-
公开(公告)号：CN109327918B
公开(公告)日：2021-09-28
申请号：CN201811375756.9
申请日：2018-11-19
申请人： 东南大学
IPC分类号： H04W76/10 , H04L5/00 , H04B17/309 , H04B7/0413 , H04B7/0408 , H04W76/19
摘要： 本发明公开了一种低开销的FDD大规模MIMO下行信道重建方法，包括：各用户发送上行导频至基站，且不同用户的上行导频之间相互正交；基站提取得到每个用户信道中所有传播路径的方向角和时延；基站定义一个共有若干个码字的码本，并提取出若干码字直接作为或生成下行信道训练所用的波束；基站根据得到的下行信道训练所用波束发送下行导频至各用户，各用户根据接收到下行导频估计出每条传播路径的下行增益并反馈至基站；基站根据接收的每条传播路径下行增益、每个用户上行信道中所有传播路径的方向角和时延，重建得到多用户下行信道。本发明以较小的导频和反馈开销，实现了具有较高准确度的FDD大规模MIMO下行多用户信道重建。
-
公开(公告)号：CN113381790A
公开(公告)日：2021-09-10
申请号：CN202110641006.7
申请日：2021-06-09
申请人： 东南大学
IPC分类号： H04B7/0417 , H04B7/06 , H04B7/0456 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于AI的环境知识辅助的无线信道反馈方法，包括以下步骤：(1)根据现有系统基于码本的反馈架构，量化反馈下行信道状态信息；(2)收集大量下行信道数据h以及与之对应的码本输出(3)搭建以为输入，h为输出的神经网络；(4)利用步骤(2)中收集的数据，训练步骤(3)搭建的神经网络；(5)用户先根据原有码本反馈码字的索引，基站则根据索引寻找其对应的码字，将码字输入到步骤(4)训练好的神经网络，输出高精度的下行信道本发明通过AI技术充分利用环境知识，在不改变现有基于码本的无线信道反馈架构的前提下，利用基于神经网络的Refine模块，辅助下行信道的反馈，提高信道反馈的精度。
-
公开(公告)号：CN113379040A
公开(公告)日：2021-09-10
申请号：CN202110766619.3
申请日：2021-07-07
申请人： 东南大学
摘要： 本发明公开一种基于语义编码的混合重传方法，包括：对待传输的内容训练一个主语义编解码器和多个增量冗余语义编解码器；对第一类混合重传方法：只用一个主语义编解码器替换原信源信道编解码，发送端对信源进行语义编码和CRC校验编码并发送，接收端在解码并CRC校验，若有错则丢弃码字，并通知发送端重发同样的码字；对第二类混合重传方法，接收端在发现错误后不丢弃错误码字，而通知发送端继续用一个增量冗余语义编码器对信源编码并发送，接收端每次都合并所有接收到的码字并用对应的增量冗余语义解码器完成解码并进行CRC校验。本发明相较于基于传统前向编码的混合重传方法，大幅降低了发送码长并改善了混合重传机制在长期恶劣信道环境下的译码性能。
-
公开(公告)号：CN110350958B
公开(公告)日：2021-03-16
申请号：CN201910509887.X
申请日：2019-06-13
申请人： 东南大学
IPC分类号： H04B7/0413 , H04B7/06 , H03M7/30 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于神经网络的大规模MIMO的CSI多倍率压缩反馈方法，包括：提出了CSI反馈的两个网络设计原则，并根据这些原则引入了一个新的网络架构CsiNet+，引入了两种不同的可变倍率压缩框架，即串联多倍率压缩框架SM‑CsiNet+和并联多倍率压缩框架PM‑CsiNet+。本发明可大大减少CSI反馈网络的参数，降低用户端的存储空间，提高系统的可行性，同时还可以提高重建精度，而且在不同场景下可实现压缩率的可变性。
-
公开(公告)号：CN107911153B
公开(公告)日：2021-01-19
申请号：CN201711046041.4
申请日：2017-10-31
申请人： 东南大学
IPC分类号： H04B7/0413 , H04B7/0456 , H04B7/06 , H04L5/00
摘要： 本发明公开了一种面向频分双工（FDD）系统的基于上行信道状态信息（CSI）的下行信道重建方法，基站首先利用上行探测信号估计出上行CSI，包括一条或多条传播路径的增益、方向角、以及时延，接着发送下行稀疏导频，或者利用上下行角度互易性，在所估计的一条或多条传播路径方向上发送下行导频，用户设备利用下行导频重新估计并反馈每条传播路径的增益，最后基站利用上行估计的每条传播路径的方向角和时延，以及用户设备重估并反馈的每条传播路径的增益，重建下行信道。该发明提供了FDD系统下行CSI的重建方法，尤其克服了FDD大规模多输入多输出系统下行CSI获取的难题。
-
公开(公告)号：CN110719239A
公开(公告)日：2020-01-21
申请号：CN201910933710.2
