CN114844545A - 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 - Google Patents
基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 Download PDFInfo
- Publication number
- CN114844545A CN114844545A CN202210480587.5A CN202210480587A CN114844545A CN 114844545 A CN114844545 A CN 114844545A CN 202210480587 A CN202210480587 A CN 202210480587A CN 114844545 A CN114844545 A CN 114844545A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- model
- module
- channel
- sub6
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 38
- 238000010187 selection method Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 10
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 claims description 9
- 101100261000 Caenorhabditis elegans top-3 gene Proteins 0.000 claims description 9
- 101100370075 Mus musculus Top1 gene Proteins 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 239000000969 carrier Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 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
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0602—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using antenna switching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
- H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
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。
Description
技术领域
本发明属于无线通信、深度学习领域,具体涉及基于sub6GHz信道以及部分毫米波导频的通信波束选择方法。
背景技术
毫米波以及大规模MIMO是5G移动通信的重要关键技术之一,30-300GHz频段的毫米波通信可以提供极大的传输带宽,是当前sub-6GHz频段的关键补偿。为了对抗毫米波频段严重的路径损耗,在发射端通常会部署大量的天线,向通信用户形成一束高度定向的波束。
在实际通信中,通常使用码本来实现波束赋形,码本中每个码字对应一束波束。目前,基于码本的波束形成方法主要是通过穷搜算法,基站端和用户端分别遍历码本中的码字,寻找接收功率最大的波束作为最优波束。但随着基站端天线数量的增加,码本也随之增大,使用穷尽搜索会带来很大的时间开销。后续研究者在穷尽搜索的基础上采用了分层搜索算法,将搜索分为了扇区级扫描和波束级扫描两大阶段。在扇区级阶段,基站会用宽波束扫描所有角度的空间,确定了最佳扇区后,再使用窄波束确定用户的最优波束。分层搜索算法较穷搜法有了很大改善,但依然有着不小的时间开销,仍有一定的优化空间。
随着深度学习技术的发展,研究者们开始尝试使用深度学习算法进行波束训练,降低时间开销成本。由于完整获取毫米波信道CSI需要极大的训练开销,人们尝试利用带外信息(OOB)进行波束训练,即利用另一个频段获取的信道CSI协助当前频段的传输。有研究者模拟了频率900MHz到90GHz的传播路径中具有共同角度的路径占比超过90%,这表明通过6GHz以下频段的信道信息与毫米波信道信息之间是存在关联性的。现有的通过sub6信道进行波束训练的算法取得了一定的效果,但在复杂场景中性能比较一般,且模型不具备良好的泛化性,导致模型处于新的通信场景时往往需要重新训练。
本发明所提出的算法提出使用部分毫米波导频信道来矫正sub6信道的预测误差,且激活的毫米波天线是由输入的sub6信道信息自适应选择的,在不同的场景下基站会选择激活不同的天线来辅助预测。同时,为了让模型具备泛化能力,适应更多的通信场景,在模型参数训练阶段,使用基于元学习的MAML算法进行模型参数更新。基于元学习的预训练模型具有更好的学习能力,使模型部署在其他通信场景时仅经过小样本快速迭代即可达到理想的预测性能,提高了模型的部署可行性。
发明内容
