-
公开(公告)号：CN110932734B
公开(公告)日：2021-06-08
申请号：CN201911110905.3
申请日：2019-11-14
申请人： 浙江大学
摘要： 本发明提供了一种基于交替方向乘子法的深度学习信道译码方法，主要面向二进制线性码。该方法包括如下步骤：1)基于信道译码构建最大似然优化问题；2)通过转化约束条件以及引入惩罚项，将信道译码最大似然优化问题转化为带惩罚项的译码优化问题；3)引入交替方向乘子法解该带惩罚项的译码优化问题，得到交替方向乘子法信道译码器；4)根据交替方向乘子法的迭代形式构造深度学习网络LADN，预置的系数转化为学习参数；5)通过训练获得学习参数；6)将深度学习网络重新恢复成迭代的交替方向乘子信道译码器，加载学习参数，进行译码。本发明借助深度学习的力量，学习交替方向乘子法信道译码器中的最佳参数，进一步提升译码性能。
-
公开(公告)号：CN110995277A
公开(公告)日：2020-04-10
申请号：CN201911238262.0
申请日：2019-12-06
申请人： 浙江大学
摘要： 本发明提供了一种多层神经网络辅助的罚对偶分解信道译码方法，主要面向二进制线性码。该方法包括如下步骤：(1)基于信道译码构建最大似然优化问题；(2)通过将基本多面体的概念引入约束，将信道译码最大似然优化问题转化为基于奇偶校验多面体的译码优化问题；(3)引入解罚对偶分解法求解该译码优化问题，得到罚对偶分解信道译码器；(4)设计基于多层神经网络的校验多面体映射，通过训练获得学习参数，将基于多层神经网络的校验多面体映射引入罚对偶分解信道译码器，得到多层神经网络辅助的罚对偶分解信道译码器。本发明借助机器学习的力量进一步提升译码性能并且降低了译码延迟。
-
公开(公告)号：CN110365612A
公开(公告)日：2019-10-22
申请号：CN201910521234.3
申请日：2019-06-17
申请人： 浙江大学
IPC分类号： H04L25/02 , H04B7/0413 , G06N3/04 , G06N3/08
摘要： 本发明提供了一种基于近似消息传递算法的深度学习波束域信道估计方法，主要运用于基于透镜天线的毫米波大规模MIMO系统中。本方法包括如下步骤：(1)构建深度网络结构，该深度网络主要由两部分构成，其一是基于近似消息传递算法的模型驱动深度网络LAMP，其二是基于残差学习的数据驱动深度网络ResNet；(2)根据透镜天线的几何结构对波束域信道进行建模，根据系统模型生成训练数据；(3)运用具有不同信噪比的训练数据对网络进行线下训练；(4)固定优化后的网络参数，根据射频链端的接收信号，利用训练好的网络进行实时的波束域信道估计；本发明能够有效地提高波束域信道估计的精度，同时拥有和传统信道估计算法相似的计算复杂度。
-
公开(公告)号：CN110336594A
公开(公告)日：2019-10-15
申请号：CN201910521220.1
申请日：2019-06-17
申请人： 浙江大学
IPC分类号： H04B7/0413 , H04B17/336 , H04B17/391 , G06N3/08
摘要： 本发明提供了一种基于共轭梯度下降法的深度学习信号检测方法，主要面向大规模MIMO系统。该方法包括如下步骤：(1)基于共轭梯度下降法构造了模型驱动的深度学习网络LcgNet，将每次迭代的步进标量转化成需要学习的网络参数，并提升了该参数的维度；(2)对信道环境建模，根据MIMO系统模型生成大量具有不同信噪比的训练数据；(3)运用大量训练数据对网络进行线下训练；(4)根据接收信号以及假设完美已知的信道状态信息进行在线实时的信号检测。本发明借助深度学习的力量，能够提升信号检测的精度，并且进一步降低了计算复杂度。此外，该深度学习网络由于所需优化参数数量有限，易于训练，在训练阶段对时间和硬件的要求较低。
-
公开(公告)号：CN111049531B
公开(公告)日：2021-06-01
申请号：CN201911110926.5
申请日：2019-11-14
申请人： 浙江大学
摘要： 本发明提供了一种基于分段线性惩罚函数的交替方向乘子法的深度学习信道译码方法，主要面向二进制线性码。该方法包括如下步骤：1)基于信道译码构建最大似然优化问题；2)转化约束条件，设计一个可调节的惩罚函数并将其引入目标函数，将信道译码最大似然优化问题转化为带分段线性惩罚函数的译码优化问题；3)引入交替方向乘子法解上述优化问题，得到交替方向乘子法信道译码器；4)根据交替方向乘子法的迭代形式构造深度学习网络LADN‑P；5)通过训练获得学习参数；6)将深度学习网络重新恢复成信道译码器，加载学习参数，进行译码。本发明设计了可调节的分段线性惩罚函数，借助深度学习的力量，进一步提升译码性能。
-
公开(公告)号：CN111049531A
