-
公开(公告)号:CN118354343A
公开(公告)日:2024-07-16
申请号:CN202410269417.1
申请日:2024-03-11
Applicant: 南京邮电大学
Abstract: 本发明公开了基于知识图谱驱动的非正交多址接入语义通信系统的方法,属于通信技术领域,步骤如下:将三元组视作语义符号对文本进行语义符号抽取,并将不符合规则的三元组进行替换,生成三元组集,将三元组集构建知识图谱,用于驱动语义通信系统;对三元组集进行转码,将文本形式的信息转换为结构化的数据,生成对应词典,用于后续三元组与信号流的相互转换;设计上行非正交多址接入语义通信系统,基于Transformer结构设计发射器和接收器,用于三元组传输,在基站端实现信号重构,同时执行串行干扰消除,在接收端联合更新接收机网络参数,训练网络模型,恢复出目的三元组;基于知识图谱训练T5模型,采用训练集对T5进行微调,实现目的文本的精准生成。
-
公开(公告)号:CN118282458A
公开(公告)日:2024-07-02
申请号:CN202410384122.9
申请日:2024-04-01
Applicant: 南京邮电大学
IPC: H04B7/06 , H04B5/40 , H04W72/044
Abstract: 本发明公开了一种近场NOMA系统的波束训练与功率分配方法、系统,该方法包括对近场NOMA系统进行用户位置信息获取和码本设计;构建基于DRL的资源分配网络,根据用户位置信息生成当前时隙的波束训练策略与功率分配策略,并获得对应的奖励;利用经验元组对基于DRL的资源分配网络进行训练,获得训练完成的基于DRL的资源分配网络;将当前时隙用户的位置信息输入到训练完成的基于DRL的资源分配网络中,通过最大化近场NOMA系统得到的奖励,动态调整波束训练策略与功率分配策略,获得该系统最大和速率对应的策略,完成波束训练与功率分配。本发明提高了整个通信系统的传输速率,进而满足了未来移动近场通信系统对通信质量的要求。
-
公开(公告)号:CN114124168B
公开(公告)日:2023-05-26
申请号:CN202111282370.5
申请日:2021-11-01
Applicant: 南京邮电大学
IPC: H04B7/0413 , H04B17/309 , H04B17/391 , G06F18/24 , G06F18/10 , G06F18/2415 , G06F18/214 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F17/16
Abstract: 本发明公开了一种基于深度学习的MIMO‑NOMA系统信号检测方法及系统,属于无线通信技术领域,包括:获取含噪用户信号,基于预先构建的MIMO‑NOMA系统无线通信模型将用户发送的含噪用户信号转换为基站接收的接收信号;通过预先构造的MIMO‑NOMA系统信号检测模型用深度神经网络实现迭代步骤,使用接收信号和信道矩阵QL分解后得到的下三角矩阵作为深度神经网络的输入,在深度神经网络的输出层外接一个Softmax层,在Softmax层中进行软判决输出软信息,通过软信息采样得到含噪用户信号的符号取值,使用串行干扰消除算法消除噪声,得到干净接收信号的符号取值;将干净接收信号恢复为干净用户信号,从而得到干净用户信号的符号取值;提高了检测的准确性,误码率降低。
-
公开(公告)号:CN110299937B
公开(公告)日:2023-05-23
申请号:CN201910669194.7
申请日:2019-07-24
Applicant: 南京邮电大学
IPC: H04B7/06 , H04B7/0413
Abstract: 本发明公开了一种上行MIMO‑NOMA无线通信系统波束成形方法,该方法适用于多小区多用户MIMO‑NOMA无线通信系统上行波束成形,该方法包括以下几个步骤:对于最大化系统总速率问题应用拉格朗日对偶转换和二次转换得到拉格朗日辅助因子以及二次转换辅助向量的表达式;对于转换后的凸优化问题,应用拉格朗日乘子法,得到波束成形向量的表达式;以最大系统总速率为目标,应用迭代运算得到每个用户的波束成形向量。与传统的上行功率分配方法相比,本方法能够得到较好的系统总速率,且应用NOMA的系统性能优于应用正交多址接入系统的性能。
-
公开(公告)号:CN115866611A
公开(公告)日:2023-03-28
申请号:CN202211481575.0
申请日:2022-11-24
Applicant: 南京邮电大学
Abstract: 本发明属于无线通信领域,具体的说,是一种RIS增强型上行OFDMA系统协作传输方法,具体包括:定义上行OFDMA系统的关键参数;设计了一种多智能体深度强化学习算法来解决此优化问题;以不同的方案改变当前环境,并提出了一种双向迁移学习框架,通过利用不同环境下共有的配置来增强神经网络在不同环境中的适应能力,从而使得智能体更高效地动态调整资源分配及RIS控制策略,以最大化所有用户的和速率。本发明可以有效提升系统性能,加快神经网络在不同环境下的收敛速度,使智能体更快更有效的适应不同的环境。