为了减少毫米波通信***的下行波束训练开销,本发明提出了一种基基于sub6GHz信道以及部分毫米波导频的通信波束选择方法。本算法使用部分毫米波导频信道来矫正sub6信道的预测误差,且激活的毫米波天线是由输入的sub6信道信息自适应选择的,同时使用元学习算法MAML提升模型的泛化性能。
为实现本发明的目的,本发明所采用的技术方案是: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,其训练过程包括如下步骤:
步骤(1):构建ntask个子任务,每个子任务对应一个基站的通信环境,每个Task包括了一个支撑集(Supportset)和一个查询集(Query set)。搭建波束选择预测模型,包括sub6模块、天线选择模块、毫米波模块、分类模块,初始化模型参数Θ;
步骤(2):对于子任务Ti,将支撑集中的sub6信道CSI输入到sub6模块,得到sub6特征向量。将sub6特征向量输入到天线选择模块,得到激活的毫米波天线索引。获取支撑集中激活天线的导频,输入毫米波模块,得到毫米波特征向量;将sub6特征向量与毫米波特征向量融合,输入到分类模块,得到各个波束为最优波束的概率;
读取下一个Batch的子任务,循环步骤(2)到步骤(4),直到模型收敛。
步骤(5):根据模型输出的概率向量,得到Top-1最优波束和Top-3最优波束。
作为优选,所述步骤(1)的具体步骤包括:
(1.1)子任务划分:元学习的基本训练单元是Task,即子任务。每一个子任务对应一种基站所处的通信场景。每个子任务内划分出支撑集(Supportset)和查询集(Queryset)。
(1.2)支撑集由组成,其中表示用户和基站之间的sub6GHz信道矩阵,Ns表示sub6频段基站天线数量,Nc表示载波数量。表示用户和基站之间的毫米波信道信息,Nm表示毫米波频段基站天线数量。yspt表示用户和基站之间最佳波束对应的码字索引。查询集由组成,各部分含义与支撑集同理。
支撑集用于模型进行innerloop训练,查询集用于评估innerloop后模型的推理能力,并对模型进行outerloop训练。
作为优选,所述步骤(2)的具体步骤包括:
(2.1)sub6模块:将Xsub6转换成1维向量,输入sub6模块,输出特征向量ys。模块由Ls层全连接网络组成,表示为
(2.2)天线选择模块:天线选择模块用于选择激活少量毫米波天线,辅助sub6信道信息进行波束选择。模块输入sub6特征向量ys,输出天线选择向量v。将向量n与毫米波信道矩阵Xmm相乘,得到所选天线对应的部分毫米波信道信息X′mm。
被选择的天线所对应的毫米波信道信息X′mm可表示如下
X′mm=vT·Xmm
(2.3)毫米波模块:将激活天线的毫米波信道矩阵X′mm转换为一维向量,输入到毫米波模块,输出特征向量ym。模块由Lm层全连接网络组成。
作为优选,所述步骤(3)的具体步骤包括:
(3.2)利用反向梯度下降法更新模型参数
作为优选,所述步骤(4)的具体步骤包括:
(4.2)遍历Batch内所有的子任务,反向梯度更新模型参数Θ
作为优选,所述步骤(5)的具体步骤包括:
(5.2)Top-3最优波束:选取模型输出的概率向量中前三大的值在索引为最优波束候选,当通信环境SNR较差时,Top-1最优波束的预测准确率会有一定下降,可以从Top-3最优波束候选池中进行波束扫描,确定最优波束。
本发明的有益效果:
1)利用机器学习算法,可以通过算法直接预测出最优波束选择,避免了搜索波束带来的时间开销。采用带外信息进行波束训练,避免了获取毫米波信道信息带来的训练开销;
2)模型基于sub6信道信息结合部分毫米波导频信息,相比于只基于sub6信道的情况,本发明的算法的性能更优;
3)算法可以自适应地选择激活的毫米波天线,针对不同的通信场景可以有选择性进行补偿,进一步提升了模型性能;
4)基于元学习MAML算法对模型参数进行训练,使得模型具备良好的泛化能力,能够在仅依靠小样本训练集的情况下快速收敛,提高了模型的可部署性。
附图说明
图1为基于sub-6Ghz信道和部分毫米波信道的波束选择算法流程图;
图2为算法在线推理流程示意图;
图3为不同SNR下算法预测性能示意图;
图4基于MAML优化模型泛化能力示意图。
具体实施方式
下面结合附图及具体实施方式,对本技术方案作进一步说明。
如图1-4所示,本发明基于sub6GHz信道以及部分毫米波导频的通信波束选择方法,将波束训练问题建模为多分类问题,模型由sub6模块、天线选择模块、毫米波模块以及分类模块组成。
1.仿真环境搭建
仿真通信环境基于开源场景-DeepMIMO数据集“01”场景搭建。“01”光线追踪场景是包括两条街道和一个十字路口的户外场景。该场景下共有18个基站,所有基站的高度均为6米,均匀分布在街道的两侧。场景内共有1184923个通信用户,每个用户随机以0~20km/h的速度沿场景内随机方向移动。街道的两侧都有楼房,建筑物的高度为60米。
所有基站可同时工作在3.5GHz频段以及28GHz频段,其中在3.5GHz频段天线数量为Ns,28GHz频段天线数量为Nm,采取平面天线阵列分布。
基站与用户之间的通信信道可以表示为
其中f为码本F中的码字。同理,采用最小二乘法对毫米波信道矩阵进行估计。
下行传输的AR可以定义为
构造sub6信道信息Xsub6、毫米波信道信息Xmm以及最优波束y作为训练集。
