CN104579588B - 用于空间调制信号的检测方法 - Google Patents
用于空间调制信号的检测方法 Download PDFInfo
- Publication number
- CN104579588B CN104579588B CN201510060867.0A CN201510060867A CN104579588B CN 104579588 B CN104579588 B CN 104579588B CN 201510060867 A CN201510060867 A CN 201510060867A CN 104579588 B CN104579588 B CN 104579588B
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- fitness function
- current
- global optimum
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
- H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
用于空间调制信号的检测方法，属于天线传输领域。传统的粒子种群算法在空间调制信号检测过程中，存在随着迭代次数增加粒子种类数迅速减少、收敛性能降低的问题。一种用于空间调制信号的检测方法，每次迭代中对每一个粒子的位置根据空间调制的特点映射到空间中去，计算能够反应粒子性能的好坏的适应度函数值。再比较当前粒子的适应度函数值与粒子的历史粒子自身最优适应值比较，将最小的作为最新的全局最优值。通过向粒子种群最优粒子学习和向粒子种群中所有性能比它好的粒子学习的方式，更新粒子的位置与速度。当迭代计算达到最大次数后，输出最后的全局最优值对应的全局最优位置作为检测符号，即与接收符号对应的接收符号。
Description
技术领域
本发明涉及一种用于空间调制信号的检测方法。
背景技术
空间调制是一种新型的多天线传输技术，有别于传统的二维(实数域、虚数域)调制技术，空间调制引入第三维：空间维度，即将发射天线的序号作为新的映射资源，通过建立不同的输入比特与天线序号的映射关系，达到空间调制的目的。传统的多天线技术，无论是复用还是分集，都将所有的符号信息通过全部的发射天线发送出去，而在空间调制中，有一部分信息是隐含于天线的选择中，并没有实际传输，接收端通过一定的检测算法还原出发送信息的天线序号，即可恢复出这一部分的比特信息。
在空间调制系统的发射端，所有的输入比特被分为两个部分，第一部分称为空间比特，用来选择在每一时刻进行数据传输的发射天线序号；第二部分称为调制比特，采用传统的调制方法将输入比特映射为星座点符号。因此在每一时刻，只有被选出的那一根发射天线才承载相应的符号数据，进行发送，其他天线在这一时刻暂时处于空闲状态，不传输任何数据，有效地避免了天线间的相互干扰，也降低了射频模块的数量。
但传统的粒子种群算法在空间调制信号检测过程中随着迭代次数增加，粒子种类数迅速减少，粒子种群多样性差；且随着迭代次数增加收敛性能也降低。
发明内容
本发明的目的是为了解决传统的粒子种群算法在空间调制信号检测过程中，存在随着迭代次数增加粒子种类数迅速减少、收敛性能降低的问题，而提出一种用于空间调制信号的检测方法。
一种用于空间调制信号的检测方法，所述检测方法通过以下步骤实现：
步骤一、在D维空间中，将待检测发送信号的潜在解作为一个粒子，所有潜在解组成一个粒子种群，根据收发天线数目和调制方式设置迭代次数Nd和粒子总数Np，对粒子的当前粒子速度当前粒子位置Xi、学习因子一c1和学习因子二c2进行初始化设置；
步骤二、将每一个粒子的当前粒子位置Xi根据空间调制的特点映射到空间中，通过适应度函数迭代公式：q＝||y-H*Xi||2进行适应度函数值q的第一次迭代计算，即将由已知的信道信息H生成的接收符号与已知的接收符号y进行比较，得到每一个粒子的粒子位置的适应度函数值q，将每一个粒子第一次得到的适应度函数值q作为自身最优适应值；并将整个粒子种群中所有粒子的自身最优适应值从小到大排列，将最小的自身最优适应值作为全局最优值；
步骤三、向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习，以更新各个粒子的当前粒子速度同时，将粒子位置Xi的各维坐标由sigmoid函数设定为相应的0或1，以更新各个粒子的当前粒子位置Xi，完成第一次迭代；
