CN109510676B - 一种基于量子计算的无线信道预测方法 - Google Patents
一种基于量子计算的无线信道预测方法 Download PDFInfo
- Publication number
- CN109510676B CN109510676B CN201910026289.7A CN201910026289A CN109510676B CN 109510676 B CN109510676 B CN 109510676B CN 201910026289 A CN201910026289 A CN 201910026289A CN 109510676 B CN109510676 B CN 109510676B
- Authority
- CN
- China
- Prior art keywords
- matrix
- quantum
- data
- sample data
- output
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 91
- 239000013598 vector Substances 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000002096 quantum dot Substances 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 15
- 239000010410 layer Substances 0.000 description 14
- 238000005562 fading Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
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
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
Abstract
本发明公开了一种基于量子计算的无线信道预测方法，首先根据发送端和接收端的相对位置，接收端的速度及其他因素使用信道估计算法估计出信道参数。将信道参数数据分成样本数据和测试数据。接着将样本数据输入到极限学习机中进行训练，经过量子线性方程组求解得到极限学习机的训练参数。最后使用测试数据测试得到的学习机训练参数，并对训练参数进行优化。本发明将经典算法与量子计算相结合，将求解线性方程组中复杂度较高的子程序替换为量子计算，能够有效地降低经典算法的复杂度，同时不会对该算法的性能产生影响。
Description
技术领域
本发明属于无线通信领域，具体涉及一种基于量子计算的无线信道预测方法。
背景技术
随着社会的发展，无线通信的便利性更适合人们生活中的使用。因为无线通信使用时不需要通过线路介质进行传播。无线通信作为可移动的通信方式，能够灵活方便地为用户提供随时随地的通信服务，它不需要预先架设线路，能够轻易地覆盖有线网络覆盖不到的地方。从技术方面，无线通信技术从最初的2G无线通信技术不断发展到现在我们广泛使用的4G无线通信技术。目前，5G无线通信技术的研究有了很大进展，有望在未来几年内成功的商用。它在网络连接的稳定、网络数据的传输以及网络宽带等方面有了很大提升。
在无线通信中，因为在传输路径中普遍存在着障碍，所以信号的传输会存在着衰落。无线信号强度的衰减现象被称为信道衰落，主要分为长期(慢)衰落和短期(快)衰落。前者主要涉及由环境影响引起的功率平均衰减，而后者主要是由多径影响引起的。此外，不同的衰减信号的随机特性也会导致符号间干扰。短期衰落因其在获取信道状态信息(channelstate information，CSI)中的重要性而受到更多的关注，从而评估无线通信系统的性能。
传统上，快衰落中的CSI可以通过自适应估计算法估计。但是研究发现这种方法被计算复杂度和反馈延迟所影响。与传统的神经网络相比，极限学习机(extreme learningmachine,ELM)具有更快的学习速度和更高的精度。
