-
公开(公告)号：CN115549732B
公开(公告)日：2024-05-28
申请号：CN202211108893.2
申请日：2022-09-13
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04B7/0413 , H04B7/0456 , H04B17/373 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于人工智能的大规模MIMO混合预编码方法；首先设计基础学习器；采用传统部分连接结构的混合预编码算法构造CNN网络的数据集，构建损失函数；然后设计高级学习器；构建数据集，利用元学习MAML算法对数据集进行元训练和元微调，完成网络在全新的环境的适应；本发明利用卷积神经网络替代传统算法，降低计算复杂度，获得预编码矩阵的批量预测能力，并巧妙利用模拟预编码器的部分连接结构，减小神经网络的规模，降低预测时间开销，同时利用元学习MAML算法提高了神经网络环境普适性的能力，保证网络在全新的环境中能够快速适应。
-
公开(公告)号：CN114035858B
公开(公告)日：2024-02-20
申请号：CN202111254423.2
申请日：2021-10-27
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
Abstract: 本发明公开了一种基于深度强化学习的无小区大规模MIMO下移动边缘计算的分布式计算卸载方法，属于移动边缘计算领域，包括：设置CF‑MEC训练环境；基于CF‑MEC训练环境，使用M/M/1排队论模型生成计算任务；在每个用户设备上构建深度Q网络，利用计算任务对被分配到任务的用户设备上的深度Q网络进行训练，直至贪婪策略的概率趋近于1，训练结束得到训练后的深度Q网络；将待测数据输入训练后的深度Q网络中，使用户设备对边缘服务器进行独立计算卸载决策。该方法通过在每个用户设备上部署训练好的深度Q网络，用户可以自行根据网络中的相关信息进行卸载决策，从而尽可能降低自身运行计算密集型任务的时延，提高用户体验。
-
公开(公告)号：CN115694581A
公开(公告)日：2023-02-03
申请号：CN202211253700.2
申请日：2022-10-13
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04B7/06 , H04B7/08 , H04B7/185 , H04B17/382 , H04B17/391 , H04W16/18 , H04W16/22 , H04W84/06
Abstract: 本发明属于星地一体化网络领域，公开了一种基于智能反射面辅助的星地一体化网络用户终端接入优化方法。在星地一体化网络系统中建立系统模型；得到用户接收卫星网络和地面网络信号的表达式；建立智能反射面辅助的星地一体化网络用户终端接入优化问题；将优化问题分解为地面移动网络优化问题、卫星网络优化问题和用户接入匹配问题；分别对地面移动网络和卫星网络进行优化；判断地面网络优化参数和卫星网络优化参数是否收敛，若不收敛重新进行优化，若收敛则进行用户终端接入。用以解决在地面网络的边缘地带，用户终端选择卫星网络接入，通信速率受限于卫星的能力，无法达到很高的速率的问题。
-
公开(公告)号：CN115499871A
公开(公告)日：2022-12-20
申请号：CN202211161295.1
申请日：2022-09-23
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04W28/02 , H04W72/04 , H04W72/08 , H04B7/0413 , H04B17/336 , H04B17/382
Abstract: 本发明提出CF‑mMIMO场景下HTC和MTC共存的功率分配方法。所述方法包括初始化参数、迭代、记录功率分配方案步骤完成功率分配。通过本发明所述方法可以在最大化HTC设备的频谱效率的同时最大化MTC能量效率。本发明所述方法通过改变λ可以均衡频谱效率和能量效率之间的关系，本发明提出的功率分配方法在频谱效率和能量效率方面要优于其他的功率控制方法。
-
公开(公告)号：CN112492676B
公开(公告)日：2022-03-04
申请号：CN202011390355.8
申请日：2020-12-02
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
Abstract: MUSA下行链路的综合考虑信道容量和误码率的功率分配方法，涉及通信技术领域，是为了解决现有的NOMA系统的功率分配方法难以准确地估计出来信道增益，以及分配方法复杂的问题。本方法综合考虑信道容量以及误码率性能，有效性和可靠性都能得到保障。本方案提出的功率分配算法，只需要在MUSA系统中上行发送导频，进而较为准确地估计出来信道增益，就可以对下行的用户进行功率分配，方法简单，计算复杂度较低，易于实现。
-
Patent Agency Ranking
公开(公告)号：CN112543043A
公开(公告)日：2021-03-23
申请号：CN202011340423.X
申请日：2020-11-25
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04B7/0426 , H04B7/0456 , H04B7/06
