-
公开(公告)号：CN118381573A
公开(公告)日：2024-07-23
申请号：CN202410469443.9
申请日：2024-04-18
Applicant: 东南大学
IPC: H04B17/309 , H04B17/391 , H04B7/06 , G06N3/0464
Abstract: 本发明公开了融合Transformer和混合卷积的大规模MIMO信道信息反馈方法，包括：(1)构造融合Transformer和混合卷积的多层编码器和解码器结构，结合Transformer模型和卷积网络的结构优势，获取信道信息不同尺度上的整体和局部特征信息，进行信道信息的压缩和恢复。(2)构造通道量化变分自编码器作为量化模型，将压缩后的信道信息转换为潜在表示，与码本中的嵌入向量相匹配，构造信道信息传输比特流。相比于先前的信道信息反馈模型，本发明提高了信道信息的反馈质量和效率，其中Transformer和混合卷积的融合减轻了信道信息压缩造成的信息损失，通道量化变分自编码器量化模型进一步降低了信道信息反馈开销，维护信道信息反馈精度。
-
公开(公告)号：CN114885340A
公开(公告)日：2022-08-09
申请号：CN202210491326.3
申请日：2022-05-07
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度迁移学习的超密集无线网络功率分配方法，包括：首先基于超密集网络UDN网络模型，定义以能效为目标的功率分配优化问题。然后分别模拟“熟悉”通信网络与“陌生”通信网络，生成各自的有监督数据集，其中每条样本是用户与基站间的信道状态信息与传统方法计算得到的最优功率分配。进而提出一种基于深度迁移神经网络模型的样本迁移方法，使用上述两个通信网络的数据，在学习信道状态信息与最优功率分配映射的同时，通过对抗训练的权重学习网络获得“熟悉”通信网络的样本权值，利用“熟悉”通信网络的数据提升该神经网络在“陌生”通信网络的预测效果。
-
公开(公告)号：CN114885340B
公开(公告)日：2024-01-23
申请号：CN202210491326.3
申请日：2022-05-07
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度迁移学习的超密集无线网络功率分配方法，包括：首先基于超密集网络UDN网络模型，定义以能效为目标的功率分配优化问题。然后分别模拟“熟悉”通信网络与“陌生”通信网络，生成各自的有监督数据集，其中每条样本是用户与基站间的信道状态信息与传统方法计算得到的最优功率分配。进而提出一种基于深度迁移神经网络模型的样本迁移方法，使用上述两个通信网络的数据，在学习信道状态信息与最优功率分配映射的同时，通过对抗训练的权重学习网络获得“熟悉”通信网络的样本权值，利用“熟悉”通信网络的数据提升该神经网络在“陌生”通信网络的预测效果。
-
公开(公告)号：CN114915322A
公开(公告)日：2022-08-16
申请号：CN202210486376.2
申请日：2022-05-06
Applicant: 东南大学
IPC: H04B7/0426 , H04B17/391 , H04W52/28 , G06F30/27 , G06N3/04
Abstract: 本发明公开了一种基于半监督学习与特征增广的多小区大规模MIMO通信的功率分配方法，包括：(1)构建多小区大规模MIMO网络通信场景仿真环境，并计算不同用户分布时所对应的最优功率分配，作为监督学习部分的标签，以用户位置作为特征并进行特征增广。(2)构建分支型DNN模型，进行有监督训练直至收敛，冻结模型参数。(3)设计无监督训练时的损失函数，同时考虑优化目标与功率约束条件两部分。解冻模型参数，继续对模型进行无监督训练至模型收敛。本发明可以逼近复杂的传统算法，半监督减少了所需样本的数量，特征复用在特征较少的情况下保证了网络的训练效果，且只需要用户的位置信息而不需要信道状态信息反馈。
-
公开(公告)号：CN113242066B
公开(公告)日：2022-07-26
申请号：CN202110505185.1
申请日：2021-05-10
Applicant: 东南大学
IPC: H04B7/0426 , H04B7/0456 , H04W72/04 , H04W72/08 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种多小区大规模MIMO通信智能功率分配方法，首先根据传统的基于模型的最优功率分配方法生成数据集，将网络内所有用户的位置信息和信道状态信息作为输入特征，最优功率分配的结果作为输出标签，从而生成一个样本。数据集的每个样本中包含的用户数目都是随机的。进而提出一种基于长短期记忆网络的seq2seq方法，用数据集进行训练，获得用户的位置信息与功率分配策略之间的映射关系。本发明利用通信网络环境特征和信道信息，挖掘用户特征、功率分配与系统性能之间的关系，设计出数据驱动的功率分配方法，并且打破了以往基于神经网络的方法只能处理固定用户数目场景的局限性，只需训练单一的网络便可以灵活适应用户数目与位置实时变化的情况。
