CN111769862A - 一种基于深度学习的空间调制网络中联合检测算法 - Google Patents
一种基于深度学习的空间调制网络中联合检测算法 Download PDFInfo
- Publication number
- CN111769862A CN111769862A CN202010594156.2A CN202010594156A CN111769862A CN 111769862 A CN111769862 A CN 111769862A CN 202010594156 A CN202010594156 A CN 202010594156A CN 111769862 A CN111769862 A CN 111769862A
- Authority
- CN
- China
- Prior art keywords
- training
- received signal
- channel
- training set
- neural network
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/0848—Joint weighting
- H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/0848—Joint weighting
- H04B7/0857—Joint weighting using maximum ratio combining techniques, e.g. signal-to- interference ratio [SIR], received signal strenght indication [RSS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radio Transmission System (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的空间调制网络中联合检测算法。本发明利用深度学习方法,首先将信道和接收信号均处理为实值行向量,二者堆叠生成训练样本,一批样本组成训练集,将原始数据比特处理为独热编码形式,生成训练集的标签;然后搭建深度神经网络,使用训练集及其标签训练深度神经网络;最后,每当信道矩阵和接收信号发生变化时,向深度神经网络输入信道和接收信号,得到输出,即为信号检测结果。只要信道的随机分布不发生改变,便无需进行新的训练。本发明的有益效果为,本发明提出的基于深度学习的联合检测算法,无需重复繁琐的计算,以可接受的复杂度,获得了较优的误比特率性能。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及基于深度学习的空间调制网络中联合检测算法。
背景技术
目前,第五代移动通信技术已经深入到生产制造、日常生活的方方面面,它通过大规模多输入多输出(Multiple Input Multiple Output,MIMO)提升效率,采用重点区域超密集组网等关键技术,其发展已进入最后阶段。学术界对开发下一代网络的兴趣日益浓厚,预计未来十年将致力于发展第六代移动通信技术(the Sixth Generation mobilecommunication networks,6G)。2019年,中国正式启动6G研究,将结合移动超宽带、物联网、人工智能等技术。大规模MIMO技术在简化介质访问控制层、提高吞吐量、降低延迟、增加辐射能效、使用廉价低功耗组件等方面具有极大优势,在6G研究中潜力巨大。
传统MIMO有许多劣势,比如信道间干扰难以消除、天线间同步难度大、***性能与接收机复杂度之间难以权衡、发射天线必须少于接收天线。
为了解决上述问题,新型MIMO技术——空间调制(Spatial Modulation,SM)应运而生,它将比特信息流分为两个子信息块,一个映射为天线索引,另一个映射到星座符号。在每个时隙内,只有一个发射天线被激活。无线通信信道具有很高的复杂度和随机性,SM的各个发射天线对应的信道之间有很大的区别,所以接收机可以通过一定的检测方式,区分和识别来自不同天线的数据。SM的主要优点有:1)每个时隙只有一副天线被激活,很好地消除了信道间干扰,避免了天线间同步,降低了射频开销和功率消耗。2)利用天线序数携带比特信息,在一定程度上提升了频谱效率和能量效率。3)如果发射天线多于接收天线,SM方案仍然可以高效地运转,因此SM适用于低复杂度的移动单元的下行链路设置。
在传统的SM信号检测算法中,最大似然(Maximum Likelihood,ML)检测的误比特率(Bit Error Rate,BER)性能最优,其主要思路是,在接收端穷尽搜索所有可能的发射向量,即所有可能的天线索引和星座符号对,找到最大化似然函数的最优解。最大似然检测的计算复杂度非常高,随着发射天线数和调制星座阶数的增加而指数增长。虽然后续也陆续有研究者提出更低复杂度的算法,例如球形译码检测、迫零检测、最小均方误差检测、匹配滤波检测等,但整个过程仍然比较繁琐,具有重复性,不利于有效利用资源。
