CN108566255A - 基于多任务学习的时间相关mimo***信道预测方法 - Google Patents

基于多任务学习的时间相关mimo***信道预测方法 Download PDF

Info

Publication number
CN108566255A
CN108566255A CN201810228902.9A CN201810228902A CN108566255A CN 108566255 A CN108566255 A CN 108566255A CN 201810228902 A CN201810228902 A CN 201810228902A CN 108566255 A CN108566255 A CN 108566255A
Authority
CN
China
Prior art keywords
data
state information
channel state
mimo system
indicate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810228902.9A
Other languages
English (en)
Inventor
孙德春
李婧
刘祖军
李玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201810228902.9A priority Critical patent/CN108566255A/zh
Publication of CN108566255A publication Critical patent/CN108566255A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于多任务学习的时间相关MIMO***信道预测方法，主要解决MIMO***中信道由于时变特性导致的信道状态信息与信道不匹配的问题。其实现方案是：1)通过对信道测量得到时间相关的MIMO信道状态信息历史观测值；2)将不同发送接收天线对上的信道状态信息看作是不同的任务，同时输入多任务学习算法中进行共同学习，利用多天线之间的内在联系，获得更加充分的特征空间，得到多任务学习算法参数；3)将测试的信道状态信息数据和多任务学习算法参数共同输入到多任务学习算法中进行信道预测，得到预测的信道状态信息。本发明简单易行，效果良好，计算量小，可用于时间相关的MIMO***中。

