-
公开(公告)号：CN117879741A
公开(公告)日：2024-04-12
申请号：CN202410186750.6
申请日：2024-02-20
Applicant: 东南大学
IPC: H04B17/391 , H04B17/336 , H04W28/02 , H04B7/0413
Abstract: 本发明公开了一种低时延的网络辅助全双工模式优化方法。针对网络辅助全双工无蜂窝大规模MIMO系统中接入节点的双工模式选择问题，提出了一种可以降低服务时延溢出概率的方案。具体方案为：建立网络辅助全双工无蜂窝大规模MIMO系统模型，并推导出每个用户的时延溢出概率表达式；建立以最小化最大时延溢出概率为优化目标的优化问题；采用基于Q‑learning的智能强化学习算法求解优化问题，输出可以降低时延的最优双工模式选择向量。该方法保证了高效的资源预分配和用户低时延的服务需求，并通过智能算法使系统可以自主寻找最优解，为网络辅助全双工无蜂窝系统支撑6G通信中超高可靠超低时延问题的解决具有非常重要的意义，因此本发明具有一定的实际价值。
-
公开(公告)号：CN113938360B
公开(公告)日：2024-02-27
申请号：CN202111186420.X
申请日：2021-10-12
Applicant: 东南大学
IPC: H04L25/02 , G06F18/23213
Abstract: 本发明公开了一种基于指纹定位的分布式MIMO系统协方差矩阵估计方法，该方法针对由于环境快速变化导致的协方差矩阵随时间变化的情况，通过引入随机相移消除干扰和噪声，并利用指纹定位改变导频分配方式获得更准确的协方差矩阵估计，以解决现有技术大多未考虑协方差矩阵未知，以及协方差矩阵估计不准确、计算复杂度高的问题。本发明相对于现有技术不额外增加导频，在估计准确性高的基础上计算复杂度低，所提出的基于指纹定位的导频分配更新算法，能够进一步有效的提高协方差矩阵估计的准确性，适用于各种无线通信系统，对于研究移动场景的非理想因素具有非常重要的意义，因此本发明具有一定的实际价值。
-
公开(公告)号：CN117580164A
公开(公告)日：2024-02-20
申请号：CN202311372955.5
申请日：2023-10-23
Applicant: 东南大学
IPC: H04W72/0453 , H04W72/1263 , H04W76/15 , H04W74/08
Abstract: 本发明公开了一种面向工业自动化的URLLC多连接传输及资源分配方法，该方法包括以下步骤：S1、建立基于多连接技术的URLLC系统模型；S2、根据工业自动化应用服务质量需求，设置端到端传输的约束条件；S3、上报传输所需的信息字节长度，确定多连接数据传输的带宽优化问题；S4、执行资源分配算法计算出多连接数据传输最优的跨层资源分配方案。本发明建立了一种面向工业自动化的URLLC多连接传输及资源分配方法，以避免传统传输方式中因信道动态变化导致蜂窝链路失效的问题；并在满足端到端延迟、可靠性和最大码长条件约束下，提出了一种最优跨层资源分配方法以最小化多连接传输所需带宽，达到节省频谱资源的目标。
-
公开(公告)号：CN117098160A
公开(公告)日：2023-11-21
申请号：CN202311186524.X
申请日：2023-09-14
Applicant: 东南大学
IPC: H04W24/02 , H04B17/391 , H04B7/06 , H04B7/08 , H04W72/044
Abstract: 本发明提出了一种基于RSMA的无蜂窝毫米波系统无线资源分配方法。现有基于RSMA的无蜂窝系统均假定所有接入点提供公共信息服务，然而由于混合波束成形架构中RF链数量较少，上述设定会削弱系统性能，因此本方法提出通过优化接入点‑服务关联来提升系统谱效和能效。实现步骤为：1)建立基于RSMA的无蜂窝毫米波系统通信模型；2)建立基于RSMA的无蜂窝毫米波系统功耗模型；3)基于信道强度为每个接入点选择用户，基于选择结果设计模拟波束成形向量；4)基于最大比传输和启发式方法分别为私有信息和公共信息设计数字波束成形向量；5)联合优化功率分配和接入点‑服务关联。相较于传统RSMA方案以及SDMA方案，本发明能够在不同网络拓扑下均实现谱效和能效的提升。
-
公开(公告)号：CN116437370A
公开(公告)日：2023-07-14
申请号：CN202310413764.2
申请日：2023-04-18
Applicant: 东南大学
IPC: H04W24/02 , H04B7/0456 , H04B7/185 , G06N3/04 , G06N3/092
Abstract: 本发明公开了低空立体覆盖场景下网络辅助全双工模式优化方法，该方法针对低空立体覆盖中用户上下行数据需求不同的实际问题，设计了上行P‑MMSE接收机和下行P‑RZF预编码进行可扩展的联合传输，确定了基于香农信道理论的上行频谱效率和基于有限块长机制的下行频谱效率，并给出了基于DQN强化学习算法的RRU上下行链路选择方法。本发明提出的双工模式优化方法在满足下行短包传输的差错概率和传输功率的约束下，实现了系统频谱效率最大化。
-
Patent Agency Ranking