发明内容
SM***中,接收端的信号检测器,根据接收信号检测出发射天线索引和星座符号,进而解调出原始数据比特。ML检测算法在接收端穷尽搜索所有可能的发射向量,即所有可能的天线索引和星座符号对,找到最大化似然函数的最优解。若接收端已知信道状态信息,则ML检测可表示为:
本发明的目的,就是针对SM网络中传统信号检测时的重复繁琐计算,提出一种基于深度学习的联合检测算法。利用信道和接收信号产生训练样本,组成训练集,利用原始数据比特产生标签,用来训练深度神经网络(Deep Neural Network,DNN),训练好之后,每当信道矩阵和接收信号发生变化时,只需将其输入DNN,即可得到输出,即为检测结果。在DNN训练好之后,只要信道的随机分布不发生改变,便无需进行新的训练。
为实现上述目的,本发明所采用的技术方案包括:利用信道和接收信号产生训练样本,组成训练集,利用原始数据比特产生标签。使用训练集及其标签训练深度神经网络。向深度神经网络输入信道和接收信号,得到输出,即为信号检测结果。
进一步地,具体过程包括:S1.将信道处理为实值行向量,将接收信号处理为实值行向量,二者堆叠生成训练样本,一批样本组成训练集,将原始数据比特处理为独热编码形式,生成对应于训练集的标签;S2.使用Tensorflow框架,采用随机梯度下降法,引入Adam自适应学习率算法和正则化方法,搭建DNN,使用训练集及其标签训练深度神经网络;S3.向深度神经网络输入信道和接收信号,得到输出,即为信号检测结果。每当信道矩阵和接收信号发生变化时,将其输入DNN,即可得到输出,即为检测结果。在DNN训练好之后,只要信道的随机分布不发生改变,便无需进行新的训练。
仿真结果:设置发射天线数Nt为4,接收天线数Nr为4,采用归一化256QAM调制。仿真结果如图4所示。结果表明:在信噪比(Signal-to-Noise Ratio,SNR)较高时,基于深度学习的检测算法的BER性能与ML检测的几乎相同。在SNR较高时,对于BER性能,基于深度学习的检测算法明显优于迫零检测、最小均方误差检测、匹配滤波检测,劣于ML检测和球形译码检测,但与ML检测相比的性能损失小于1dB。对于基于深度学习的检测算法,在DNN训练好之后,只要信道的随机分布方式不改变,便无需进行重复计算,有效利用资源。
本发明的有益效果在于:通过深度学习的方法,构造训练集,训练深度神经网络,训练好之后,每当信道矩阵和接收信号发生变化,只需将其输入神经网络,即可得到输出,即为检测结果,无需重复繁琐的计算,以可接受的复杂度,获得了较优的误比特率性能。在网络训练好之后,只要信道的随机分布不发生改变,便无需进行新的训练。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为一种基于深度学习的SM网络中联合检测算法流程框图。
图2为一种基于深度学习的SM网络中联合检测算法的训练过程的流程框图。
图3为一种基于深度学习的SM网络中联合检测算法的检测过程的流程框图。
图4为SM网络中不同检测算法的BER性能曲线图。
具体实施方式
下面结合附图和具体实例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明给出一种基于深度学习的SM网络中联合检测算法。假设某SM***的发射天线数为Nt=2k(k∈N+),接收天线数为NΓ。每个时隙,***根据映射表将数据向量的一部分映射为发射天线索引,将剩余部分映射为M阶星座图的星座点,因此天线索引可携带log2Nt个比特,星座点可携带log2M个比特。被激活的发射天线,将星座符号通过信道传输至接收天线。最后,接收端的信号检测器,根据接收信号检测出发射天线索引和星座点,并根据映射表恢复原始比特数据。基于深度学习的联合检测算法主要包括如下步骤:
S1.利用信道和接收信号产生训练样本,组成训练集,利用原始数据比特产生标签。
这一任务主要包含两个步骤:使用信道和接收信号生成训练样本并组成训练集、使用原始数据比特生成标签。
S11.使用信道和接收信号生成训练样本并组成训练集。
DNN对训练集的要求是:每一个训练样本是一个实值行向量。所以需要将信道矩阵和接收信号处理为一个实值行向量。
首先,将信道处理为实值行向量。
假设第i个时隙传输的比特数据所对应的信道矩阵为:
H(i)″=[real(H(i)′)imag(H(i)′)]#(4)
然后,将接收信号处理为实值行向量。
假设第i个时隙的发送信号在信道传输后,接收端的接收信号为:
将样本x的第一部分x1和第二部分x2堆叠,得到DNN的训练集为:
S12.使用原始数据比特生成标签。
