113285896B
公开(公告)日：2023-04-07
申请号：CN202110479200.X
申请日：2021-04-30
Applicant: 南京邮电大学
IPC: H04L25/02 , H04B17/391 , G06N3/08
Abstract: 本发明公开了基于堆栈式ELM的时变信道预测方法，包括：根据导频获取时域信道状态信息估计值；根据时域信道状态信息估计值构建线下历史信道训练样本集；将历史信道训练样本集输入到神经网络中，利用ELM方法训练，获得神经网络隐藏层输出矩阵；根据隐藏层输出矩阵获得神经网络的输出权值和输出；利用深度为J的堆栈式ELM方法训练神经网络，输出最终特征矩阵，计算隐藏层输出矩阵和初始输出权值；利用线下训练方法进行线上预测，获得样本对应的特征矩阵和隐藏层输出矩阵、最终神经网络输出权重；根据神经网络输出权重获得神经网络的预测信道状态信息。本发明包括线下训练和线上预测两部分，通过这两部分显著提高时变信道预测精度。
-
公开(公告)号：CN112822130B
公开(公告)日：2022-11-29
申请号：CN202011578137.7
申请日：2020-12-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种5G高速移动系统中基于深度学习的多普勒频偏估计方法，包括基于数据与导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建预训练样本；利用构建的预训练样本对网络进行预训练处理，获取预训练网络的权重和阀值参数；基于导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建训练样本；利用获取预训练网络的权重和阀值参数与构建的训练样本对网络进行第二次训练处理，获取最终的网络估计模型，进行线上多普勒频偏实时估计。具有较快的收敛速度和高的估计性能，具有一定的实用价值。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.027 seconds)