Description

基于多任务学习的时间相关MIMO***信道预测方法
技术领域
本发明属于通信技术领域，特别涉及一种信道预测方法，可用于时间相关的MIMO***中。
背景技术
在无线通信中，反射，绕射和散射普遍存在于各种环境中，不可避免的存在多径传播现象；发射端和接收端的相对移动又不可避免的产生多普勒扩展，使无线信道呈现频率选择性和时变特性。频率选择性和时变特性导致的衰落被视为两种不同的失真。前者取决于多径扩展，由相干带宽表征；后者取决于信道的时间变化，由相干时间进行表征。为了降低***误码率，通常利用估计得到的信道状态信息均衡接收到的信号。但是对于快变信道，传统的基于判决反馈的信道估计得到的信道状态信息是过时的信息。
为解决由于信道时变特性导致的信道状态信息过时的问题，近年来在MIMO***中使用信道预测技术得到广泛的关注。基站端利用以往时刻的信道状态信息估计得到的上行链路信道状态信息来预测当前时刻或之后更长时间内下行链路信道状态信息，以期利用预测得到的信道状态信息进行自适应处理，进一步提高***性能。
目前，时变衰落信道预测的研究主要集中在线性预测算法中，如线性动态AR模型等。但由于时变衰落信道具有非常复杂的非线性特性，非线性预测算法的引入也越来越受到研究者的关注，其中支持向量机和神经网络就是目前广泛应用的两种非线性算法。
支持向量机，是由Vapnik与其领导的贝尔实验室的研究小组一起开发出来的，它是基于结构风险最小化准则的一种新的机器学***面，较好地解决了学习方法的小样本、非线性、高维数、局部极小点等实际问题，并具有很强的泛化能力。但是，支持向量机的预测精度过于依赖其参数的选择,其取值主要依据经验与试运算,没有统一的规则，由于支持向量机模型结构难以确定，易出现过度训练或训练不足等情况，容易陷入局部最小且对连接权值都比较敏感，并且过度依赖设计技巧，训练大规模样本时复杂度较高，且在求解最优化问题时需要求解二次规划，计算较为复杂。神经网络算法，作为人工智能和模式识别的有力工具，神经网络有许多种类的算法，经常使用的有BP网络、RBP网络、Hopfield网络等等。与传统的预测方法相比，神经网络预测方法的预测精度会更好一些，但是传统神经网络算法的网络参数都为实数，而MIMO信道状态信息是复数数据，所以传统神经网络算法并不适用于信道预测。并且现有的非线性预测算法都只单独考虑每个发送接收天线对上的信道状态信息，没有将每个发送接收天线对之间的内在联系考虑进去，导致训练样本不充分，预测效果差等问题。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于多任务学习的时间相关MIMO***信道预测的方法，以减小由时变信道下信道状态信息过时造成的信道状态信息与当前时刻信道状态信息不匹配状态，提高信道预测的预测精度。
本发明的技术方案是：根据对信道测量获得时间相关的MIMO***信道状态信息观测值，利用多任务学习算法训练，得到多任务学习算法的模型参数，将该模型参数带入多任务学习算法中进行预测，得到相邻时刻发送接收天线对上的信道状态信息，其实现步骤包括如下：
(1)在正式通信前通过对信道进行测量，得到Nt×Nr的MIMO***的信道状态信息历史观测值h(1),h(2)…h(r)…h(M)，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，r为1到M的整数，M为样本序列总个数；
(2)初始化多任务学习算法的模型参数：设置样本维度q；
(3)根据(1)中得到的信道状态信息观测值，按照训练数据比例Q将信道状态信息观测值分为训练数据x1(n)和测试数据x2(n)，n为大于1的正整数；
(4)根据(2)中的样本维度q，对训练数据x1(n)和测试数据x2(n)进行划分，分别得到训练数据的训练样本集xt(n)，期望输出集dt(n)和测试数据的测试样本集xs(n)，期望输出集ds(n)；
(5)将训练数据的训练样本集xt(n)作为多任务学习算法的输入，将训练数据的期望输出集dt(n)作为多任务学习算法的输出，把训练数据x1(n)输入到多任务学习算法中进行训练，获得多任务学习算法模型参数拉格朗日乘数α和系数b；
(6)将(4)中测试数据x2(n)的测试样本集xs(n)和(5)中得到的多任务学习算法模型参数拉格朗日乘数α和系数b，输入到多任务学习算法中，预测得到第M个时刻的信道状态信息的预测值。
本发明采用多任务学习算法框架下的多任务最小二乘支持向量机建立模型，将多任务学习应用到MIMO***信道预测上，充分利用每个发送接收天线对上信道状态信息之间的内在联系，克服了现有信道预测算法中对样本数据学习不充分的问题，通过多任务学习算法对多个发送接收天线对的信道状态信息进行充分学习，建立更加完善的特征空间，提高了预测精度。
附图说明
图1为本发明实现总流程图；
图2为本发明中多任务学习子流程图；
图3为本发明实例中MIMO***的信道状态信息的误差图。