仿真环境设置参数如下:
1)基站天线采用均匀平面阵列分布,sub6频段天线数Ns=2×2,毫米波频段天线数Nm=16×16;用户侧采用单根全相天线
2)基站工作频率为3.5GHz和28GHz
3)毫米波采用DFT码本
4)载波数K=32
2.基于sub6Ghz信道以及部分导频的毫米波通信波束选择算法训练过程
元学习的基本训练单元是Task,即子任务。每一个子任务对应一种基站所处的通信场景。每个子任务内划分出支撑集(Supportset)和查询集(Query set)。
支撑集由组成,其中表示用户和基站之间的sub6GHz信道矩阵,Ns表示sub6频段基站天线数量,Nc表示载波数量。表示用户和基站之间的毫米波信道信息,Nm表示毫米波频段基站天线数量。yspt表示用户和基站之间最佳波束对应的码字索引。查询集由组成,各部分含义与支撑集同理。
支撑集用于模型进行innerloop训练,查询集用于评估innerloop后模型的推理能力,并对模型进行outerloop训练。
将Xsub6转换成1维向量,输入sub6模块,输出特征向量ys。模块由Ls层全连接网络组成,表示为
天线选择模块用于选择激活少量毫米波天线,辅助sub6信道信息进行波束选择。模块输入sub6特征向量ys,输出天线选择向量v。将向量n与毫米波信道矩阵Xmmm相乘,得到所选天线对应的部分毫米波信道信息X′mm。
被选择的天线所对应的毫米波信道信息X′mm可表示如下
X′mm=vT.Xmm
将激活天线的毫米波信道矩阵X′mm转换为一维向量,输入到毫米波模块,输出特征向量ym。模块由Lm层全连接网络组成。
利用反向梯度下降法更新模型参数
遍历Batch内所有的子任务,反向梯度更新模型参数Θ
仿真环境参数
仿真结果分析:
图3展示了当取时,算法分别在SNR={0,5,10,15,20,25,30}的情况下预测最优波束的准确率。其中,三角符号代表Top-3最优波束中包含最优波束的概率,方形符号代表Top-1最优波束等于最优波束的概率,星号代表了仅依靠sub-6GHz信道信息进行预测的准确率。
从预测结果可以看到,仅依靠sub-6GHz信道信息进行波束预测的性能较差。当通信环境质量较好时(SNR≥15dB),Top-1最优波束的预测准确率可达90%以上。当环境干扰比较严重时,Top-1最优波束的预测准确率会有一定的下降。
算法预测的Top-3最优波束中包含最优波束的概率在信噪比从30下降到0dB的情况下,始终可以保持非常优秀的准确率。这说明噪声虽然对本算法的预测带来了一定的干扰,但算法仍然可以较为准确地判断出最优波束的粗略方向。若基站所处通信环境长期存在较大的干扰,且基站对于可达速率较敏感,可以选择从Top-3最优波束候选池中进行波束扫描,选择其中接收强度最好的波束作为下行通信波束。
图4展示了基于MAML训练的模型、传统预训练模型和随机初始化模型在新的通信环境下学习能力的比较。可以看出,虽然基于MAML训练的模型在训练前准确率低于预训练模型,但在进行10轮epochs后,模型预测性能迅速提升到80%以上,且在后续训练中始终好于传统的预训练模型,证明了基于MAML训练模型具有更强的学习能力和泛化性能。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种基于sub6GHz信道以及部分毫米波导频的通信波束选择方法,其特征在于,包括如下步骤:
步骤(1):构建ntask个子任务,每个子任务对应一个基站的通信环境,每个Task包括了一个支撑集和一个查询集;搭建波束选择预测模型,包括sub6模块、天线选择模块、毫米波模块、分类模块,初始化模型参数Θ;
步骤(2):对于子任务Ti,将支撑集中的sub6信道CSI输入到sub6模块,得到sub6特征向量;将sub6特征向量输入到天线选择模块,得到激活的毫米波天线索引;获取支撑集中激活天线的导频,输入毫米波模块,得到毫米波特征向量;将sub6特征向量与毫米波特征向量融合,输入到分类模块,得到各个波束为最优波束的概率;
读取下一个Batch的子任务,循环步骤(2)到步骤(4),直到模型收敛;
步骤(5):根据模型输出的概率向量,得到Top-1最优波束和Top-3最优波束。
2.根据权利要求1所述的基于sub6GHz信道以及部分毫米波导频的通信波束选择方法,其特征在于:所述步骤(1)的具体步骤包括:
(1.1)子任务划分:元学习的基本训练单元是Task,即子任务;每一个子任务对应一种基站所处的通信场景;每个子任务内划分出支撑集和查询集;
(1.2)支撑集由组成,其中表示用户和基站之间的sub6GHz信道矩阵,Ns表示sub6频段基站天线数量,Nc表示载波数量;表示用户和基站之间的毫米波信道信息,Nm表示毫米波频段基站天线数量;yspt表示用户和基站之间最佳波束对应的码字索引;查询集由组成,各部分含义与支撑集同理;
支撑集用于模型进行innerloop训练,查询集用于评估innerloop后模型的推理能力,并对模型进行outerloop训练。
3.根据权利要求1所述的基于sub6GHz信道以及部分毫米波导频的通信波束选择方法,其特征在于:所述步骤(2)的具体步骤包括:
(2.1)sub6模块:将Xsub6转换成1维向量,输入sub6模块,输出特征向量ys;模块由Ls层全连接网络组成,表示为