本发明将空间调制网络的信号检测看作分类问题,解决分类问题的DNN对标签的要求是:每一个标签是独热编码形式。所以需要将原始数据比特处理为独热编码形式。
在SM***中,若发射天线数为Nt,采用M阶APM调制,则一个时隙传输β=(log2Nt+log2M)个比特数据,它们被调制为Nt个天线索引之一i和M个星座符号之一m,一共有Nt×M种可能。假设第i个样本对应第n种可能,则该样本对应的标签用独热编码形式表示为:
其中y(i) n=1表示该样本对应第n种可能。
假设一个训练批次共有t个时隙对应的t个样本,则该训练批次的标签y为:
S2.使用训练集训练深度神经网络。
S21.搭建深度神经网络。
使用Tensorflow框架,采用随机梯度下降法,引入Adam自适应学习率算法和正则化方法,搭建DNN。
S22.训练深度神经网络。
在前述步骤中,已经得到了符合DNN分类问题要求的训练集x和标签y,现在使用训练集和标签,训练DNN。
S3.向深度神经网络输入信道和接收信号,得到输出,即为信号检测结果。
每当信道矩阵和接收信号发生变化时,将其输入DNN,即可得到输出,即为检测结果。在DNN训练好之后,只要信道的随机分布不发生改变,便无需进行新的训练。
本发明的有益效果在于:通过深度学习的方法,构造训练集合,训练深度神经网络,训练好之后,每当信道矩阵和接收信号发生变化,只需将其输入神经网络,即可得到输出,即为检测结果,无需重复繁琐的计算,以可接受的复杂度,获得了较优的误比特率性能。在网络训练好之后,只要信道的随机分布不发生改变,便无需进行新的训练。
图1为一种基于深度学习的SM网络中联合检测算法流程框图。
图2为一种基于深度学习的SM网络中联合检测算法的训练过程的流程框图。
图3为一种基于深度学习的SM网络中联合检测算法的检测过程的流程框图。
图4为SM网络中不同检测算法的BER性能曲线图,其中发射天线数Nt为4,接收天线数Nt为4,采用归一化256QAM调制。图中曲线表明:在信噪比(Signal-to-Noise Ratio,SNR)较高时,基于深度学习的检测算法的BER性能与ML检测的几乎相同。在SNR较高时,对于BER性能,基于深度学习的检测算法明显优于迫零检测、最小均方误差检测、匹配滤波检测,劣于ML检测和球形译码检测,但与ML检测相比的性能损失小于1dB。对于基于深度学习的检测算法,在DNN训练好之后,只要信道的随机分布方式不改变,便无需进行重复计算,有效利用资源。
Claims (5)
1.一种基于深度学习的空间调制网络中联合检测算法,其特征在于:所述算法利用信道和接收信号产生训练样本,组成训练集,利用原始数据比特产生标签,用训练集和标签训练深度神经网络,训练完成后,向深度神经网络输入信道和接收信号,得到输出,即为信号检测结果。
2.根据权利要求1所述的一种基于深度学习的空间调制网络中联合检测算法,其特征在于:所述算法包括以下具体步骤:
S1.将信道处理为实值行向量,将接收信号处理为实值行向量,二者堆叠生成训练样本,一批样本组成训练集,将原始数据比特处理为独热编码形式,生成对应于训练集的标签。
S2.使用Tensorflow框架,采用随机梯度下降法,引入Adam自适应学习率算法和正则化方法,搭建DNN,使用训练集及其标签训练深度神经网络。
S3.向深度神经网络输入信道和接收信号,得到输出,即为信号检测结果。每当信道矩阵和接收信号发生变化时,将其输入DNN,即可得到输出,即为检测结果。在DNN训练好之后,只要信道的随机分布不发生改变,便无需进行新的训练。
3.根据权利要求2所述的一种基于深度学习的空间调制网络中联合检测算法,其特征在于:利用信道和接收信号产生训练样本,组成训练集,利用原始数据比特产生标签,具体步骤为:将信道处理为实值行向量,将接收信号处理为实值行向量,二者堆叠生成训练样本,一批样本组成训练集,将原始数据比特处理为独热编码形式,生成对应于训练集的标签。
4.根据权利要求2所述的一种基于深度学习的空间调制网络中联合检测算法,其特征在于:使用训练集合训练深度神经网络,具体步骤为:使用Tensorflow框架,采用随机梯度下降法,引入Adam自适应学习率算法和正则化方法,搭建DNN,使用训练集及其标签训练深度神经网络。
5.根据权利要求2所述的一种基于深度学习的空间调制网络中联合检测算法,其特征在于:向深度神经网络输入信道和接收信号,得到输出,即为信号检测结果,具体步骤为:向深度神经网络输入信道和接收信号,得到输出,即为信号检测结果。每当信道矩阵和接收信号发生变化时,将其输入DNN,即可得到输出,即为检测结果。在DNN训练好之后,只要信道的随机分布不发生改变,便无需进行新的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594156.2A CN111769862B (zh) | 2020-06-28 | 2020-06-28 | 一种基于深度学习的空间调制网络中联合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594156.2A CN111769862B (zh) | 2020-06-28 | 2020-06-28 | 一种基于深度学习的空间调制网络中联合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111769862A true CN111769862A (zh) | 2020-10-13 |