具体实施方式
以下结合附图对本发明进行进一步说明，包括如下步骤：
本发明中使用多任务机器学习算法框架。多任务学习是和单任务学习相对的一种机器学习方法。在机器学习领域，标准的算法理论是一次学习一个任务。复杂的学习问题先被分解成理论上独立的子问题，然后分别对每个子问题进行学习，最后通过对子问题学习结果的组合建立复杂问题的数学模型。多任务学习是一种联合学习，多个任务同时学习，结果相互影响。所谓多任务学习，就是同时求解多个问题。本发明通过将多任务学习与MIMO***信道预测技术相结合，实现对信道预测精度的提高。
参照图1，本发明的实现步骤如下：
步骤1，获取MIMO***的信道状态信息。
在正式通信前对信道进行测量，得到MIMO***信道状态信息的历史观测值h(1),h(2)…h(r)…h(M)，MIMO***中有Nt×Nr个发送接收天线对，其中h(r)是Nt×Nr个发送接收天线对第r时刻的信道状态信息观测值所组成的信道状态信息矢量，具体形式如下：
hi(r)表示MIMO***中第i个发送接收天线对上第r个时刻的信道状态信息，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的整数，i为1到Nt×Nr的整数,r为1到M的整数，M为样本序列总个数,[]T中T表示转置运算。本实例借助MATLAB R2014a软件中自带的模块comm.MIMOChannel生成时间相关的MIMO信道，其步骤如下：
1.1)设置参数：包括采样频率Fs、最大多普勒频移Fd、发射天线数目Nt、接收天线数目Nr，路径延迟td，发射天线的相关矩阵Rt和接收天线的相关矩阵Rr，本实例考虑4G频率波段，设置Fd＝100，Fs＝1000，本实例以2×2MIMO为例，设置Nt＝2，Nr＝2，td设置为1，Rt和Rr设置为二阶的单位矩阵；
1.2)将上述参数输入到comm.MIMOChannel模块中，输出的pathGains即为本实例中需要的信道状态信息，将pathGains中的数据提取出来，得到信道状态信息序列h(1),h(2)…h(r)…h(M)，其中h(r)是第r时刻的信道状态信息，r为1到M的整数，M为样本序列总个数，本实例中M＝150。
步骤2，对得到的信道状态信息观测值进行预处理。
由于信道状态信息是复数数据，因而需要对信道状态信息观测值进行数据预处理，其步骤如下：
2.1)分别对信道状态信息进行取实部和虚部处理，然后对实部数据和虚部数据分别进行训练和测试数据的划分：
2.1.1)对实部数据进行处理：将上述步骤1得到的信道状态信息观测值按照时间先后顺序进行排序，通过设置训练数据比例Q将信道实部数据分为训练数据xrt(n)和测试数据xrv(n)，分别表示为：
xrt(n)＝[h(1) h(2)… h(r) … h(M*Q)],r＝1,2…M*Q，
xit(n)＝[h(M*Q+1) h(M*Q+2) … h(r) … h(M)],r＝M*Q+1,M*Q+2…M；
2.1.2)设置样本维度q，将训练数据xrt(n)和测试数据xrv(n)进行划分，分别得到训练数据的训练样本集xrt_t(n)、期望输出集drt_t(n)和测试数据的测试样本集xrv_s(n)，期望输出集drv_s(n)，其表示如下：
其中Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的正整数，hi(k)表示第i个发送接收天线对上第k个时刻的信道状态信息，i为1到Nt×Nr的正整数,k为1到q的正整数,M为样本序列总个数，Q为训练数据比例,本实例中Nt＝2，Nr＝2，i是从1到4的正整数，q＝10,Q＝70％；
2.2)对信道状态信息取虚部处理，然后对虚部数据的处理步骤如下：
2.2.1)将上述步骤1得到的信道状态信息观测值取虚部数据之后按照时间先后顺序进行排序，通过设置训练数据比例Q将信道虚部数据分为训练数据xit(n)和测试数据xiv(n)，分别表示为：
xit(n)＝[h(1) h(2) … h(r) … h(M*Q)],r＝1,2…M*Q，
xiv(n)＝[h(M*Q+1) h(M*Q+2) … h(r) … h(M)],r＝M*Q+1,M*Q+2…M；
2.2.2)设置样本维度q，将训练数据xit(n)和测试数据xiv(n)进行划分，分别得到训练数据的训练样本集xit_t(n)，期望输出集dit_t(n)和测试数据的测试样本集xit_s(n)，期望输出集dit_s(n)，其表示形式如下：
其中Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的正整数，hi(k)表示第i发送接收天线对上第k个时刻的信道状态信息，i为1到Nt×Nr的正整数,k为1到q的正整数，M为样本序列总个数，Q为训练数据比例,本实例中Nt＝2，Nr＝2，i是从1到4的正整数，q＝10,Q＝70％。
步骤3，训练多任务学习算法模型参数。