申请日：2019-09-29
申请人： 东南大学
IPC分类号： H04L25/02 , H04B7/0413
摘要： 本发明公开了一种数据模型双驱动的联合MIMO信道估计和信号检测方法，通过信道估计器和信号检测器进行信道估计和信号检测。信号检测器将信道估计结果和接收数据信号作为每层网络的输入，第t层网络结合第(t-1)层网络的输出计算得到错误方差向量；第t层网络根据输入的待训练参数、错误方差估计向量和线性估计器计算得到外信息，并根据外信息采用无散估计函数得到信号估计值，同时输出并传递至下一层网络；由第T层网络输出最后的发送符号的估计值。同时信号检测器将估计出的发送符号反馈到信道估计器中进一步提升信道估计结果。本发明可以大幅提升网络性能，实现动态更新，网络自适应，可提升接收机性能，在传统迭代接收机的基础上获得显著的性能增益。
-
公开(公告)号：CN108512795A
公开(公告)日：2018-09-07
申请号：CN201810223440.1
申请日：2018-03-19
申请人： 东南大学
CPC分类号： H04L27/2656 , H04J13/0062 , H04L25/0224 , H04L25/0256 , H04L27/2613 , H04L27/2695 , H04W52/52
摘要： 本发明提出一种基于低精度ADC的OFDM接收机基带处理方法和系统，接收信号经过下变频得到模拟基带信号后被分成两路：一路使用高采样率超低精度（1-2比特）量化，根据所得低精度样值序列，通过设计合适的参考序列以自相关法实现帧同步搜索，并设计高效迭代算法以实现对各个子载波对应的复信道增益的精确估计，进而恢复各个子载波上传输的星座符号数据；另一路使用低采样率高精度量化，通过长时时间平均，实现噪声功率估计以及自动增益控制。本发明提出的接收方法与接收机处理系统可保证在使用1-2比特的超低精度ADC的情况下，实现高可靠性的OFDM数据传输。
-
公开(公告)号：CN110299921B
公开(公告)日：2023-01-17
申请号：CN201910500984.2
申请日：2019-06-11
申请人： 东南大学
摘要： 本发明公开了一种模型驱动的Turbo码深度学习译码方法，首先将Turbo码迭代译码结构展开为一个“平铺”式的结构，并且将每一次迭代用一个DNN译码单元替代，构成用于Turbo码译码的网络TurboNet；然后构建传统Max‑Log‑MAP算法的图形结构并将其参数化，得到一个基于Max‑Log‑MAP算法的深度神经网络，将其作为TurboNet译码单元中的子网络，从而替代传统译码结构中的SISO译码器及由SISO译码器的输出获得外信息的计算；对由M个DNN单元组成的TurboNet进行训练，获得模型参数；最后对TurboNet的输出值用sigmoid函数归一化，并对归一化的结果进行硬判决，得到对真实信息序列u的估计值实现对Turbo码的译码。本发明可以提高Max‑Log‑MAP算法的误码率性能，且和纯数据驱动的模型相比，参数个数减少了2个数量级，极大地降低了时延。
-
公开(公告)号：CN113379040B
公开(公告)日：2022-11-01
申请号：CN202110766619.3
申请日：2021-07-07
申请人： 东南大学
摘要： 本发明公开一种基于语义编码的混合重传方法，包括：对待传输的内容训练一个主语义编解码器和多个增量冗余语义编解码器；对第一类混合重传方法：只用一个主语义编解码器替换原信源信道编解码，发送端对信源进行语义编码和CRC校验编码并发送，接收端在解码并CRC校验，若有错则丢弃码字，并通知发送端重发同样的码字；对第二类混合重传方法，接收端在发现错误后不丢弃错误码字，而通知发送端继续用一个增量冗余语义编码器对信源编码并发送，接收端每次都合并所有接收到的码字并用对应的增量冗余语义解码器完成解码并进行CRC校验。本发明相较于基于传统前向编码的混合重传方法，大幅降低了发送码长并改善了混合重传机制在长期恶劣信道环境下的译码性能。
-
公开(公告)号：CN111181671B
公开(公告)日：2022-01-11
申请号：CN201911372155.7
申请日：2019-12-27
申请人： 东南大学
IPC分类号： H04B17/391 , H04B7/06 , H04B7/08 , H04L5/14
摘要： 本发明公开了一种基于深度学习的下行信道快速重建方法，在频分双工模式下的大规模多输入多输出系统中，利用空间互异性可以在上行信道中估计出角度和时延这类与频率无关的参数，采用深度学习可以加速这一估计过程，辅助完成下行信道快速重建。首先将上行信道转换并画成二维彩色图像，并利用方形框对已知的上行信道图像标注图像中光斑的位置，接着利用深度学习中的一种先进的目标检测算法you only look once(YOLO)对这些样本进行训练，然后利用训练好的YOLO网络对未知上行信道图像中的光斑进行位置检测，输出紧紧包围目标光斑的方形框，以及方形框左上角和右下角的坐标，最后将输出的坐标转换为对应传播路径的信息，包括角度和时延，辅助重建下行信道。
-
-
-
-
-
-
-
-
-
搜索结果
49 条记录 (耗时 0.02 秒)