步骤四、利用步骤三得到的新的粒子位置Xi，通过适应度函数迭代公式进行第二次迭代，得到每一个粒子的新的适应度函数值q′，将整个粒子种群中所有粒子的新的适应度函数值q′从小到大排列，将最小的新的适应度函数值与上一次迭代计算中得到的全局最优值比较，取二者中较小者作为新的全局最优值，并将粒子种群中新的全局最优值作为性能好粒子，同时，保存这个新的全局最优值的对应位置，作为最优位置；
步骤五、第二次向种群中所有比当前粒子位置的新的适应度函数值q′小的所有粒子学习，以更新各个粒子的当前粒子速度同时，将粒子位置Xi的各维坐标由sigmoid函数设定为相应的0或1，以更新各个粒子的当前粒子位置Xi，完成第二次迭代；
步骤六、重复步骤四和步骤五的迭代计算，直到完成Nd次迭代计算，并在每次迭代计算的同时进行比较以获得粒子的最新的自身最优适应值和最新的全局最优值，再将最新的全局最优值作为最后的全局粒子最优值，并输出此时最后的全局粒子最优值对应的全局最优位置作为检测符号。
本发明的有益效果为：
本发明将粒子种群算法引入到空间调制中，在此基础上，提出了一种改进粒子种群算法。具体方法是在已知信道矩阵信息和接收符号的情况下，对每一个接收符号向量使用改进粒子种群算法搜索。而改进粒子种群算法具体是根据收发天线数目和调制方式事先设置粒子种群规模、迭代次数等参数，对粒子的速度和位置进行初始化，然后在每次迭代中对每一个粒子的位置根据空间调制的特点映射到空间中去，计算能够反应粒子性能的好坏的适应度函数值。再比较当前粒子的适应度函数值与粒子的历史粒子自身最优适应值比较，将最小的作为最新的全局最优值。通过向粒子种群最优粒子学习和向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习的方式，更新粒子的位置与速度。当迭代计算达到最大次数后，输出最后的全局最优值对应的全局最优位置作为检测符号，即与接收符号对应的接收符号。在空间调制算法中使用粒子种群算法，通过适应值的调节使所求得的解不断向真实解收敛，在保证误码率为1％以下的同时，仍能保持粒子种群多样性。并且降低算法的复杂度，因此信号检测的过程更加智能。
误码率与信道类型、噪声大小、符号数都有关，通过不同的收发天线数目和不同调制方式下的仿真结果表明，本发明方法与常规的粒子种群算法相比，这种改进的粒子种群算法具有误码率降低一个数量级，通过整体算法误码率的降低以避免粒子陷入局部收敛的情况，收敛性较传统算法提高30％左右，计算复杂度低的优点，能够有效地应用在空间调制信号检测过程中。
附图说明
图1为本发明的流程图；
图2为本发明实施例1涉及的改进粒子种群算法与空间调制算法中传统粒子种群算法关于误码率的比较，其中，纵坐标表示误码率，Eb代表平均到每个比特上的信号能量，N0代表噪声的功率谱密度，二者比值代表信噪比，单位为dB；
图3为本发明实施例1涉及的改进粒子种群、传统粒子种群、以及最大似然法的性能比较，其中，纵坐标表示误码率，Eb代表平均到每个比特上的信号能量，N0代表噪声的功率谱密度，二者比值代表信噪比，单位为dB；
图4为本发明实施例1涉及的改进粒子种群算法与传统粒子种群算法的粒子种群多样性的比较；
图5为本发明实施例1涉及的改进粒子种群算法的收敛测量函数曲线与传统粒子种群算法的比较。
具体实施方式
具体实施方式一：
本实施方式的用于空间调制信号的检测方法，粒子种群优化算法(ParticleSwarm Optimization,PSO)是由美国电气工程师Eberhart博士和社会心理学家Kennedy博士在1995年从鸟群捕食行为中得到灵感而提出的一种演化计算算法，此算法发表后不久便在国外相关领域中成为研究人员关注的焦点。PSO算法具有概念简明，便于实现，收敛速度快的优点。近些年来，粒子种群优化算法在组合优化、智能计算以及神经网络等许多领域都取得了广泛的应用。
如图1所示，所述检测方法通过以下步骤实现：
步骤一、在D维空间中，将待检测发送信号的潜在解作为一个粒子，所有潜在解组成一个粒子种群，根据收发天线数目和调制方式设置迭代次数Nd和粒子总数Np，对粒子的当前粒子速度当前粒子位置Xi、学习因子一c1和学习因子二c2进行初始化设置，其中，学习因子一c1和学习因子二c2由粒子种群公式得出；
步骤二、将每一个粒子的当前粒子位置Xi根据空间调制的特点映射到空间中，通过适应度函数迭代公式：q＝||y-H*Xi||2进行适应度函数值q的第一次迭代计算，即将由已知的信道信息H生成的接收符号与已知的接收符号y进行比较，对每一个搜索到的粒子位置Xi求欧氏距离q，即得到每一个粒子的粒子位置的适应度函数值q，将每一个粒子第一次得到的适应度函数值q作为自身最优适应值；并将整个粒子种群中所有粒子的自身最优适应值从小到大排列，将最小的自身最优适应值作为全局最优值；
