-
公开(公告)号：CN110474716A
公开(公告)日：2019-11-19
申请号：CN201910746945.0
申请日：2019-08-14
Applicant: 安徽大学
Abstract: 本发明涉及一种基于降噪自编码器的SCMA编解码器模型的建立方法，包括：建立基于降噪自编码器与全连接神经网络的SCMA编码器，将用户的原始输入数据映射为码字；将每个资源块上的所有用户的码字叠加传输，再将每个资源块上的信号叠加信道噪声；在接收端建立基于全连接神经网络的SCMA解码器，解码出所有用户的原始输入数据；训练基于降噪自编码器的SCMA编解码器模型；测试上述基于降噪自编码器的SCMA编解码器模型的BER性能。相比较于传统的SCMA系统，本发明降低了编解码复杂度；相比较于现有的基于深度学习的SCMA系统模型，本发明进一步降低了误码率；相比较于现有的基于深度学习的SCMA系统模型，本发明具有更快的训练收敛速度。
-
Patent Agency Ranking
公开(公告)号：CN111565061A
公开(公告)日：2020-08-21
申请号：CN202010466449.2
申请日：2020-05-28
Applicant: 安徽大学
IPC: H04B7/0452 , H04B7/0456 , H04B17/391 , H04L27/26
Abstract: 本发明涉及一种基于深度神经网络的MIMO-SCMA下行链路通信方法，与现有技术相比解决了SCMA与MIMO技术难以有效结合的缺陷。本发明包括以下步骤：MIMO-SCMA下行链路系统的设计；MIMO-SCMA基站端进行数据发送；下行链路接收端进行数据接收并进行解码。本发明将深度神经网络合理地应用于MIMO-SCMA下行链路信号传输与检测,提出了基于深度神经网络的MIMO-SCMA下行链路系统设计方法。
-
公开(公告)号：CN109327850B
公开(公告)日：2021-06-25
申请号：CN201811362813.X
申请日：2018-11-16
Applicant: 安徽大学
IPC: H04W24/06 , H04B17/382 , H04B17/391
Abstract: 本发明涉及基于梯度追踪和多步拟牛顿法技术的非正交多址接入系统多用户检测方法，与现有技术相比解决了多用户检测计算量大、效率低、精度差的缺陷。本发明包括以下步骤：上行链路基站的预处理，基站接收用户设备发送的信号，获取等价信道系数，进行迭代检测初始化；活跃用户设备的检测，迭代检测出一帧信号内连续T个时隙均发送信号的活跃用户设备与设备的发送信号。本发明将梯度追踪思想引入基站端的多用户检测，避免了用户设备发送信号估计时的正交投影计算，通过采用多步拟牛顿法计算多步梯度信息逼近目标函数的海森矩阵，一方面引入二阶收敛性，提高了多用户检测的精度；另一方面加快了收敛速度，降低多用户检测的计算量。
-
公开(公告)号：CN109327850A
公开(公告)日：2019-02-12
申请号：CN201811362813.X
申请日：2018-11-16
Applicant: 安徽大学
IPC: H04W24/06 , H04B17/382 , H04B17/391
Abstract: 本发明涉及基于梯度追踪和多步拟牛顿法技术的非正交多址接入系统多用户检测方法，与现有技术相比解决了多用户检测计算量大、效率低、精度差的缺陷。本发明包括以下步骤：上行链路基站的预处理，基站接收用户设备发送的信号，获取等价信道系数，进行迭代检测初始化；活跃用户设备的检测，迭代检测出一帧信号内连续T个时隙均发送信号的活跃用户设备与设备的发送信号。本发明将梯度追踪思想引入基站端的多用户检测，避免了用户设备发送信号估计时的正交投影计算，通过采用多步拟牛顿法计算多步梯度信息逼近目标函数的海森矩阵，一方面引入二阶收敛性，提高了多用户检测的精度；另一方面加快了收敛速度，降低多用户检测的计算量。
-
公开(公告)号：CN111565061B
公开(公告)日：2021-04-02
申请号：CN202010466449.2
申请日：2020-05-28
Applicant: 安徽大学
IPC: H04L27/26
Abstract: 本发明涉及一种基于深度神经网络的MIMO‑SCMA下行链路通信方法，与现有技术相比解决了SCMA与MIMO技术难以有效结合的缺陷。本发明包括以下步骤：MIMO‑SCMA下行链路系统的设计；MIMO‑SCMA基站端进行数据发送；下行链路接收端进行数据接收并进行解码。本发明将深度神经网络合理地应用于MIMO‑SCMA下行链路信号传输与检测,提出了基于深度神经网络的MIMO‑SCMA下行链路系统设计方法。
-
公开(公告)号：CN110474716B
公开(公告)日：2021-09-14
申请号：CN201910746945.0
申请日：2019-08-14
Applicant: 安徽大学
Abstract: 本发明涉及一种基于降噪自编码器的SCMA编解码器模型的建立方法，包括：建立基于降噪自编码器与全连接神经网络的SCMA编码器，将用户的原始输入数据映射为码字；将每个资源块上的所有用户的码字叠加传输，再将每个资源块上的信号叠加信道噪声；在接收端建立基于全连接神经网络的SCMA解码器，解码出所有用户的原始输入数据；训练基于降噪自编码器的SCMA编解码器模型；测试上述基于降噪自编码器的SCMA编解码器模型的BER性能。相比较于传统的SCMA系统，本发明降低了编解码复杂度；相比较于现有的基于深度学习的SCMA系统模型，本发明进一步降低了误码率；相比较于现有的基于深度学习的SCMA系统模型，本发明具有更快的训练收敛速度。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