参考图2，本发明对多任务学习算法的训练，实现步骤如下：
3.1)将实部数据中训练数据的训练样本集xrt_t(n)作为多任务学习算法的输入，将实部数据中训练数据的期望输出集drt_t(n)作为多任务学习算法的输出，把训练数据xrt(n)输入到多任务学习算法中进行训练，本发明中是Nt×Nr的MIMO***，总共有Nt×Nr个发送接收天线对，将每个发送接收天线对上的信道状态信息看做是一个任务，则本发明中有Nt×Nr个学习任务，通过多任务学习算法，利用每个发送接收天线对上信道状态信息之间的内在联系，充分学习所有发送接收天线对上的信道状态信息，通过设置参数：描述任务相似性的lambda，径向基核函数的宽度p，惩罚因子gamma等，获得多任务学习算法模型参数拉格朗日乘数α_real和系数b_real,本发明的实例设置的参数为p＝0.001，gamma＝10000和lambda＝0.00000001；
3.2)将虚部数据中训练数据的训练样本集xit_t(n)作为多任务学习算法的输入，将训练数据的期望输出集dit_t(n)作为多任务学习算法的输出，把训练数据xit(n)输入到多任务学习算法中进行训练，本发明中是Nt×Nr的MIMO***，总共有Nt×Nr个发送接收天线对，将每个发送接收天线对上的信道状态信息看做是一个任务，则本发明中有Nt×Nr个学习任务，通过多任务学习算法，利用每个发送接收天线对上信道状态信息之间的内在联系，充分学习所有发送接收天线对上的信道状态信息，通过设置参数：描述任务相似性的lambda，径向基核函数的宽度p，惩罚因子gamma等，获得多任务学习算法模型参数拉格朗日乘数α_imag和系数b_imag,本发明的实例设置的参数为p＝0.001，gamma＝10000和lambda＝0.00000001；
步骤4，利用步骤3得到的模型参数进行多任务预测。
参考图2，本步骤的实现步骤如下：
4.1)对实部数据的预测：
本发明中将步骤2中得到的实部数据的测试数据xrv(n)的测试样本集xrv_s(n)和步骤3中得到的任务学习算法模型参数拉格朗日乘数及系数输入到多任务学习算法中，预测得到第M个时刻的信道状态信息的预测值，通过计算预测值的均方根误差RMSE对预测结果进行估量，其中αm为第m个拉格朗日乘数，m取值为从1到(M*Q-q)*Nt*Nr的正整数，bj表示第j个系数，j取值从1到Nt×Nr，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的整数，[]T中T表示转置运算；
4.2)对虚部数据的预测：
将步骤2中得到的虚部数据的测试数据xiv(n)的测试样本集xiv_s(n)和步骤3中得到的多任务学习算法模型参数拉格朗日乘数及系数输入到多任务学习算法中，预测得到第M个时刻的信道状态信息的预测值，通过计算预测值的均方根误差RMSE对预测结果进行估量，其中αmm表示第mm个拉格朗日乘数，mm取值为从1到(M*Q-q)*Nt*Nr的整数，be表示第e个系数，e从1到Nt×Nr，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的整数，[]T中T表示转置运算。
本发明的效果可以通过以下仿真进一步说明：
1、仿真条件和内容：
1a)软件平台为：MATLAB R2014a，仿真参数设计为：利用MATLAB软件中自带的模块comm.MIMOChannel生成时间相关的MIMO信道，设置发送天线Nt＝2，接收天线Nr＝2，根据奈奎斯特采样定理，本实例考虑4G频段，设置最大多普勒频移Fd，采样率Fs，对每一组最大多普勒频移和采样率随机生成1000组信道进行训练和预测，最后取1000次的误差平均值作为这一组数据的误差；
1b)设置Ratio为最大多普勒频移Fd与采样率Fs的比值，本实例中保持最大多普勒频移Fd＝100不变，Ratio从0.01到0.1，取值间隔为0.01，总共有十个Ratio值，进而根据Ratio＝Fd/Fs得到十个采样频率，重复1a)步骤，得到十个预测误差；
1c)取横坐标为Ratio，纵坐标为与之对应的每次预测的信道状态信息的均方根误差，绘制信道预测的误差曲线图，结果如图3所示，其中图3(a)为实部数据的信道状态信息预测误差变化图，图3(b)为虚部数据信道状态信息预测误差变化图。
2、仿真结果
图3(a)和图3(b)表明，随着Ratio数值的增大，均方根误差RMSE也呈现逐步上升的趋势，在最大多普勒频移确定的情况下，Ratio数值越小，采样频率越快，即采样的间隔时间越短，在单位时间内计算机得到的样本数据就越多，对信号的表示也越精确，得到预测的信道状态信息的误差越小。
从图3可以看出，实部信道状态信息数据和虚部信道状态信息数据随着Ratio的变化，整体上呈现出基本相同的误差走势图，并且两种情况下预测的信道状态信息误差的量级都比较小，验证了本发明算法在MIMO信道预测上的有效性。

