-
公开(公告)号：CN114650608A
公开(公告)日：2022-06-21
申请号：CN202210405586.4
申请日：2022-04-18
Applicant: 南通大学
Abstract: 本发明公开了一种去蜂窝大规模MIMO的多中心处理单元协作方法，包括：去蜂窝大规模MIMO网络布设分布式接入点AP，所有接入点AP被分成若干个实际簇；导频传输阶段，所有用户向所有的接入点AP发送导频信号，中心处理单元根据接收到的导频信号获得信道估计信息和统计信息；上行链路传输阶段，针对某个用户，各个中心处理单元将各自的统计信息发往某个中心处理单元，该中心处理单元根据统计信息，基于广义瑞利熵定理为不同的中心处理单元计算权重；利用计算出的权重，该中心处理单元对各个中心处理单元接收到的数据信号进行加权合并处理，使得这些中心处理单元在同一时频资源上协同为用户服务。本发明具有系统信号处理复杂度低与所需信令开销小的优点。
-
公开(公告)号：CN113055816A
公开(公告)日：2021-06-29
申请号：CN202110304598.3
申请日：2021-03-23
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04W4/02 , H04W24/02 , H04W24/08 , H04W40/22 , H04B17/309 , H04B17/382
Abstract: 本发明涉及无线通信技术领域，特别涉及一种基于位置信息的多智能反射面辅助两跳中继无线通信方法及其系统，该系统由基站端、中继端、用户端以及多个智能反射面组成，多个智能反射面在基站端和用户端之间随机分布式布设；首先多个智能反射面分别在第一跳以及第二跳中按照平均信噪比数值大小进行降序排序，基站分别选择两跳中排序第一的智能反射面进行通信，并计算出整个系统的净遍历容量，然后基站端再选两跳中排序下一个智能反射面进行通信并计算出整个系统的净遍历容量，与上一个遍历容量数值进行比较；本发明具有低成本，低能耗以及高速率，广覆盖范围的优点，通过对多个智能反射面进行调度协助中继系统进行通信，进一步增强了中继系统性能。
-
公开(公告)号：CN117220731B
公开(公告)日：2024-10-29
申请号：CN202311310411.6
申请日：2023-10-11
Applicant: 南通大学
IPC: H04B7/0426 , H04B7/06 , H04B7/145
Abstract: 本发明公开了一种去蜂窝大规模MIMO共生通信的大尺度衰落解码方法，包括：布设分布式接入点AP，物联网设备和一个反向散射装置，所有接入点AP由一个中心处理单元所控制；物联网设备向接入点AP发送信号，同时反向散射装置也会调制这些信号来发送自己的信号；接入点AP接收到信号后，对来自物联网设备的信号进行一次解码并发送给中心处理单元。中心处理单元接收到信号后，将对其进行复制；对于信号A，根据广义瑞利熵定理，中心处理单元对来自物联网设备的信号进行大尺度衰落解码；对于信号B，中心处理单元先用解码信息进行信号消除，再对来自反向散射装置的信号进行大尺度衰落解码。本发明可以有效地降低信号中的干扰项，提高功率效率与频谱效率。
-
公开(公告)号：CN113839697A
公开(公告)日：2021-12-24
申请号：CN202111110018.3
申请日：2021-09-23
Applicant: 南通大学
IPC: H04B7/0456
Abstract: 本发明涉及一种基于深度学习的联合反馈和混合预编码设计方法，首先计算出样本信道矩阵的最优预编码矩阵。将样本信道矩阵及其最优预编码矩阵作为数据集，设计深度学习模型并训练。将训练完成的深度学习模型拆分为压缩网络和编码网络两部分，压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端。对于实时信道，接收端将信道矩阵输入压缩网络，得到压缩后的信道矩阵并反馈给发送端，发送端将压缩后的信道矩阵输入编码网络，得到实时信道的预编码矩阵。本发明利用深度学习技术，对信道状态信息进行压缩，接收端无需恢复原始信道信息即可进行预编码，既能得到较好的频谱效率，也减少了信道反馈的开销、预编码和硬件的复杂度。
-
公开(公告)号：CN117220731A
公开(公告)日：2023-12-12
申请号：CN202311310411.6
申请日：2023-10-11
Applicant: 南通大学
IPC: H04B7/0426 , H04B7/06 , H04B7/145
Abstract: 本发明公开了一种去蜂窝大规模MIMO共生通信的大尺度衰落解码方法，包括：布设分布式接入点AP，物联网设备和一个反向散射装置，所有接入点AP由一个中心处理单元所控制；物联网设备向接入点AP发送信号，同时反向散射装置也会调制这些信号来发送自己的信号；接入点AP接收到信号后，对来自物联网设备的信号进行一次解码并发送给中心处理单元。中心处理单元接收到信号后，将对其进行复制；对于信号A，根据广义瑞利熵定理，中心处理单元对来自物联网设备的信号进行大尺度衰落解码；对于信号B，中心处理单元先用解码信息进行信号消除，再对来自反向散射装置的信号进行大尺度衰落解码。本发明可以有效地降低信号中的干扰项，提高功率效率与频谱效率。
-
Patent Agency Ranking
公开(公告)号：CN113055816B
公开(公告)日：2021-11-26
申请号：CN202110304598.3
申请日：2021-03-23
