-
公开(公告)号：CN115412134A
公开(公告)日：2022-11-29
申请号：CN202211051651.4
申请日：2022-08-31
申请人： 东南大学
IPC分类号： H04B7/0413 , H04B7/0426 , H04B17/336 , H04B17/391
摘要： 本发明公开了一种基于离线强化学习的以用户为中心的无蜂窝大规模MIMO功率分配方法，包括：构建以用户为中心的MIMO系统，建立无线接入点与部分用户之间的服务关系；将下行链路的功率控制系数作为优化参数提出问题并构建马尔可夫决策过程模型；建立DuelingDDQN网络并进行在线训练，存储在线训练过程中环境与网络交互产生的状态转移数据；取出在线数据集20％，并在损失函数中引入正则项对网络进行离线训练。“以用户为中心”的功率分配策略为无线接入点选择部分用户接入；本发明提出的离线算法降低了训练成本，仅需要部署在线训练数据集的20％的数据量进行训练，就可以实现在真实场景下离线、实时地调整功率控制系数。
-
公开(公告)号：CN115622639A
公开(公告)日：2023-01-17
申请号：CN202211127541.1
申请日：2022-09-16
申请人： 东南大学
IPC分类号： H04B17/11 , H04B17/21 , H04B17/391 , H04B7/0413
摘要： 本发明公开了一种基于生成树算法的6G无蜂窝大规模MIMO信道校准方法，包括如下步骤：(1)构建TDD模式下的无蜂窝大规模MIMO通信系统，并建立信道模型；(2)面向收发机中RF链路失配导致的信道非互易性问题，以最小化信道校准系统相对误差的期望值为目标，提出空口信道校准问题；(3)基于AP内部信道间的大尺度衰落先验信息，利用树图模型描述无蜂窝通信系统中AP间的拓扑校准关系；(4)基于有向树拓扑图，求解最优信道校准树，基于信道校准树计算AP的校准系数。本发明的基于信道生成树的校准算法降低了通信开销，且无需用户辅助，降低了通信校准系统实现难度。与传统算法相比，所提算法具有更高的系统校准精度。
-
公开(公告)号：CN114268348A
公开(公告)日：2022-04-01
申请号：CN202111569023.0
申请日：2021-12-21
申请人： 东南大学
摘要： 本发明公开了一种基于深度强化学习的无蜂窝大规模MIMO功率分配方法，包括：构建无蜂窝大规模MIMO系统，以AP与UE之间的功率控制系数为优化参数，提出下行链路功率分配的优化问题；将优化问题建模为一个马尔可夫决策过程，并构建可以与强化学习模型交互的无蜂窝大规模MIMO环境；建立DDQN网络拟合用于评价功率控制系数的Q函数，与无蜂窝大规模MIMO环境交互，训练Dueling DDQN网络，使得MDP问题的累积收益最大，最终得到各个AP与UE之间的功率控制系数。与传统的基于优化的算法相比，本方法通过建立环境，让强化学习模型与之交互的方式获得优解，而无需针对问题建立精确的模型。
-
公开(公告)号：CN116405077A
公开(公告)日：2023-07-07
申请号：CN202310386768.6
申请日：2023-04-12
申请人： 东南大学
摘要： 本发明公开了一种基于深度学习的大规模MIMO混合波束赋形方法，可以实现不完美信道状态信息的混合波束赋形。该方法适用于单基站多用户场景，采用SV毫米波信道模型，生成大量的完美的信道状态信息作为数据集；将完美信道状态信息采用稀疏重构的信道估计算法进行信道估计，获得不完美信道状态信息；构建神经网络模型，网络输入为不完美信道状态信息和噪声功率，网络输出为数字波束赋形矩阵和模拟波束赋形矩阵，以负的系统总下行速率作为损失函数，进行无监督的训练，对收敛的神经网络模型输入不完美信道状态信息和噪声功率进行测试，与传统的OMP算法相比，具有更低的时间复杂度和更好的性能。
-
-
-
搜索结果
4 条记录 (耗时 0.019 秒)