步骤三、向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习，以更新各个粒子的当前粒子速度同时，将粒子位置Xi的各维坐标由sigmoid函数设定为相应的0或1，以更新各个粒子的当前粒子位置Xi，完成第一次迭代；
步骤四、利用步骤三得到的新的粒子位置Xi，通过适应度函数迭代公式进行第二次迭代，得到每一个粒子的新的适应度函数值q′，将整个粒子种群中所有粒子的新的适应度函数值q′从小到大排列，将最小的新的适应度函数值与上一次迭代计算中得到的全局最优值比较，取二者中较小者作为新的全局最优值，并将粒子种群中新的全局最优值作为性能好粒子，同时，保存这个新的全局最优值的对应位置，作为最优位置；
步骤五、第二次向种群中所有比当前粒子位置的新的适应度函数值q′小的所有粒子学习，以更新各个粒子的当前粒子速度同时，将粒子位置Xi的各维坐标由sigmoid函数设定为相应的0或1，以更新各个粒子的当前粒子位置Xi，完成第二次迭代；
步骤六、重复步骤四和步骤五的迭代计算，直到完成Nd次迭代计算，并在每次迭代计算的同时进行比较以获得粒子的最新的自身最优适应值和最新的全局最优值，再将最新的全局最优值作为最后的全局粒子最优值，并输出此时最后的全局粒子最优值对应的全局最优位置作为检测符号。
具体实施方式二：
与具体实施方式一不同的是，本实施方式的用于空间调制信号的检测方法，步骤三所述更新各个粒子的当前粒子速度通过公式：向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习，以得到更新后的速度式中，
表示全局最优位置与当前粒子位置的差距，c1为随机生成的0到4之间的数，优选取值为2；
表示根据权重不同向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习，c2为随机生成的0到4之间的数，优选取值为2，m表示当前粒子的排列序号；例如，当前粒子i为8号粒子，它的排列序号为3，排列序号为1的是2号粒子，排列序号为2的是4号粒子，那么m＝3，相应的ω1、ω2和表示2号粒子、4号粒子的加权值和2号粒子、4号粒子的自身最优位置的d比特位；
为k时刻更新后第i个粒子第d比特位的速度；i＝1,2,3,...,Np，Np表示粒子的总数，ω为[0，1]区间均匀分布的随机数，
为k时刻第i个粒子第d比特位的速度；
ωnd表示权重函数，且qn表示序号为n的粒子的适应度函数值，n表示与粒子的m值相应的所要进行更新的粒子序号，
为k时刻全局最优粒子的第d比特位的全局最优值，取值为0或者1，
为k时刻第i个粒子第d比特位的自身最优适应值，取值为0或者1，
为k时刻要更新的第i个粒子第d比特位的位置坐标，取值为0或者1。
具体实施方式三：
与具体实施方式一或二不同的是，本实施方式的用于空间调制信号的检测方法，所述将当前粒子速度向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习的学习程度由权重函数ωnd决定。
实施例1：
设定频带利用率为5bit/s/Hz时，发收天线为8×4的QPSK、发收天线为4×4的QAM和发收天线为2×4的16QAM的数字调制条件下，并通过改进粒子群算法进行以下迭代计算过程：将每一个粒子的当前粒子位置Xi根据空间调制的特点映射到空间中，通过适应度函数迭代公式：q＝||y-H*Xi||2进行适应度函数值q的第一次迭代计算，即将由已知的信道信息H生成的接收符号与已知的接收符号y进行比较，得到每一个粒子的粒子位置的适应度函数值q，将每一个粒子第一次得到的适应度函数值q作为自身最优适应值；并将整个粒子种群中所有粒子的自身最优适应值从小到大排列，将最小的自身最优适应值作为全局最优值；
向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习，以更新各个粒子的当前粒子速度同时，将粒子位置Xi的各维坐标由sigmoid函数设定为相应的0或1，以更新各个粒子的当前粒子位置Xi，完成第一次迭代将粒子位置Xi通过适应度函数迭代公式q＝||y-H*Xi||2进行迭代计算，得到每一个粒子的新的适应度函数值q′，将整个粒子种群中所有粒子的新的适应度函数值q′从小到大排列，将最小的新的适应度函数值与上一次迭代计算中得到的全局最优值比较，取二者中较小者作为新的全局最优值，并将粒子种群中新的全局最优值作为性能好粒子，同时，保存这个新的全局最优值的对应位置，作为最优位置；