Abstract: 一种基于非正交多址接入技术的波束空间下分布式功率分配方法，属于无线通信领域，为了解决用户终端数目经常会大于射频链路数量，从而导致用户间干扰难以抑制，并导致频谱效率明显降低的问题。本发明随机生成原始信道矩阵；根据离散透镜阵列特性，将原始信道矩阵转换到波束空间；采用最大幅值波束选择算法进行波束选择，确定出基站发射端即将使用的波束集合，并由波束集合得到发射机和接收机之间的实际信道矩阵；采用破零预编码算法，抑制不同波束间的干扰；形成用户簇，在同一个用户簇的用户间引入非正交多址接入技术；对下行链路的多个用户进行簇间和簇内分布式功率分配，得出功率分配结果。有益效果为明显提升系统频谱效率。
-
公开(公告)号：CN114268328B
公开(公告)日：2024-10-01
申请号：CN202111462642.X
申请日：2021-12-02
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H03M13/23 , G06N3/045 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种基于双向LSTM的卷积码译码方法与卷积码编码和译码方法，属于电子通信技术领域，解决传统编译码时间复杂度、空间复杂度随码长、约束度的增大呈指数上升、长码码本不好选取和编码信息容易被截取和破解，安全性低的问题。本发明的方法包括：构建双向LSTM神经网络译码器，神经网络译码器采用双向LSTM神经网络进行译码；建立接收序列数据集，根据接收序列数据集和双向LSTM神经网络构造训练码本；选取训练信噪比，训练信噪比为接收序列的信噪比；设定仿真参数，并利用训练码本和训练信噪比对双向LSTM神经网络译码器进行训练；利用训练后的双向LSTM神经网络译码器进行译码。本发明适用于端到端的卷积码编码和译码。
-
公开(公告)号：CN115499115B
公开(公告)日：2024-05-24
申请号：CN202211161301.3
申请日：2022-09-23
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04L5/00 , H04B7/0413
Abstract: 本发明提出CF‑mMIMO场景下基于正交导频的活跃用户检测方法。所述方法包括：信息采集：在进行上行导频训练阶段之前，CPU采集各个用户和AP之间的大尺度衰落信息；导频分配：CPU根据大尺度衰落信息，利用以误检率最小为目标的导频分配方案对各个用户进行初始导频分配；活跃用户检测：在上行导频训练阶段，各个活跃用户向AP发送导频信息，各个AP将其接收的信息映射到导频池中的各个导频信号上，并得到各个映射符号的能量；通过判断各个映射符号的能量是否大于能量阈值，来判断各个导频符号对应的AP附近的用户是否被激活，并将该是否被激活信息汇报给CPU。本发明提出导频方案与其他导频方案相比可以最小化用户的活跃误检测率。
-
公开(公告)号：CN115549732A
公开(公告)日：2022-12-30
申请号：CN202211108893.2
申请日：2022-09-13
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04B7/0413 , H04B7/0456 , H04B17/373 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于人工智能的大规模MIMO混合预编码方法；首先设计基础学习器；采用传统部分连接结构的混合预编码算法构造CNN网络的数据集，构建损失函数；然后设计高级学习器；构建数据集，利用元学习MAML算法对数据集进行元训练和元微调，完成网络在全新的环境的适应；本发明利用卷积神经网络替代传统算法，降低计算复杂度，获得预编码矩阵的批量预测能力，并巧妙利用模拟预编码器的部分连接结构，减小神经网络的规模，降低预测时间开销，同时利用元学习MAML算法提高了神经网络环境普适性的能力，保证网络在全新的环境中能够快速适应。
-
公开(公告)号：CN115499115A
公开(公告)日：2022-12-20
申请号：CN202211161301.3
申请日：2022-09-23
Applicant: 哈尔滨工业大学 , 北京机电工程总体设计部
IPC: H04L5/00 , H04B7/0413
Abstract: 本发明提出CF‑mMIMO场景下基于正交导频的活跃用户检测方法。所述方法包括：信息采集：在进行上行导频训练阶段之前，CPU采集各个用户和AP之间的大尺度衰落信息；导频分配：CPU根据大尺度衰落信息，利用以误检率最小为目标的导频分配方案对各个用户进行初始导频分配；活跃用户检测：在上行导频训练阶段，各个活跃用户向AP发送导频信息，各个AP将其接收的信息映射到导频池中的各个导频信号上，并得到各个映射符号的能量；通过判断各个映射符号的能量是否大于能量阈值，来判断各个导频符号对应的AP附近的用户是否被激活，并将该是否被激活信息汇报给CPU。本发明提出导频方案与其他导频方案相比可以最小化用户的活跃误检测率。
-
-
-
-
-
-
-
-
-
Search Results
190
records
(took 0.055 seconds)