Claims (5)

1.一种基于多任务学习的时间相关MIMO***信道预测方法，其特征在于，包括：
(1)在正式通信前通过对信道进行测量，得到Nt×Nr的MIMO***的信道状态信息历史观测值h(1),h(2)…h(r)…h(M)，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，r为1到M的整数，M为样本序列总个数；
(2)初始化多任务学习算法的模型参数：设置样本维度q；
(3)根据(1)中得到的信道状态信息观测值，按照训练数据比例Q将信道状态信息观测值分为训练数据x1(n)和测试数据x2(n)，n为大于1的正整数；
(4)根据(2)中的样本维度q，对训练数据x1(n)和测试数据x2(n)进行划分，分别得到训练数据的训练样本集xt(n)，期望输出集dt(n)和测试数据的测试样本集xs(n)，期望输出集ds(n)；
(5)将训练数据的训练样本集xt(n)作为多任务学习算法的输入，将训练数据的期望输出集dt(n)作为多任务学习算法的输出，把训练数据x1(n)输入到多任务学习算法中进行训练，获得多任务学习算法模型参数拉格朗日乘数α和系数b；
(6)将(4)中测试数据x2(n)的测试样本集xs(n)和(5)中得到的多任务学习算法模型参数拉格朗日乘数α和系数b，输入到多任务学习算法中，预测得到第M个时刻的信道状态信息的预测值。
2.根据权利要求1所述的方法，其中(1)中得到的Nt×Nr的MIMO***的信道状态信息历史观测值h(1),h(2)…h(r)…h(M)，Nt×Nr表示MIMO***中有个Nt×Nr发送接收天线对，其中h(r)是Nt×Nr个发送接收天线对第r时刻的信道状态信息观测值所组成的信道状态信息矢量，具体形式如下：
hi(r)表示MIMO***中第i个发送接收天线对上第r个时刻的信道状态信息，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的整数，i为1到Nt×Nr的正整数,r为1到M的整数，M为样本序列总个数,[]T中T表示转置运算。
3.根据权利要求1所述的方法，其中(4)中根据样本维度q得到训练数据的训练样本集xt(n)和期望输出集dt(n)，表示如下：
xt(n)＝[xrt_t(n) xit_t(n)]
dt(n)＝[drt_t(n) dit_t(n)]
其中xrt_t(n)表示实部数据中训练数据的训练样本集，xit_t(n)表示虚部数据中训练数据的训练样本集，drt_s(n)表示实部数据中训练数据的期望输出集，dit_s(n)表示虚部数据中训练数据的期望输出集，xit_t(n)与xrt_t(n)有相同的表示形式，dit_s(n)与drt_s(n)也有相同的表示形式，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的整数，hi(k)表示第i根天线上第k个时刻的信道状态信息，i为1到Nt×Nr的整数,k为1到q的整数。
4.根据权利要求1所述的方法，其中(4)中根据样本维度q得到测试数据的测试样本集xs(n)和期望输出集ds(n)，其表示如下：
xs(n)＝[xrv_t(n) xiv_t(n)]
ds(n)＝[drv_s(n) div_s(n)]
其中xrv_t(n)表示实部数据中测试数据的训练样本集，xiv_t(n)表示虚部数据中测试数据的训练样本集，drv_s(n)表示实部数据中测试数据的期望输出集，div_s(n)表示虚部数据中测试数据的期望输出集，xiv_t(n)与xrv_t(n)有相同的表示形式，div_s(n)与drv_s(n)也有相同的表示形式，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的整数，hi(k)表示第i根天线上第k个时刻的信道状态信息，i为1到Nt×Nr的整数,k为1到q的整数，M为样本序列总个数，Q为训练数据比例。
5.根据权利要求1所述的方法，其中(6)中得到的多任务学习算法模型参数拉格朗日乘数α和系数b，其具体表示如下：
α＝(α_real,α_imag)
b＝(b_real,b_imag)
其中α_real表示实部数据的拉格朗日乘数，α_imag表示虚部数据的拉格朗日乘数，b_real表示实部数据的系数，b_imag表示虚部数据的系数，αm为第m个拉格朗日乘数，m取值从1到(M*Q-q)*Nt*Nr的整数，αmm为第mm个拉格朗日乘数，mm取值从1到(M*Q-q)*Nt*Nr的整数，M为样本序列总数，Q为训练数据比例，q为样本维度，Nt表示MIMO***发送天线的数目，Nr表示MIMO***接收天线的数目，Nt和Nr都为大于1的整数，bj表示第j个系数，j取值从1到Nt×Nr，be表示第e个系数，e取值从1到Nt×Nr的整数，[]T中T表示转置运算。
CN201810228902.9A 2018-03-20 2018-03-20 基于多任务学习的时间相关mimo***信道预测方法 Pending CN108566255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810228902.9A CN108566255A (zh) 2018-03-20 2018-03-20 基于多任务学习的时间相关mimo***信道预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810228902.9A CN108566255A (zh) 2018-03-20 2018-03-20 基于多任务学习的时间相关mimo***信道预测方法