直到完成Nd次迭代计算，通过迭代计算得到粒子的最新的最优适应值，再利用最新的最优适应值与上一次获得的新的全局最优值的比较得到最新的全局最优值，再将最小者作为最后的全局粒子最优值，并输出此时最后的全局粒子最优值对应的全局最优位置作为检测符号，完成改进粒子种群的计算过程。得出如图2所示的改进粒子种群算法与空间调制算法中传统粒子种群算法关于误码率的比较，以及如图3所示的传统粒子种群、改进粒子种群以及最大似然法的性能比较。传统粒子种群算法在Eb/N0为10dB左右达到误码门限，此时误码率为10-2左右，此后随着Eb/N0的增加，误码改善不明显，而改进的粒子种群算法的误码门限为14dB以上，对应的误码率小于10-3，比传统粒子种群算法相比有一个数量级的改善。改进粒子种群算法性能与传统粒子种群算法相比，性能有很大提升。发送天线数目少的系统性能会优于发送天线数目多的系统，一方面是由于发送天线数目小的系统中每根天线携带的比特信息较少，天线序号的错误只会引起少量比特的错误，另一方面是由于在相同的发射符号条件下，天线序号的错误取决于信道矩阵中相应列之间的最小欧式距离，发送天线数目较大系统的信道矩阵中列与列之间的最小欧式距离取得较小值的概率较大，因此天线序号错误概率大于发送天线数目较小的系统。
传统算法与改进算法性能上有很大差异，产生这种差异的原因在于改进算法增加了粒子种群粒子的种类，这一点可以从粒子种群多样性和收敛性的仿真中看出来。
在设定发送相同的1000个符号后分别进行15次粒子种群迭代，如图4所示，每次迭代后，计算改进粒子种群算法与传统粒子种群算法的粒子种群多样性进行比较；
定义所有粒子的重心：
粒子种群多样性：
其中，Np为粒子总数，Nt为发射天线数(即向量维数)。传统的粒子种群算法随着迭代次数增加，粒子种类数迅速减少，而改进的粒子种群算法，在迭代次数增加时，在保证误码率为1％以下的同时，仍能保持粒子种群多样性，在保证性能优秀的粒子的同时，降低粒子陷入局部收敛的概率。
定义为第k次迭代时粒子种群平均适应度值，如图5所示的传统粒子种群算法与改进算法的收敛测量函数曲线中，收敛性测量函数Q表示成Nd次迭代中，各次适应度函数均值之差的累积平均，即：
随着迭代次数的增加，收敛性函数值逐渐减小，说明相邻两次迭代过程的中适应值的差距在不断缩小，表明算法是在不断收敛的。改进粒子种群算法的收敛函数值始终小于传统算法，说明改进算法的收敛性能优于传统粒子种群算法。
Claims (2)
1.一种用于空间调制信号的检测方法，其特征在于：所述检测方法通过以下步骤实现：
步骤一、在D维空间中，将待检测发送信号的潜在解作为一个粒子，所有潜在解组成一个粒子种群，根据收发天线数目和调制方式设置迭代次数Nd和粒子总数Np，对粒子的当前粒子速度当前粒子位置Xi、学习因子一c1和学习因子二c2进行初始化设置；
步骤二、将每一个粒子的当前粒子位置Xi根据空间调制的特点映射到空间中，通过适应度函数迭代公式：q＝||y-H*Xi||2进行适应度函数值q的第一次迭代计算，即将由已知的信道信息H生成的接收符号与已知的接收符号y进行比较，得到每一个粒子的粒子位置的适应度函数值q，将每一个粒子第一次得到的适应度函数值q作为自身最优适应值；并将整个粒子种群中所有粒子的自身最优适应值从小到大排列，将最小的自身最优适应值作为全局最优值；
步骤三、向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习，以更新各个粒子的当前粒子速度同时，将粒子位置Xi的各维坐标由sigmoid函数设定为相应的0或1，以更新各个粒子的当前粒子位置Xi，完成第一次迭代；
具体过程为：
通过公式：向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习，以得到更新后的速度式中，表示全局最优位置与当前粒子位置的差距，c1为随机生成的0到4之间的数，优选取值为2；
表示根据权重不同向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习，c2为随机生成的0到4之间的数，优选取值为2，m表示当前粒子的排列序号；
为k时刻更新后第i个粒子第d比特位的速度；i＝1,2,3,...,Np，Np表示粒子的总数，ω为[0，1]区间均匀分布的随机数，
为k时刻第i个粒子第d比特位的速度；
ωnd表示权重函数，且qn表示序号为n的粒子的适应度函数值，n表示与粒子的m值相应的所要进行更新的粒子序号，
为k时刻全局最优粒子的第d比特位的全局最优值，取值为0或者1，
为k时刻第i个粒子第d比特位的自身最优适应值，取值为0或者1，
为k时刻要更新的第i个粒子第d比特位的位置坐标，取值为0或者1；
