-
公开(公告)号：CN114845332A
公开(公告)日：2022-08-02
申请号：CN202210480580.3
申请日：2022-05-05
Applicant: 东南大学
Abstract: 本发明公开了一种基于视觉信息融合的毫米波通信链路阻塞预测方法，利用基站端获取的无线数据和视觉数据，构建波束序列和检测目标序列，输入多模态融合神经网络模型以主动预测波束未来是否发生阻塞。本发明可以有效预测通信过程中出现的移动阻塞情况，可以使用户在发生阻塞前主动切换到另一个视距链路基站，保证通信始终处于视距链路状态，提升了毫米波通信系统的稳定性。
-
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：CN114844545A
公开(公告)日：2022-08-02
申请号：CN202210480587.5
申请日：2022-05-05
Applicant: 东南大学
Abstract: 本发明公开了一种基于sub6GHz信道以及部分毫米波导频的通信波束选择方法，通过上行sub6GHz信道和由少量激活天线发送的下行毫米波导频对用户的最佳波束进行预测。具体地说，本发明设计了一种新的双输入神经网络架构，可以融合sub‑6GHz频段信道信息和毫米波频段信道的部分信息，输出各个波束为最优波束的概率。同时，为了使模型具备快速泛化到不同基站场景的能力，采用元学习MAML算法更新模型参数，使得预训练模型具备更强大的学习能力，能够在新基站场景中通过少量样本快速收敛到理想性能。本发明提出的算法相比传统的波束扫描降低了时间开销，同时也避免了获取毫米波完整信道CSI所带来的巨大训练开销。
-
公开(公告)号：CN114710187A
公开(公告)日：2022-07-05
申请号：CN202210491259.5
申请日：2022-05-07
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , H04B7/0456 , H04B17/391
Abstract: 本发明公开了一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，包括：构建用户数目动态变化场景下的大规模MIMO网络通信环境模型，在仿真环境中产生不同数量不同位置的用户数据，计算用户的信道状态信息，得到每个用户的自身特征与其周边环境特征合并为其特征向量，作为输入提供给Transformer网络；使用传统几何规划方法得到最优功率分配作为Transformer网络的输出标签，经过训练优化神经网络的参数，使其收敛到一个稳定状态。计算基于不同功率分配算法的用户频谱效率用于评估其性能。本发明可以在较少的计算资源和成本下逼近复杂的传统算法，同时不需要针对不同的用户数目训练不同的网络。
-
Patent Agency Ranking
公开(公告)号：CN114844545B
公开(公告)日：2025-03-28
申请号：CN202210480587.5
申请日：2022-05-05
Applicant: 东南大学
IPC: H04B7/06 , G06F18/2415 , G06N3/0985 , G06N3/084 , G06N20/00
Abstract: 本发明公开了一种基于sub6GHz信道以及部分毫米波导频的通信波束选择方法，通过上行sub6GHz信道和由少量激活天线发送的下行毫米波导频对用户的最佳波束进行预测。具体地说，本发明设计了一种新的双输入神经网络架构，可以融合sub‑6GHz频段信道信息和毫米波频段信道的部分信息，输出各个波束为最优波束的概率。同时，为了使模型具备快速泛化到不同基站场景的能力，采用元学习MAML算法更新模型参数，使得预训练模型具备更强大的学习能力，能够在新基站场景中通过少量样本快速收敛到理想性能。本发明提出的算法相比传统的波束扫描降低了时间开销，同时也避免了获取毫米波完整信道CSI所带来的巨大训练开销。
-
公开(公告)号：CN114867090B
公开(公告)日：2024-04-02
申请号：CN202210486759.X
申请日：2022-05-06
Applicant: 东南大学
Abstract: 本发明公开了一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法。其中，方法包括：首先基于用户移动的超密集网络UDN网络模型，定义网络的平均能效函数，将不同时刻基站休眠带来的基站状态切换功率也考虑其中。然后生成信道数据集，其中每条样本是一段时间里随着用户移动而变化的信道信息形成的序列。进而提出一种基于LSTM神经网络的决策优化方法，其输入为信道信息序列，输出为基站休眠与功率分配策略，LSTM网络将平均能效函数的相反数作为损失函数，指导网络进行无监督训练。本发明采用无监督学习，免去传统机器学习先求最优解来生成标签的步骤，降低了训练数据集获取难度。
-
公开(公告)号：CN114710187B
公开(公告)日：2024-06-04
申请号：CN202210491259.5
申请日：2022-05-07
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , H04B7/0456 , H04B17/391
Abstract: 本发明公开了一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，包括：构建用户数目动态变化场景下的大规模MIMO网络通信环境模型，在仿真环境中产生不同数量不同位置的用户数据，计算用户的信道状态信息，得到每个用户的自身特征与其周边环境特征合并为其特征向量，作为输入提供给Transformer网络；使用传统几何规划方法得到最优功率分配作为Transformer网络的输出标签，经过训练优化神经网络的参数，使其收敛到一个稳定状态。计算基于不同功率分配算法的用户频谱效率用于评估其性能。本发明可以在较少的计算资源和成本下逼近复杂的传统算法，同时不需要针对不同的用户数目训练不同的网络。
-
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：CN114867090A
公开(公告)日：2022-08-05
申请号：CN202210486759.X
申请日：2022-05-06
Applicant: 东南大学
Abstract: 本发明公开了一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法。其中，方法包括：首先基于用户移动的超密集网络UDN网络模型，定义网络的平均能效函数，将不同时刻基站休眠带来的基站状态切换功率也考虑其中。然后生成信道数据集，其中每条样本是一段时间里随着用户移动而变化的信道信息形成的序列。进而提出一种基于LSTM神经网络的决策优化方法，其输入为信道信息序列，输出为基站休眠与功率分配策略，LSTM网络将平均能效函数的相反数作为损失函数，指导网络进行无监督训练。本发明采用无监督学习，免去传统机器学习先求最优解来生成标签的步骤，降低了训练数据集获取难度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.022 seconds)