(2.2)天线选择模块:天线选择模块用于选择激活少量毫米波天线,辅助sub6信道信息进行波束选择;模块输入sub6特征向量ys,输出天线选择向量v;将向量n与毫米波信道矩阵Xmm相乘,得到所选天线对应的部分毫米波信道信息X′mm;
被选择的天线所对应的毫米波信道信息X′mm表示如下
X′mm=v⊙Xmm
(2.3)毫米波模块:将激活天线的毫米波信道矩阵X′mm转换为一维向量,输入到毫米波模块,输出特征向量ym;模块由Lm层全连接网络组成;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480587.5A CN114844545A (zh) | 2022-05-05 | 2022-05-05 | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480587.5A CN114844545A (zh) | 2022-05-05 | 2022-05-05 | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114844545A true CN114844545A (zh) | 2022-08-02 |
Family
ID=82568430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210480587.5A Pending CN114844545A (zh) | 2022-05-05 | 2022-05-05 | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114844545A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412844A (zh) * | 2022-08-25 | 2022-11-29 | 北京大学 | 一种基于多模态信息联觉的车联网波束实时对准方法 |
CN115622596A (zh) * | 2022-12-12 | 2023-01-17 | 深圳大学 | 一种基于多任务学习的快速波束对齐方法 |
CN116680554A (zh) * | 2023-06-19 | 2023-09-01 | 扬州大学 | 一种基于概率化元学习模型的旋转机械寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112073106A (zh) * | 2020-08-14 | 2020-12-11 | 清华大学 | 毫米波波束预测方法及装置、电子设备、可读存储介质 |
CN112686213A (zh) * | 2021-01-26 | 2021-04-20 | 杭州电子科技大学 | 一种基于循环神经网络及毫米波的osahs诊断*** |
US20220014933A1 (en) * | 2020-07-09 | 2022-01-13 | Industry Foundation Of Chonnam National University | Deep learning-based beamforming communication system and method |
-
2022
- 2022-05-05 CN CN202210480587.5A patent/CN114844545A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220014933A1 (en) * | 2020-07-09 | 2022-01-13 | Industry Foundation Of Chonnam National University | Deep learning-based beamforming communication system and method |
CN112073106A (zh) * | 2020-08-14 | 2020-12-11 | 清华大学 | 毫米波波束预测方法及装置、电子设备、可读存储介质 |
CN112686213A (zh) * | 2021-01-26 | 2021-04-20 | 杭州电子科技大学 | 一种基于循环神经网络及毫米波的osahs诊断*** |
Non-Patent Citations (1)
Title |
---|
张明寒: "毫米波智能无线通信中的波束管理方法研究", 《信息科技辑》, 29 February 2024 (2024-02-29) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412844A (zh) * | 2022-08-25 | 2022-11-29 | 北京大学 | 一种基于多模态信息联觉的车联网波束实时对准方法 |
CN115412844B (zh) * | 2022-08-25 | 2024-05-24 | 北京大学 | 一种基于多模态信息联觉的车联网波束实时对准方法 |
CN115622596A (zh) * | 2022-12-12 | 2023-01-17 | 深圳大学 | 一种基于多任务学习的快速波束对齐方法 |
CN115622596B (zh) * | 2022-12-12 | 2023-04-18 | 深圳大学 | 一种基于多任务学习的快速波束对齐方法 |