-
Patent Agency Ranking
公开(公告)号：CN119171953A
公开(公告)日：2024-12-20
申请号：CN202411431125.X
申请日：2024-10-14
Applicant: 东南大学
IPC: H04B7/06 , H04B7/0417 , H04B7/0413 , H04L41/14 , H04L41/16 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于多尺度特征融合的大规模MIMO系统的信道信息反馈方法，包括：1、构建基于多尺度特征融合的编码器和解码器网络，将新型选择性状态空间与多头注意力模型和混合卷积相结合，通过输入选择性机制进一步增强信道状态信息(CSI)远程建模能力，提取多尺度信道特征用于CSI(解)压缩。2、构造卷积增强向量量化模型，利用降维卷积在相同反馈开销下进一步提高反馈精度。3、构造信道特征增强(CFE)模块，利用升通道卷积辅助解压缩全连接，进一步减少信道信息丢失。本发明的编解码器利用输入选择性机制、多头注意力和卷积提取多尺度CSI特征，结合卷积增强向量量化模型和CFE模块完成高精度信道信息反馈。
-
公开(公告)号：CN114913390A
公开(公告)日：2022-08-16
申请号：CN202210486378.1
申请日：2022-05-06
Applicant: 东南大学
IPC: G06V10/774 , G06K9/62 , G06N20/00
Abstract: 本发明公开了一种基于条件GAN的数据增广改善个性化联邦学习性能方法，包括以下步骤，建立个性化联邦学习pFedMe模型；建立条件GAN模型，进而将其以个性化联邦学习的方式加入到pFdeMe模型中，得到基于条件GAN的pFedMe模型；获取CIFAR10数据集，并通过上述基于条件GAN的pFedMe模型，实现数据增广；得到基于条件GAN的数据增广方法在测试集上的准确率。通过本发明可以获取条件GAN有效提升个性化联邦学习性能的方式，对于使用条件GAN对模型进行数据增广具有实际价值。
-
公开(公告)号：CN114915322B
公开(公告)日：2024-03-08
申请号：CN202210486376.2
申请日：2022-05-06
Applicant: 东南大学
IPC: H04B7/0426 , H04B17/391 , H04W52/28 , G06F30/27 , G06N3/048 , G06N3/0895
-
公开(公告)号：CN115066019A
公开(公告)日：2022-09-16
申请号：CN202210656050.X
申请日：2022-06-10
Applicant: 东南大学
Abstract: 本发明公开了一种基于梯度掩膜的智能波束选择性能提升方法，具体包含以下步骤：基站收集数据建立数据集；基站建立并初始化一个神经网络结构，以学习输入数据与最优波束索引之间的映射；每一个训练回合开始之前，利用数据集计算一个梯度掩膜；训练过程中，使用随机梯度下降算法更新神经网络的参数，每次执行更新之前，将梯度乘以事先计算的梯度掩膜，得到被遮挡的梯度，使用被遮挡的梯度代替原始梯度执行更新；重复上述两步，迭代训练直至神经网络收敛。本发明通过提出的基于梯度掩膜的正则化步骤，有效减轻神经网络训练过程中的过拟合现象，从而提高基于深度学习的波束选择方法的准确率。
-
公开(公告)号：CN115037344A
公开(公告)日：2022-09-09
申请号：CN202210663686.7
申请日：2022-06-10
Applicant: 东南大学
IPC: H04B7/06 , H04B7/08 , H04B7/0413 , G06F30/27 , G06K9/62 , G06F119/02
Abstract: 本发明公开了一种基于微调的个性化波束选择方法，具体包含以下步骤：用户收集数据建立各自本地数据集；用户上传各自的本地数据集至中央服务器，构建全局数据集；中央服务器使用全局数据离线训练全局深度学习模型，而后将全局深度学习模型发送给用户；用户冻结全局模型的权重参数，仅允许更新偏置参数。用户仅使用本地数据继续训练全局模型，以微调全局模型使之更适合本地数据，从而建立个性化的波束选择模型；预测阶段，用户使用个性化的模型预测最优波束索引。本发明解决了现有方法难以在统计特性不同的用户数据上同时表现出优秀性能的问题，提高了基于深度学习的波束选择模型在用户本地数据上的预测准确率。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.015 seconds)