步骤四、利用步骤三得到的新的粒子位置Xi，通过适应度函数迭代公式进行第二次迭代，得到每一个粒子的新的适应度函数值q′，将整个粒子种群中所有粒子的新的适应度函数值q′从小到大排列，将最小的新的适应度函数值与上一次迭代计算中得到的全局最优值比较，取二者中较小者作为新的全局最优值，并将粒子种群中新的全局最优值作为性能好粒子，同时，保存这个新的全局最优值的对应位置，作为最优位置；
步骤五、第二次向种群中所有比当前粒子位置的新的适应度函数值q′小的所有粒子学习，以更新各个粒子的当前粒子速度同时，将粒子位置Xi的各维坐标由sigmoid函数设定为相应的0或1，以更新各个粒子的当前粒子位置Xi，完成第二次迭代；
步骤六、重复步骤四和步骤五的迭代计算，直到完成Nd次迭代计算，通过迭代计算得到粒子的最新的最优适应值，再利用最新的最优适应值与上一次获得的新的全局最优值的比较得到最新的全局最优值，再将最小者作为最后的全局粒子最优值，并输出此时最后的全局粒子最优值对应的全局最优位置作为检测符号。
2.根据权利要求1所述用于空间调制信号的检测方法，其特征在于：所述将当前粒子速度向种群中所有比当前粒子位置的适应度函数值q小的所有粒子学习的学习程度由权重函数ωnd决定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510060867.0A CN104579588B (zh) | 2015-02-05 | 2015-02-05 | 用于空间调制信号的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510060867.0A CN104579588B (zh) | 2015-02-05 | 2015-02-05 | 用于空间调制信号的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104579588A CN104579588A (zh) | 2015-04-29 |
| CN104579588B true CN104579588B (zh) | 2018-01-30 |
Family
ID=53094893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510060867.0A Active CN104579588B (zh) | 2015-02-05 | 2015-02-05 | 用于空间调制信号的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104579588B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101159517A (zh) * | 2007-11-06 | 2008-04-09 | 西安电子科技大学 | 基于离散粒子群算法的v-blast系统检测方法 |
| CN101217345A (zh) * | 2008-01-18 | 2008-07-09 | 西安电子科技大学 | 一种垂直分层空时编码通信系统的检测方法 |
| CN102215188A (zh) * | 2011-06-20 | 2011-10-12 | 哈尔滨工程大学 | 改进人工蜂群粒子滤波信道估计方法 |
| CN102663494A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种基于变异粒子群算法的膜优化算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201201936D0 (en) * | 2012-02-03 | 2012-03-21 | Univ Southampton | Super-oscillatory lens device |
-
2015
- 2015-02-05 CN CN201510060867.0A patent/CN104579588B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101159517A (zh) * | 2007-11-06 | 2008-04-09 | 西安电子科技大学 | 基于离散粒子群算法的v-blast系统检测方法 |
| CN101217345A (zh) * | 2008-01-18 | 2008-07-09 | 西安电子科技大学 | 一种垂直分层空时编码通信系统的检测方法 |