目前使用ELM来进行信道预测，在这方面来体现它的优越性。量子计算最近几年成为研究的热门。因为经典的线性方程组求解的复杂度较高，所以采用量子计算来解决算法复杂度较高的部分，从而降低时间复杂度。虽然现有的ELM已经对无线通信系统的CSI短期预测有了很大的提高，但是复杂度仍然较高。
发明内容
本发明针对现有技术的不足，提出一种基于量子计算的无线通信衰落信道短期预测方法，有效降低现有算法的计算复杂度。
为达到上述目的，本发明采用以下技术方案：
步骤1：利用信道估计算法获取信道参数数据集，将信道参数数据分成训练样本数据和测试样本数据；
步骤2：将训练样本数据输入到极限学习机中进行训练包，括以下分步骤：
步骤21：根据步骤1取得的训练样本数据，生成隐层输出矩阵H，经过量子线性方程组求解得到极限学习机的输出权重β。步骤22，23为了求出输出权重。
步骤22：将训练样本数据中实部虚部分开计算，进行量子奇异值估计，得到输出权重β对应的量子态|β>；
步骤23：定义一组测量算子M，通过<β|M|β>来计算所需要输出权重β的具体值；
步骤3：将测试样本数据生成测试隐层输出矩阵Ht，对训练参数进行优化。
进一步的，其中步骤1包括，在时刻i的前N帧作为ELM的输入数据，第N+1帧作为输出数据y。
其中，i∈{1,2,…,NT}，NT为总的样本数，将样本数据分为两部分，一部分为训练样本数据，另一部分为测试样本数据，x为ELM的输入数据,h为信道参数函数。将训练样本数据中实部虚部分开计算。下面以实部为例计算。
进一步的，其中步骤2包括，极限学习机的学习过程表达式为Hβ＝Y，其中，
其中，x为训练样本输入数据，y为训练样本数据输出数据，H为隐层输出矩阵，其中w为输入权重，b为阈值，G为激活函数，β为输出权重，N为ELM输入层节点数，
为隐层节点数。
进一步的，步骤21、中生成隐层输出矩阵H如下：
假定HTH为非奇异矩阵，其中HT为矩阵H的转置矩阵，此时β＝H+Y＝(HTH)-1HTY，令A＝HTH，B＝HTY，这时β＝A-1B，为了不失一般性，假定矩阵A为厄米特矩阵，运用量子计算来求解线性方程组，
矩阵A的谱分解为：
将列向量B转换为量子态，
|B>＝∑iαi|vi>；
其中|vi>为矩阵A的奇异向量。再构造一个矩阵；
A′＝A+μI；
其中，β为输出权重，H+为矩阵H的逆矩阵，HT为矩阵H的转置矩阵，Y为训练样本数据输出矩阵。
进一步的，以矩阵A为例运算量子奇异值估计，量子态|B>＝∑iαi|vi>，将第一个寄存器设置为
并且构造量子态；
|QB>＝∑iαi|Qvi>；
其中αi为|B>的各个分量的系数，vi为矩阵A的特征向量，
为隐层节点数，在精度为2ε＞0的条件下对量子态|QB>对酉算子W执行相位估计，其中
与
为等距映射，Imn为单位矩阵，获得状态；
其中矩阵P，Q为矩阵A的分解，
||A||F为矩阵A的Frobenius范数，
相位估计值与奇异值之间的关系为：
其中
为相位估计值，||A||F为矩阵A的Frobenius范数，应用上述操作的逆变换得到量子态；
其中
为矩阵A估计出的奇异值。
进一步的，步骤23中：选择精度为ε＝1/κ，μ＝4/κ对矩阵A′进行量子奇异值估计，得到量子态：
其中κ为矩阵A的条件数，
添加一个辅助寄存器，如果寄存器B的值大于寄存器C得值，将此寄存器值设置为1，并添加一个控制相位门，
其中αi为|B>的各个分量的系数，vi为矩阵A的特征向量。
为矩阵A估计出的奇异值。
为矩阵A′估计出的奇异值，
再添加一个辅助寄存器，在条件γ＝O(1/κ)下对寄存器B执行旋转操作，取消寄存器B,C,D，得到状态；
测量最后一个量子位，当结果为0时，获得状态；
其中αi为|B>的各个分量的系数，vi为矩阵A的特征向量，
对应状态
定义一组测量算子M，通过<β|M|β>计算所需要的具体信息，
将训练数据中实部虚部分开计算，将虚部按照上述步骤同样求出。
进一步的，步骤3：将测试样本数据生成测试隐层输出矩阵Ht，使用下式计算预测信道参数Yt，
Yt＝Htβ
其中β为输出权重。计算Yt与测试数据输出yt的误差并对上述过程参数进行优化。