CN111769862B CN111769862B (zh) | 2022-11-11 |
Family
ID=72722141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594156.2A Expired - Fee Related CN111769862B (zh) | 2020-06-28 | 2020-06-28 | 一种基于深度学习的空间调制网络中联合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111769862B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452420A (zh) * | 2021-06-25 | 2021-09-28 | 东南大学 | 一种基于深度神经网络的mimo信号检测方法 |
CN113839744A (zh) * | 2021-09-22 | 2021-12-24 | 重庆大学 | 一种基于深度学习的广义无线光mimo***的盲检测方法 |
CN114124630A (zh) * | 2021-11-12 | 2022-03-01 | 中国电子科技集团公司第二十八研究所 | 一种基于紧凑自编码器的符号检测和调制识别方法 |
CN114362795A (zh) * | 2021-11-23 | 2022-04-15 | 西安电子科技大学杭州研究院 | 一种非线性毫米波mimo通讯***的信号检测方法 |
CN114745248A (zh) * | 2022-04-06 | 2022-07-12 | 山东大学 | 基于卷积神经网络的dm-gsm信号检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108667502A (zh) * | 2018-04-27 | 2018-10-16 | 电子科技大学 | 一种基于机器学习的空间调制天线选择方法 |
CN110518945A (zh) * | 2019-08-20 | 2019-11-29 | 东南大学 | 一种基于深度学习与sdr算法的mimo检测方法及装置 |
CN111342867A (zh) * | 2020-02-28 | 2020-06-26 | 西安交通大学 | 一种基于深度神经网络的mimo迭代检测方法 |
-
2020
- 2020-06-28 CN CN202010594156.2A patent/CN111769862B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108667502A (zh) * | 2018-04-27 | 2018-10-16 | 电子科技大学 | 一种基于机器学习的空间调制天线选择方法 |
CN110518945A (zh) * | 2019-08-20 | 2019-11-29 | 东南大学 | 一种基于深度学习与sdr算法的mimo检测方法及装置 |
CN111342867A (zh) * | 2020-02-28 | 2020-06-26 | 西安交通大学 | 一种基于深度神经网络的mimo迭代检测方法 |
Non-Patent Citations (1)
Title |
---|
朱啸豪等: "MIMO检测算法与深度学习方法探讨", 《微型电脑应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452420A (zh) * | 2021-06-25 | 2021-09-28 | 东南大学 | 一种基于深度神经网络的mimo信号检测方法 |
CN113839744A (zh) * | 2021-09-22 | 2021-12-24 | 重庆大学 | 一种基于深度学习的广义无线光mimo***的盲检测方法 |
CN113839744B (zh) * | 2021-09-22 | 2022-09-02 | 重庆大学 | 一种基于深度学习的广义无线光mimo***的盲检测方法 |
CN114124630A (zh) * | 2021-11-12 | 2022-03-01 | 中国电子科技集团公司第二十八研究所 | 一种基于紧凑自编码器的符号检测和调制识别方法 |