-
公开(公告)号:CN113922849B
公开(公告)日:2022-07-08
申请号:CN202111267829.4
申请日:2021-10-28
Applicant: 南京邮电大学
IPC: H04B7/0417 , H04B7/06 , H04B7/0452
Abstract: 本发明公开了一种基于消息传递的毫米波MIMO‑NOMA系统下用户分组和功率分配方法,该方法包括步骤:(1)基站获取用户的下行信道信息,进行模拟预编码。(2)以最大化系统的加权和速率的目标,提出了一种基于最小求和消息传递策略的用户分组算法,得到用户与射频链的匹配结果。(3)利用迫零数字预编码来抑制组间干扰,并且采用了一种低复杂度的功率分配方法,使系统的加权和速率最大化。本发明可以有效地提升系统频谱效率,充分地利用了系统硬件资源,可用于多用户数据传输。
-
公开(公告)号:CN114614920A
公开(公告)日:2022-06-10
申请号:CN202210245167.9
申请日:2022-03-10
Applicant: 南京邮电大学
IPC: H04B17/29 , H04B17/391 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于学习因子图的数据与模型联合驱动的信号检测方法,通过收集通信的发送数据X与接收数据Y;搭建CNN‑BiLSTM网络作为分类神经网络;使用基于Akaike信息准则的混合高斯模型去拟合信道接收数据Y的分布,得到边缘概率密度;模式识别网络重构训练集,对CNN‑BiLSTM网络进行线下训练,得到条件概率密度;计算得到通过因子图的消息传递算法实现信号检测所需要的因子节点;根据有限记忆信道的记忆长度与学习到的因子节点在学习因子图上进行前向后向的消息传递算法,实现最大后验概率准则下的信号检测;该方法能够在不需要信道知识的无信道模型中实现接近最优的信号检测性能,具有更准确的检测结果,且对不确定性训练的具有优秀的鲁棒性。
-
公开(公告)号:CN114531685A
公开(公告)日:2022-05-24
申请号:CN202210162552.7
申请日:2022-02-22
Applicant: 南京邮电大学
Abstract: 本发明是一种基于迁移强化学习的资源分配方法,该资源分配方法适用于上行多小区的混合多址接入场景,包括:步骤1:搭建用于资源分配的深度强化学习网络;步骤2:进行MA‑DRL与环境的交互,每一轮交互中;步骤3:进行MA‑DRL的训练过程,训练将依据步骤2中交互得到的经验块进行,将每次与环境交互得到的经验块都存入记忆库中,并施加价值标签,抽取记忆块时选取价值标签更大的经验块;步骤4:在资源分配网络的基础上,提出一种基于MA‑DRL的迁移学习方案。本发明提出的资源分配方法以最大化所有用户总速率为目标,可以有效地提升用户总速率,并且和迁移学习结合后可以达到更快的收敛速度。
-
公开(公告)号:CN113922849A
公开(公告)日:2022-01-11
申请号:CN202111267829.4
申请日:2021-10-28
Applicant: 南京邮电大学
IPC: H04B7/0417 , H04B7/06 , H04B7/0452
Abstract: 本发明公开了一种基于消息传递的毫米波MIMO‑NOMA系统下用户分组和功率分配方法,该方法包括步骤:(1)基站获取用户的下行信道信息,进行模拟预编码。(2)以最大化系统的加权和速率的目标,提出了一种基于最小求和消息传递策略的用户分组算法,得到用户与射频链的匹配结果。(3)利用迫零数字预编码来抑制组间干扰,并且采用了一种低复杂度的功率分配方法,使系统的加权和速率最大化。本发明可以有效地提升系统频谱效率,充分地利用了系统硬件资源,可用于多用户数据传输。
-
公开(公告)号:CN109348531B
公开(公告)日:2021-05-11
申请号:CN201811382619.8
申请日:2018-11-20
Applicant: 南京邮电大学 , 南京泰通科技股份有限公司
Abstract: 本发明提出了一种基于缓存的高铁通信上行链路能效优化的功率分配方法,包括以下步骤:功率分配策略;设置拉格朗日乘子范围及能效迭代初值;确定可达信道容量值;计算缓存数据量;计算平均发射功率和平均信道容量;能效优化;最优化判决。本发明的优点是能够根据列车与基站之间实时变化的无线传输速率与列车上接入点处恒定的数据到达率之间的关系动态分配功率,即在满足缓存区和最大发送功率的要求下最大化系统容量,进而提高整个系统的能效。
-
-
-
-
-
-
-
-
-