Publications (1)

Publication Number Publication Date
CN108566255A true CN108566255A (zh) 2018-09-21

Family

ID=63532808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810228902.9A Pending CN108566255A (zh) 2018-03-20 2018-03-20 基于多任务学习的时间相关mimo***信道预测方法

Country Status (1)

Country Link
CN (1) CN108566255A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021109135A1 (en) * 2019-12-06 2021-06-10 Telefonaktiebolaget Lm Ericsson (Publ) Method and access network node for beam control
CN113011448A (zh) * 2019-12-20 2021-06-22 清华大学 一种基于迁移学习的多用户下行信道估计方法及装置
US11246173B2 (en) * 2019-11-08 2022-02-08 Huawei Technologies Co. Ltd. Systems and methods for multi-user pairing in wireless communication networks

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102215186A (zh) * 2011-05-04 2011-10-12 西安电子科技大学 基于ls-svm的时变tdd-mimo信道互易性补偿方法
CN104376308A (zh) * 2014-11-24 2015-02-25 天津大学 一种基于多任务学习的人体动作识别方法
CN104991037A (zh) * 2015-05-15 2015-10-21 广西大学 一种用于煮糖结晶的数据测量方法和装置
CN105119853A (zh) * 2015-08-25 2015-12-02 电子科技大学 一种基于贝叶斯方法的多用户大规模mimo信道估计方法
US9349150B2 (en) * 2013-12-26 2016-05-24 Xerox Corporation System and method for multi-task learning for prediction of demand on a system
CN106453163A (zh) * 2016-10-11 2017-02-22 电子科技大学 一种Masssive MIMO信道估计方法
CN107360108A (zh) * 2017-08-10 2017-11-17 电子科技大学 Fdd大规模mimo多用户自适应低复杂度信道估计