| CN102215188A (zh) * | 2011-06-20 | 2011-10-12 | 哈尔滨工程大学 | 改进人工蜂群粒子滤波信道估计方法 |
| CN102663494A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种基于变异粒子群算法的膜优化算法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于Sigmoid惯性权重自适应调整的粒子群优化算法;黄利，杜伟伟，丁立新;《计算机应用研究》;20120131;第29卷(第1期);第32-34页 * |
| 基于二进制混沌粒子群算法的认知决策引擎;于洋，谭学治，殷聪，张闯，马琳;《哈尔滨工业大学学报》;20140331;第46卷(第3期);第8-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104579588A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Deep power control: Transmit power control scheme based on convolutional neural network | |
| Lee et al. | Deep learning based transmit power control in underlaid device-to-device communication | |
| CN111628855B (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
| CN109617584A (zh) | 一种基于深度学习的mimo系统波束成形矩阵设计方法 | |
| CN106059972A (zh) | 一种基于机器学习算法的mimo相关信道下的调制识别方法 | |
| CN109104225A (zh) | 一种能效最优的大规模mimo波束域多播传输方法 | |
| CN103916355B (zh) | 一种认知ofdm网络中子载波的分配方法 | |
| CN112039820B (zh) | 量子象群机制演化bp神经网络的通信信号调制识别方法 | |
| CN113708804B (zh) | 基于鲸鱼算法的用户调度和模拟波束选择优化方法 | |
| CN105656538A (zh) | 一种大规模mimo系统的低复杂度置信传播检测算法 | |
| CN114051701A (zh) | 用于机器学习辅助预编码的设备和方法 | |
| CN112911608B (zh) | 一种面向边缘智能网络的大规模接入方法 | |
| CN112637094A (zh) | 一种基于模型驱动深度学习的多用户mimo接收方法 | |
| CN109039534A (zh) | 一种基于深度神经网络的稀疏码分多址信号检测方法 | |
| CN108768482A (zh) | 基于遗传算法的scma码本生成方法 | |
| CN112217545B (zh) | 一种大规模mimo系统检测模型构建方法 | |
| Yang et al. | A learning-aided flexible gradient descent approach to MISO beamforming | |
| CN104504424B (zh) | 基于多种群共生进化的射频识别网络布局优化方法 | |
| Le-Tran et al. | Deep learning-based collaborative constellation design for visible light communication | |
| CN114204971A (zh) | 一种迭代的聚合波束成形设计和用户设备选择方法 | |
| CN109302217A (zh) | 一种高效的mimo系统发射天线选择方法 | |
| CN109391315A (zh) | 一种数据模型双驱动的mimo接收机 | |
| CN104579588B (zh) | 用于空间调制信号的检测方法 | |
| CN110505681B (zh) | 基于遗传方法的非正交多址接入场景用户配对方法 | |
| Annauth et al. | OFDM systems resource allocation using multi-objective particle swarm optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |