-
公开(公告)号：CN119893430A
公开(公告)日：2025-04-25
申请号：CN202510091631.7
申请日：2025-01-21
Applicant: 南京邮电大学
IPC: H04W4/02 , H04W16/28 , H04B7/0426
Abstract: 本发明公开一种基于大规模MIMO双基站系统的3D多目标定位方法及介质，属于无线通信技术领域，方法包括配置主基站与辅助基站的三维波束成形器，基于主基站空间波束聚焦方向与子载波频率的确定性关系，估计K个非合作目标相对于主基站与辅助基站的空间俯仰角；重新配置主基站与辅助基站的三维波束成形器，基于辅助基站空间波束聚焦方向与子载波频率的确定性关系，在期望的空间俯仰角上估计K个非合作目标相对于主基站与辅助基站的空间方位角；基于角度匹配算法，将K个非合作目标相对于主基站与辅助基站的俯仰角与方位角进行配对，对K个非合作目标进行定位。本发明解决了波束训练的计算复杂度高，远场多用户定位不准确的问题。
-
公开(公告)号：CN118890241A
公开(公告)日：2024-11-01
申请号：CN202410794527.X
申请日：2024-06-19
Applicant: 南京邮电大学 , 中国电子科技集团公司第五十四研究所
IPC: H04L25/02 , G06N3/0464 , G06N3/09 , G06N3/048 , G06F18/27 , G06F18/241
Abstract: 本发明公开了一种非对称全数字通信系统中基于深度学习的信道估计方法，包括：设计基于嵌套稀疏阵列拓扑结构的上行接收阵列，将稀疏阵列的接收信号恢复成完整维度的虚拟阵列信号；基于泰勒公式将获得的虚拟信号分解为在网格部分和离网格部分，设计一个两步角度估计网络(Two Step‑Angle Estimation Net,Ts‑AEnet)估计信号到达角角度；求解最小二乘问题估计信号路径增益，重建下行信道。本发明在非对称全数字通信系统中提出了基于嵌套稀疏阵列拓扑结构的上行接收阵列，较大限度地降低因天线缺失造成的信息损失，并提出了基于深度学习的Ts‑AEnet角度估计网络，在降低信道估计复杂度的同时，还保证了系统估计精度。
-
公开(公告)号：CN118233257A
公开(公告)日：2024-06-21
申请号：CN202410441371.7
申请日：2024-04-12
Applicant: 南京邮电大学
IPC: H04L25/02
Abstract: 本发明公开了一种OTFS系统中单峰多导频结构及其信道估计方法。所述结构，OTFS发送帧，包括数据符号、普通多导频符号和单峰导频符号。所述方法，包括如下步骤：设置OTFS发送帧，将OTFS发送帧分为三个部分，包括数据符号、普通多导频符号和单峰导频符号；利用接收端时延多普勒网格区域lp≤l≤lp+lmax,kp‑kmax≤k≤kp+kmax内的接收信号进行信道估计。本发明的结构，可以有效的估计分数多普勒值，且所使用的单峰导频功率比单导频发送帧方案所采用的导频功率更低，基于该导频发送帧结构设计的信道估计方法可以有效的估计出存在分数多普勒情况下的信道状态信息。
-
公开(公告)号：CN117715181A
公开(公告)日：2024-03-15
申请号：CN202311458152.1
申请日：2023-11-05
Applicant: 南京邮电大学
IPC: H04W64/00
Abstract: 本发明公开了一种应用于5G通信网络的网络化感知方法，该方法包括：步骤1：面向C‑RAN架构的5G通信网络，利用OFDM通信系统不同子载波的信号建立感知信号向量模型，提出目标的C‑RAN网络化感知问题；步骤2：针对目标的C‑RAN网络化感知问题，提出目标位置估计性能的评估准则，建立目标位置估计的克拉美‑罗界；步骤3：提出一种基于CRB信息的格点化方案，对空间多次划分格点，降低目标位置估计的复杂度；然后，以上述方案的位置估计为初始点，基于牛顿法设计出一种高精度的目标定位方案，来解决格点精度受限的问题。本发明实现了高精度的目标定位，在不额外部署硬件的情况下就能获得感知数据。
-
公开(公告)号：CN116094876B
公开(公告)日：2023-08-29
申请号：CN202310228849.3
申请日：2023-03-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于非对称架构的正交时频空系统的信道估计方法包括，基于互质阵列设计接收天线阵列元素，弥补非对称架构中阵列孔径损失，以实现更高精度的角度参数估计；基于互质阵列设计针对性的角度估计算法；在完成角度估计的基础上，实现对不同路径的时延、多普勒频移和信道增益估计，以恢复上行信道，重建下行信道；本发明可实现对基于非对称架构的正交时频空系统信道状态信息估计的同时，提升了参数估计的精度，大大降低了算法复杂度，提高了非对称架构系统的性能。
-
Patent Agency Ranking
公开(公告)号：CN115102585B
公开(公告)日：2023-07-25
申请号：CN202210564769.0
申请日：2022-05-23
Applicant: 南京邮电大学
IPC: H04B7/0413 , H04B7/06 , G01S7/02 , G01S7/35
Abstract: 本发明公开了MIMO雷达与多用户通信共存系统中的波束设计方法，包括：S1：初始化雷达波形和通信波束成形矩阵；S2：设计通信波束成形矩阵；S3：计算并验证通信和速率是否收敛；如果收敛，则进入步骤S4，如果不收敛，则返回步骤S2；S4：基于通信波束成形矩阵设计雷达波形；S5：再次计算并验证通信和速率是否收敛，如果收敛，则此时的通信波束成形矩阵和雷达波形即为全局最优解；如果不收敛，则返回步骤S2。本发明对通信波束成形矩阵和雷达波形进行循环迭代优化，有效降低MIMO雷达与多用户MIMO通信系统共存场景中MIMO雷达对通信系统的干扰，显著提高了通信和速率。
-
公开(公告)号：CN109890085B
公开(公告)日：2023-07-07
申请号：CN201910159265.9
申请日：2019-03-04
Applicant: 南京邮电大学
Abstract: 一种分优先级机器类通信随机接入退避参数确定方法，包括如下步骤：步骤S1、基站获取小区中节点的数量、种类及每种节点的数据包发送速率；步骤S2、根据节点的数量、种类及每种节点的数据包发送速率计算出最优的随机接入退避参数，并通过下行广播信道广播各节点下一时隙的退避参数；步骤S3、需要发送数据的节点侦听下行广播信道，获取本节点在随机接入时所需的退避参数，并通过退避参数随机接入；步骤S4、基站实时检测网络中节点的数量，当节点数量发生变化时循环步骤S1‑S3。该方法可以根据网络中节点的种类、数量、请求数据包到达速率等信息计算最优的随机接入退避参数，从而满足不同节点的优先级要求，实现接入吞吐量的最大化。
-
公开(公告)号：CN116346174A
公开(公告)日：2023-06-27
申请号：CN202310300448.4
申请日：2023-03-24
Applicant: 南京邮电大学
IPC: H04B7/0413 , H04B7/06 , H04B7/08 , H04L1/00
Abstract: 本发明公开了基于统计CSI的RIS‑MIMO通感一体化波束及相移设计方法及装置，包括：基于实际工况建立RIS‑MIMO通感一体化系统模型，并初始化发送波束和相移矩阵以及等效信道参数；根据初始化数据基于统计信道状态信息CSI分别设计发送波束和相移矩阵，得到RIS‑MIMO通感一体化系统的通信速率最大值；通信速率最大值是基于判断等效信道参数是否收敛，若收敛，则获得最优发送波束和相移矩阵，否则继续设计，直至RIS‑MIMO通感一体化系统通信速率最大化。本发明基于统计CSI推导出最优的发送波束和局部最优的相移矩阵，在不需要获取准确的瞬时CSI前提下实现RIS‑MIMO通感一体化，降低了系统的开销和实现复杂度，具有更强的实用性。
-
公开(公告)号：CN114531185B
公开(公告)日：2023-06-16
申请号：CN202210130374.X
申请日：2022-02-11
Applicant: 南京邮电大学
IPC: H04B7/0456 , H04B7/0452 , H04B7/06 , H04B7/08
Abstract: 一种基于符号级信息的收发机联合设计方法，针对多用户MIMO系统，建立信道模型和信号模型；基于该模型，推导发射预编码和接收波束成型SLP‑RBF与接收端误符号率SEP之间的关系，并利用所得关系，建立发射功率约束下以接收端用户最大SEP最小化为目标的优化问题，以进行发端SLP和收端RBF设计；将对上述问题进行等价转化；然后利用log‑sum‑exp函数对目标中的无穷范数进行近似；将问题转化为适用于梯度投影算法的形式；通过加速梯度投影APG算法进行求解，得到最优设计方案。本方法约束量少，使用更简便设计方案；每个用户可以接收多个数据流，通信系统的效率更高；基于APG的解决方案效率高。
-
公开(公告)号：CN109874154B
公开(公告)日：2023-05-23
申请号：CN201910063831.6
申请日：2019-01-23
Applicant: 南京邮电大学
IPC: H04W28/16 , G06N3/092 , G06N3/0464 , H04W28/14
Abstract: 一种基于深度强化学习的C‑RAN用户关联和计算资源分配方法，包括如下步骤：1）建立深度强化学习神经网络，将其信干燥比（SINR）状态、基带单元（BBU）池中计算资源状态和远端射频头（RRH）缓存状态，组合成系统状态作为该神经网络的输入。2）根据输入的系统状态对神经网络进行训练，得到神经网络输出，即系统动作。3）C‑RAN按照系统动作进行用户关联和BBU池中计算资源分配，并根据奖赏函数和状态转移矩阵得到该系统动作下的奖赏值和下一时刻系统状态。4）将奖赏值和下一系统状态输入到神经网络中，重复以上步骤，直到奖赏值趋于稳定，从而完成训练过程，根据最后的系统动作进行用户关联和BBU池中计算资源分配。本发明可极大地降低服务时延，提高服务质量，使得实时服务成为可能。
-
-
-
-
-
-
-
-
-
Search Results
189
records
(took 0.031 seconds)