公开(公告)号：CN116318483A
公开(公告)日：2023-06-23
申请号：CN202310258038.8
申请日：2023-03-17
Applicant: 东南大学
IPC: H04B17/391 , H04B7/0413 , H04B7/0456
Abstract: 本发明涉及一种无蜂窝毫米波系统中基于上下界网络流的动态关联方法，该方法针对用户密集且通信环境动态变化情况下的无蜂窝毫米波大规模MIMO系统的动态关联问题，提出一种基于分阶段决策思想、利用低维度环境感知信息的动态关联技术，以解决现有技术中未有效处理用户服务需求的问题，以及动态关联算法开销大，导致现实情况下系统动态关联性能不足的问题。本发明所提出方法仅利用低维度的环境感知信息，计算复杂度不高，相对于传统方法，在渐进意义下时间复杂度没有增加，有效提升系统动态关联性能，且能以低开销适配动态的通信环境，此外，利用统计模型，对系统性能进行评价，仿真结果证明了所提出方法的优越性，具有一定的价值。
-
公开(公告)号：CN115801072A
公开(公告)日：2023-03-14
申请号：CN202211475992.4
申请日：2022-11-23
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , H04W72/0453 , H04W72/044 , H04W72/54
Abstract: 本发明涉及一种网络辅助全双工系统的模数转换器精度分配方法，属于移动通信技术领域。该方法针对基站端天线配备低精度模数转换器的上行无蜂窝系统的频谱效率、能量效率联合优化问题，在用户服务质量约束与总量化比特约束下，给出一种基于非支配遗传算法的方法来联合优化频谱效率与能量效率，解决了该非凸优化问题难以求解的问题。所提出算法能够快速求解出使系统频谱效率与能量效率最大化的低精度模数转换器量化精度选择方案，获得比等精度量化比特分配更优的性能，相比于传统凸优化方法具有更低的复杂度，且适用于其他多种全双工和半双工系统。
-
公开(公告)号：CN115052355A
公开(公告)日：2022-09-13
申请号：CN202210649515.9
申请日：2022-06-09
Applicant: 东南大学
Abstract: 本发明涉及一种海量终端URLLC下网络辅助全双工模式优化方法，该技术针对无蜂窝大规模MIMO场景下网络辅助全双工的上下行链路的资源利用效率最大化的问题，给出分布式操作的具有可扩展性的WoLF‑PHC智能算法。其中，逻辑上的可扩展性体现在每个远端天线单元(RAU)视为一个智能体，都包含一个本地处理器，可以执行与其自身相关的数据处理任务并根据其他RAU的决策去优化本地的性能指标。当在系统中加入新的RAU时，无需升级中央处理单元(CPU)的计算能力，无需在CPU处重新训练所有RAU传输过来的数据信息，这种分布式执行操作使得系统算法具有可扩展性。本发明提出的智能分布式操作算法更适合海量终端URLLC动态场景，复杂度较低，比传统的集中式Q‑learning算法具有更低的存储空间要求。
-
公开(公告)号：CN113271127B
公开(公告)日：2022-06-28
申请号：CN202110544373.5
申请日：2021-05-19
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426
Abstract: 本发明公开了一种基于最优保留遗传算法的分布式全双工大规模MIMO系统天线工作模式选择方法，包括以下步骤：将分布式全双工大规模MIMO系统下的天线模式选择问题转化为最大化系统和频谱效率的最优化问题，并采用基于最优保留的遗传算法来获取目标模式选择结果；首先初始化随机天线分配向量种群集合，并以系统和频谱效率作为适应度函数来计算种群集合中每个个体的适应度值；然后在种群迭代次数未达到所设上限时，执行进行种群进化操作；在进化过程中，利用最优保留策略来保证进化过程中出现的最好个体不会因为交叉变异等原因而发生丢失；最后，当迭代次数达到上限时，输出最优个体所代表的天线分配向量。本发明有效提高了系统性能。
-
公开(公告)号：CN109831801B
公开(公告)日：2021-09-28
申请号：CN201910006278.2
申请日：2019-01-04
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习神经网络的用户行为预测的基站缓存算法，包括如下步骤：记录一段时间基站服务用户的需求，对需求进行整理、预处理后确定神经网络的训练集U；利用深度学习中的神经网络算法，包括DNN以及RNN，对训练集数据U进行训练拟合，建立用户需求行为模型。使用用户需求行为模型，对用户下一时间的需求进行预测。使用基站缓存策略，将模型预测所得的数据预缓存在基站的缓存之中，以保证在用户需求时，可以直接从基站缓存中获取。记录用户真实的需求与预测数据对比，不断完善模型并继续步骤3‑5，使得对用户的需求行为模型不断完善，预测精准度提高。
-
-
-
-
-
-
-
-
-
Search Results
117
records
(took 0.027 seconds)
