公开(公告)号：CN117278364A

公开(公告)日：2023-12-22

申请号：CN202210671212.7

申请日：2022-06-15

Applicant: 南开大学

Inventor： 吴虹 ,  陈琢 ,  耿雪 ,  赵迎新 ,  董志瑜

IPC: H04L25/02 ,  H04L27/26

Abstract: 本发明公开了一种基于多任务神经网络的OFDM系统频偏与信道联合估计算法，包括以下步骤：在接收端对导频信号进行预处理，得到联合估计神经网络的输入；构建频偏与信道联合估计多任务神经网络架构；离线阶段通过构造大量在不同信道下具有不同频偏的差异化数据，以端到端的方式对网络进行训练；在线阶段将同时包含频偏和衰落信道影响的符号输入到训练好的网络中，可以同时获取频率偏移值和信道估计值。本发明提出了基于多任务学习的频偏与信道联合估计算法，并引入注意力机制消除频偏估计误差对信道估计的影响，与传统算法相比，降低了系统计算复杂度，大幅提高了频偏估计和信道估计的精度。

公开(公告)号：CN117955776A

公开(公告)日：2024-04-30

申请号：CN202211408704.3

申请日：2022-10-27

Applicant: 南开大学

Inventor： 吴虹 ,  董志瑜 ,  陈琢 ,  刘之洋

IPC: H04L25/02

Abstract: 本发明公开了一种高速移动场景下基于块稀疏度自适应的OTFS系统信道估计算法，包括以下步骤：将接收端的接收信号转换为时延‑多普勒域中的矩阵形式Y；提取接收矩阵中用于信道估计的导频信号并转换为向量形式Yp；提取发送端时延‑多普勒域中的导频信号并根据压缩感知数学模型构建测量矩阵Φ；利用TSSABOMP算法得到稀疏信道向量hest；将信道向量hest重新恢复成矩阵形式Hest，并找出矩阵Hest[k’，l’]非零元的位置(k’est，l’est)，完成信道估计。本发明首先利用OTFS系统时延‑多普勒域信道的块稀疏特性，通过筛选内积值确定传输路径时延，在此基础上利用对数函数型的变步长方法实现稀疏度自适应的信道估计方案。与传统算法相比，大幅提高了原子选择的准确率，取得了重构精度与效率间的平衡。

公开(公告)号：CN117279082A

公开(公告)日：2023-12-22

申请号：CN202210668675.8

申请日：2022-06-15

Applicant: 南开大学

Inventor： 吴虹 ,  耿雪 ,  陈琢 ,  刘之洋 ,  董志瑜

IPC: H04W56/00 ,  H04W72/1273 ,  H04W72/23

Abstract: 本发明公开了一种基于深度学习的LTE系统下行链路定时同步方法，采用深度学习技术强大的数据处理能力，从接收主同步信号(PSS)中充分挖掘定时偏移特征，实现信号的定时同步。包括步骤：将定时偏移估计过程拟合为神经网络的回归过程，搭建用于定时同步的神经网络模型；对接收到的PSS符号进行预处理，将实部和虚部并联为二维数据，作为神经网络的输入；将PSS所在符号输入神经网络，输出对应的定时偏移值；离线阶段采用大量具有不同定时偏移的符号对网络进行训练；在线阶段通过训练好的神经网络得到新接收符号的定时偏移值，完成定时同步。本发明将定时同步建模成神经网络回归问题，仿真表明，该方法在双选信道下的性能远远优于传统的序列相关方法。

公开(公告)号：CN117278363A

公开(公告)日：2023-12-22

申请号：CN202210671211.2

申请日：2022-06-15

Applicant: 南开大学

Inventor： 吴虹 ,  陈琢 ,  耿雪 ,  赵迎新 ,  董志瑜

IPC: H04L25/02 ,  H04L27/16 ,  H04L27/26

Abstract: 本发明公开了一种快时变场景下基于深度学习的OFDM系统频偏估计算法，包括以下步骤：频偏估计网络输入数据的产生和预处理；构建以全连接网络为核心的频偏估计网络；离线阶段通过构造大量差异化的数据对频偏估计网络进行训练；在线阶段将包含频偏的符号输入到训练好的网络中，获取频率偏移值，完成频偏估计。本发明将频偏估计问题建模为神经网络的分类过程，利用神经网络提取频偏特征，完成频偏同步。与传统算法相比，大幅提高了频偏估计的精度，具有更强的鲁棒性。