公开(公告)日：2020-04-21
申请号：CN201911110926.5
申请日：2019-11-14
申请人： 浙江大学
摘要： 本发明提供了一种基于分段线性惩罚函数的交替方向乘子法的深度学习信道译码方法，主要面向二进制线性码。该方法包括如下步骤：1)基于信道译码构建最大似然优化问题；2)转化约束条件，设计一个可调节的惩罚函数并将其引入目标函数，将信道译码最大似然优化问题转化为带分段线性惩罚函数的译码优化问题；3)引入交替方向乘子法解上述优化问题，得到交替方向乘子法信道译码器；4)根据交替方向乘子法的迭代形式构造深度学习网络LADN-P；5)通过训练获得学习参数；6)将深度学习网络重新恢复成信道译码器，加载学习参数，进行译码。本发明设计了可调节的分段线性惩罚函数，借助深度学习的力量，进一步提升译码性能。
-
公开(公告)号：CN110378467A
公开(公告)日：2019-10-25
申请号：CN201910521633.X
申请日：2019-06-17
申请人： 浙江大学
摘要： 本发明提供了一种针对深度学习网络参数的量化方法。本方法包括如下步骤：(1)构建深度学习网络，产生训练数据；(2)利用大量训练数据对所构建的深度学习网络进行训练，确定网络参数；(3)提取出学习参数，确定超参数；(4)设计量化器，由超参数确定所设计软阶梯函数的具体表达式，并引入可学习参数，使之形状可调整；(5)将该带有学习参数的软阶梯函数引入深度学习网络，量化学习参数，通过相同的训练数据学习量化器参数，训练过程采用退火策略；(6)固定训练后的量化器参数，运用量化器对深度学习网络参数进行量化。本发明能够有效降低量化所引起的性能损失，大大降低了深度网络所需的存储开销。
-
公开(公告)号：CN110995277B
公开(公告)日：2021-06-01
申请号：CN201911238262.0
申请日：2019-12-06
申请人： 浙江大学
摘要： 本发明提供了一种多层神经网络辅助的罚对偶分解信道译码方法，主要面向二进制线性码。该方法包括如下步骤：(1)基于信道译码构建最大似然优化问题；(2)通过将基本多面体的概念引入约束，将信道译码最大似然优化问题转化为基于奇偶校验多面体的译码优化问题；(3)引入解罚对偶分解法求解该译码优化问题，得到罚对偶分解信道译码器；(4)设计基于多层神经网络的校验多面体映射，通过训练获得学习参数，将基于多层神经网络的校验多面体映射引入罚对偶分解信道译码器，得到多层神经网络辅助的罚对偶分解信道译码器。本发明借助机器学习的力量进一步提升译码性能并且降低了译码延迟。
-
公开(公告)号：CN110336594B
公开(公告)日：2020-11-24
申请号：CN201910521220.1
申请日：2019-06-17
申请人： 浙江大学
IPC分类号： H04B7/0413 , H04B17/336 , H04B17/391 , G06N3/08
摘要： 本发明提供了一种基于共轭梯度下降法的深度学习信号检测方法，主要面向大规模MIMO系统。该方法包括如下步骤：(1)基于共轭梯度下降法构造了模型驱动的深度学习网络LcgNet，将每次迭代的步进标量转化成需要学习的网络参数，并提升了该参数的维度；(2)对信道环境建模，根据MIMO系统模型生成大量具有不同信噪比的训练数据；(3)运用大量训练数据对网络进行线下训练；(4)根据接收信号以及假设完美已知的信道状态信息进行在线实时的信号检测。本发明借助深度学习的力量，能够提升信号检测的精度，并且进一步降低了计算复杂度。此外，该深度学习网络由于所需优化参数数量有限，易于训练，在训练阶段对时间和硬件的要求较低。
-
公开(公告)号：CN110365612B
公开(公告)日：2020-08-14
申请号：CN201910521234.3
申请日：2019-06-17
申请人： 浙江大学
IPC分类号： H04L25/02 , H04B7/0413 , G06N3/04 , G06N3/08
摘要： 本发明提供了一种基于近似消息传递算法的深度学习波束域信道估计方法，主要运用于基于透镜天线的毫米波大规模MIMO系统中。本方法包括如下步骤：(1)构建深度网络结构，该深度网络主要由两部分构成，其一是基于近似消息传递算法的模型驱动深度网络LAMP，其二是基于残差学习的数据驱动深度网络ResNet；(2)根据透镜天线的几何结构对波束域信道进行建模，根据系统模型生成训练数据；(3)运用具有不同信噪比的训练数据对网络进行线下训练；(4)固定优化后的网络参数，根据射频链端的接收信号，利用训练好的网络进行实时的波束域信道估计；本发明能够有效地提高波束域信道估计的精度，同时拥有和传统信道估计算法相似的计算复杂度。
-
-
-
-
-
-
-
-
-
搜索结果
14 条记录 (耗时 0.017 秒)