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04W4/02 , H04W24/02 , H04W24/08 , H04W40/22 , H04B17/309 , H04B17/382
Abstract: 本发明涉及无线通信技术领域，特别涉及一种基于位置信息的多智能反射面辅助两跳中继无线通信方法及其系统，该系统由基站端、中继端、用户端以及多个智能反射面组成，多个智能反射面在基站端和用户端之间随机分布式布设；首先多个智能反射面分别在第一跳以及第二跳中按照平均信噪比数值大小进行降序排序，基站分别选择两跳中排序第一的智能反射面进行通信，并计算出整个系统的净遍历容量，然后基站端再选两跳中排序下一个智能反射面进行通信并计算出整个系统的净遍历容量，与上一个遍历容量数值进行比较；本发明具有低成本，低能耗以及高速率，广覆盖范围的优点，通过对多个智能反射面进行调度协助中继系统进行通信，进一步增强了中继系统性能。
-
公开(公告)号：CN113179232B
公开(公告)日：2021-10-26
申请号：CN202110436060.8
申请日：2021-04-22
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04L25/02 , H04L27/26 , H04B7/0413 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的无源智能反射表面的信道估计方法，由离线信道估计阶段和线上信道预测阶段两部分实现。离线信道估计阶段中上行链路中用户端发送导频信号，基站端控制IRS依次打开无源元件反射入射导频信号，基站端接收导频信号利用最小均方误差方法估计其相应的级联信道信息，再使用等概率均匀采样的方法从已估计的级联信道信息中选取少量的采样级联信道信息，利用少量采样级联信道信息和完全级联信道信息构建新数据集；线上信道预测阶段基站端在线估计出少量采样级联信道信息输入到已训练好的ResNet网络恢复出完全级联信道信息。本发明可灵活地选择无源元件个数和设置残差神经网络的残差单元以满足不同系统和用户服务质量的特点。
-
公开(公告)号：CN113179232A
公开(公告)日：2021-07-27
申请号：CN202110436060.8
申请日：2021-04-22
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: H04L25/02 , H04L27/26 , H04B7/0413 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的无源智能反射表面的信道估计方法，由离线信道估计阶段和线上信道预测阶段两部分实现。离线信道估计阶段中上行链路中用户端发送导频信号，基站端控制IRS依次打开无源元件反射入射导频信号，基站端接收导频信号利用最小均方误差方法估计其相应的级联信道信息，再使用等概率均匀采样的方法从已估计的级联信道信息中选取少量的采样级联信道信息，利用少量采样级联信道信息和完全级联信道信息构建新数据集；线上信道预测阶段基站端在线估计出少量采样级联信道信息输入到已训练好的ResNet网络恢复出完全级联信道信息。本发明可灵活地选择无源元件个数和设置残差神经网络的残差单元以满足不同系统和用户服务质量的特点。
-
公开(公告)号：CN114650608B
公开(公告)日：2023-04-07
申请号：CN202210405586.4
申请日：2022-04-18
Applicant: 南通大学
Abstract: 本发明公开了一种去蜂窝大规模MIMO的多中心处理单元协作方法，包括：去蜂窝大规模MIMO网络布设分布式接入点AP，所有接入点AP被分成若干个实际簇；导频传输阶段，所有用户向所有的接入点AP发送导频信号，中心处理单元根据接收到的导频信号获得信道估计信息和统计信息；上行链路传输阶段，针对某个用户，各个中心处理单元将各自的统计信息发往某个中心处理单元，该中心处理单元根据统计信息，基于广义瑞利熵定理为不同的中心处理单元计算权重；利用计算出的权重，该中心处理单元对各个中心处理单元接收到的数据信号进行加权合并处理，使得这些中心处理单元在同一时频资源上协同为用户服务。本发明具有系统信号处理复杂度低与所需信令开销小的优点。
-
公开(公告)号：CN113839697B
公开(公告)日：2022-06-28
申请号：CN202111110018.3
申请日：2021-09-23
Applicant: 南通大学
IPC: H04B7/0456
Abstract: 本发明涉及一种基于深度学习的联合反馈和混合预编码设计方法，首先计算出样本信道矩阵的最优预编码矩阵。将样本信道矩阵及其最优预编码矩阵作为数据集，设计深度学习模型并训练。将训练完成的深度学习模型拆分为压缩网络和编码网络两部分，压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端。对于实时信道，接收端将信道矩阵输入压缩网络，得到压缩后的信道矩阵并反馈给发送端，发送端将压缩后的信道矩阵输入编码网络，得到实时信道的预编码矩阵。本发明利用深度学习技术，对信道状态信息进行压缩，接收端无需恢复原始信道信息即可进行预编码，既能得到较好的频谱效率，也减少了信道反馈的开销、预编码和硬件的复杂度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.016 seconds)