CN114124630B (zh) * | 2021-11-12 | 2023-10-24 | 中国电子科技集团公司第二十八研究所 | 一种基于紧凑自编码器的符号检测和调制识别方法 |
CN114362795A (zh) * | 2021-11-23 | 2022-04-15 | 西安电子科技大学杭州研究院 | 一种非线性毫米波mimo通讯***的信号检测方法 |
CN114745248A (zh) * | 2022-04-06 | 2022-07-12 | 山东大学 | 基于卷积神经网络的dm-gsm信号检测方法 |
CN114745248B (zh) * | 2022-04-06 | 2023-11-14 | 山东大学 | 基于卷积神经网络的dm-gsm信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111769862B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111769862B (zh) | 一种基于深度学习的空间调制网络中联合检测方法 | |
Dai et al. | Deep learning for wireless communications: An emerging interdisciplinary paradigm | |
Zhang et al. | Overfitting and underfitting analysis for deep learning based end-to-end communication systems | |
CN107332598A (zh) | 一种基于深度学习的mimo***联合预编码和天线选择方法 | |
EP2410707A1 (en) | Space time coding method in orthogonal network and relay transmission system | |
CN108366036B (zh) | 一种面向稀疏码多址接入***的调制码本设计方法 | |
CN109714091B (zh) | 一种在毫米波mimo***中基于分层设计的迭代混合预编码方法 | |
CN107204831B (zh) | 一种用于mimo-scma***的低复杂度检测方法 | |
CN110071750A (zh) | 一种基于机器学习的二维空码索引调制方法 | |
CN116318311B (zh) | 一种基于可重构智能表面反相位索引调制的传输方法 | |
CN110365414B (zh) | 一种适合于对数正态湍流信道的增强型光空间调制方法 | |
CN114745248B (zh) | 基于卷积神经网络的dm-gsm信号检测方法 | |
Hua et al. | Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning | |
Cogen et al. | Hexagonal quadrature amplitude modulation aided spatial modulation | |
CN111277308A (zh) | 基于机器学习的波宽控制方法 | |
CN114553274A (zh) | 基于对抗学习的安全自预编码机优化方法 | |
CN107437976A (zh) | 一种数据处理方法及设备 | |
CN105933264B (zh) | 等功率分配超奈奎斯特传输方法 | |
CN104780024A (zh) | 一种多输入多输出***中的多流空移键控调制及解调方法 | |
ElMossallamy et al. | Noncoherent MIMO codes construction using autoencoders | |
CN114337883B (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及*** | |
CN110224791B (zh) | 基于Cayley空时码的无线传输方法、装置及*** | |
Huang et al. | Deep learning based MIMO-NOMA receiver research | |
Rajarajeswarie et al. | A short survey: Applications of artificial intelligence in massive MIMO | |
CN113067672A (zh) | 一种非正交多址接入移动通信低复杂度接收方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221111 |