CN116680554A (zh) * | 2023-06-19 | 2023-09-01 | 扬州大学 | 一种基于概率化元学习模型的旋转机械寿命预测方法 |
CN116680554B (zh) * | 2023-06-19 | 2024-04-19 | 扬州大学 | 一种基于概率化元学习模型的旋转机械寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114844545A (zh) | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 | |
CN113411110B (zh) | 一种基于深度强化学习的毫米波通信波束训练方法 | |
Rezaie et al. | Location-and orientation-aided millimeter wave beam selection using deep learning | |
Wang et al. | Partially-connected hybrid beamforming design for integrated sensing and communication systems | |
CN105790813A (zh) | 一种大规模mimo下基于深度学习的码本选择方法 | |
CN112564752A (zh) | 一种优化稀疏天线激活可重构智能表面辅助通信方法 | |
JP2007159130A (ja) | 分散型アンテナ移動通信システムにおける上り受信方法及び装置 | |
CN110336594A (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN115085774B (zh) | 一种基于克拉美罗界的通感融合混合波束赋形方法 | |
CN114172547A (zh) | 基于智能反射面的无线携能通信混合预编码设计方法 | |
CN107566305A (zh) | 一种低复杂度的毫米波***信道估计方法 | |
CN115021779B (zh) | Ris辅助的mimo***的离散相移设计方法和装置 | |
CN113438002A (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
Wang et al. | Jointly learned symbol detection and signal reflection in RIS-aided multi-user MIMO systems | |
Sharifi et al. | A POMDP-based antenna selection for massive MIMO communication | |
Abdallah et al. | Multi-agent deep reinforcement learning for beam codebook design in RIS-aided systems | |
Xu et al. | Learning to select for MIMO radar based on hybrid analog-digital beamforming | |
Kaur et al. | Contextual beamforming: Exploiting location and AI for enhanced wireless telecommunication performance | |
Rahman et al. | Deep Learning Based One Bit-ADCs Efficient Channel Estimation Using Fewer Pilots Overhead for Massive MIMO System | |
Ghadikolaei et al. | Learning-based tracking of AoAs and AoDs in mmWave networks | |
CN114598574A (zh) | 一种基于深度学习的毫米波信道估计方法 | |
Wang et al. | Wideband Beamforming for RIS Assisted Near-Field Communications | |
Peng et al. | RISnet: A scalable approach for reconfigurable intelligent surface optimization with partial CSI | |
Saxena et al. | A learning approach for optimal codebook selection in spatial modulation systems | |
Park et al. | Utilization of beam signatures supporting high user mobility with extremely low feedback overhead |
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 |