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102215186A (zh) * 2011-05-04 2011-10-12 西安电子科技大学 基于ls-svm的时变tdd-mimo信道互易性补偿方法
US9349150B2 (en) * 2013-12-26 2016-05-24 Xerox Corporation System and method for multi-task learning for prediction of demand on a system
CN104376308A (zh) * 2014-11-24 2015-02-25 天津大学 一种基于多任务学习的人体动作识别方法
CN104991037A (zh) * 2015-05-15 2015-10-21 广西大学 一种用于煮糖结晶的数据测量方法和装置
CN105119853A (zh) * 2015-08-25 2015-12-02 电子科技大学 一种基于贝叶斯方法的多用户大规模mimo信道估计方法
CN106453163A (zh) * 2016-10-11 2017-02-22 电子科技大学 一种Masssive MIMO信道估计方法
CN107360108A (zh) * 2017-08-10 2017-11-17 电子科技大学 Fdd大规模mimo多用户自适应低复杂度信道估计

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHUO XU 等: "Multi-task least-squares support vector machines", 《MULTIMEDIA TOOLS AND APPLICATIONS,》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11246173B2 (en) * 2019-11-08 2022-02-08 Huawei Technologies Co. Ltd. Systems and methods for multi-user pairing in wireless communication networks
WO2021109135A1 (en) * 2019-12-06 2021-06-10 Telefonaktiebolaget Lm Ericsson (Publ) Method and access network node for beam control
US11811475B2 (en) 2019-12-06 2023-11-07 Telefonaktiebolaget Lm Ericsson (Publ) Method and access network node for beam control
CN113011448A (zh) * 2019-12-20 2021-06-22 清华大学 一种基于迁移学习的多用户下行信道估计方法及装置

Similar Documents

Publication Publication Date Title
US12021572B2 (en) Systems and methods for wireless signal configuration by a neural network
CN110401964A (zh) 一种面向用户为中心网络基于深度学习的功率控制方法
Jiang et al. Multi-antenna fading channel prediction empowered by artificial intelligence
CN108566255A (zh) 基于多任务学习的时间相关mimo***信道预测方法
WO2021036414A1 (zh) 一种低轨移动卫星星座下星地下行链路同频干扰预测方法
CN112911608B (zh) 一种面向边缘智能网络的大规模接入方法
Wang et al. Distributed reinforcement learning for age of information minimization in real-time IoT systems
CN105379412A (zh) 一种控制多个无线接入节点的***和方法
CN107528649A (zh) 一种基于Bagging的认知无线电网络频谱的预测方法
CN110430150A (zh) 一种基于神经网络的蜂窝移动通信***接收机设计方法
Eom et al. Hybrid neural network-based fading channel prediction for link adaptation
Chang et al. Decentralized deep reinforcement learning meets mobility load balancing
Lei et al. Joint beam training and data transmission control for mmWave delay-sensitive communications: A parallel reinforcement learning approach
US20240097993A1 (en) Machine Learning Model Distribution
CN103209417B (zh) 基于神经网络的频谱占用状态的预测方法以及装置
Huang et al. ContextFL: Context-aware federated learning by estimating the training and reporting phases of mobile clients
Shelim et al. Wireless link scheduling over recurrent Riemannian manifolds
CN104469798A (zh) 一种基于马尔可夫链的通信网络负载状态信息预测方法
Jaiswal et al. Deep transfer learning based radio map estimation for indoor wireless communications
ur Rehman et al. LTE downlink throughput modeling using neural networks
WO2023121659A1 (en) Communication device and method for performing communication signal processing
Yin et al. Channel prediction with liquid time-constant networks: an online and adaptive approach
CN114139688A (zh) 基于马尔可夫链共识的工业物联网分布式联邦学习方法
Jiyuan et al. Multi-modulation recognition using convolution gated recurrent unit networks
CN111541472A (zh) 低复杂度机器学习辅助鲁棒预编码方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180921