由于采用上述技术方案，本发明的有益效果为：本发明将经典算法与量子计算相结合，将求解线性方程组中复杂度较高的子程序替换为量子计算，能够有效地降低经典算法的复杂度，同时不会对该算法的性能产生影响。
附图说明
图1是本发明提供的一种基于量子计算的无线信道预测方法流程图。
具体实施方案
下面结合附图对本发明优选实施例作详细说明。
现有技术中，无线通信信道模型如下：
由于多径效应，接收信号被不同延迟和局部快速衰落的包络信号叠加，因此信道模型如下：
R(t)＝h(t)S(t)+λ(t)；
其中，R(t)，h(t)，S(t)分别为接收信号、信道参数和发送信号，λ(t)为高斯白噪声，在经典的Jakes瑞利信道中，h(t)通过以下公式定义：
其中，ζ为传输路径索引号，ψ为传输路径的总数，Γζ为信道的幅度，υζ为相位角，fζ为多普勒频移，它是由无线信号接收端与发射端的相对速度V决定的，由下式定义：
其中，C为电磁波的传播速度，fd为最大多普勒频移。
本发明一种基于量子计算的衰落信道的短期预测方法，如图1为本发明的流程图，使用经典的瑞利信道作为信道模型。
极限学习机通常使用单隐层前馈神经网络(Single Layer Feedforward neuronNetwotks，SLFNs)。这种神经网络由输入层、隐藏层和输出层三层组成。当选取的网络结构参数合适时，单隐层前馈神经网络可以以很小的误差拟合任意的连续函数。因此大多数极限学习机都采用随机的输入权重和阈值，防止对训练数据训练时产生过拟合。
具体包括以下步骤：
步骤1：利用信道估计算法获取信道参数数据集，将信道参数数据分成训练样本数据和测试样本数据；在时刻i的前N帧作为超极限学习机(ELM)的输入数据，第N+1帧作为输出数据y。
其中，i∈{1,2,…,NT}，NT为总的样本数。将样本数据分为两部分，一部分为训练样本数据，另一部分为测试样本数据。
步骤2：极限学习机的学习过程表达式为Hβ＝Y，其中
其中，x为训练样本输入数据，y为训练样本数据输出数据。H为隐层输出矩阵，其中w为输入权重，b为阈值，G为激活函数，β为输出权重。
步骤21、中生成隐层输出矩阵H如下：
假定HTH为非奇异矩阵，其中HT为矩阵H的转置矩阵，此时β＝H+Y＝(HTH)-1HTY，令A＝HTH，B＝HTY，这时β＝A-1B，为了不失一般性，假定矩阵A为厄米特矩阵，运用量子计算来求解线性方程组，
矩阵A的谱分解为：
将列向量B转换为量子态，
|B>＝∑iαi|vi>；
其中|vi>为矩阵A的奇异向量。再构造一个矩阵；
A′＝A+μI；
其中，β为输出权重，H+为矩阵H的逆矩阵，HT为矩阵H的转置矩阵，Y为训练样本数据输出矩阵。
步骤22：以矩阵A为例运算量子奇异值估计，量子态|B>＝∑iαi|vi>，将第一个寄存器设置为
并且构造量子态；
|QB>＝∑iαi|Qvi>；
其中αi为|B>的各个分量的系数，vi为矩阵A的特征向量，
为隐层节点数，在精度为2ε＞0的条件下对量子态|QB>对酉算子W执行相位估计，其中
与
为等距映射，Imn为单位矩阵，获得状态；
其中矩阵P，Q为矩阵A的分解，
||A||F为矩阵A的Frobenius范数，
相位估计值与奇异值之间的关系为：
其中
为相位估计值，||A||F为矩阵A的Frobenius范数，应用上述操作的逆变换得到量子态；
其中
为矩阵A估计出的奇异值。
步骤23中：选择精度为ε＝1/κ，μ＝4/κ对矩阵A′进行量子奇异值估计，得到量子态：
其中κ为矩阵A的条件数，
添加一个辅助寄存器，如果寄存器B的值大于寄存器C得值，将此寄存器值设置为1，并添加一个控制相位门，
其中αi为|B>的各个分量的系数，vi为矩阵A的特征向量，
为矩阵A估计出的奇异值，
为矩阵A′估计出的奇异值，
再添加一个辅助寄存器，在条件γ＝O(1/κ)下对寄存器B执行旋转操作，取消寄存器B,C,D，得到状态；
测量最后一个量子位，当结果为0时，获得状态；
其中αi为|B>的各个分量的系数，vi为矩阵A的特征向量，
对应状态
定义一组测量算子M，通过<β|M|β>计算所需要的具体信息，
将训练数据中实部虚部分开计算，将虚部按照上述步骤同样求出。
步骤3：将测试样本数据集生成测试隐层输出矩阵Ht，使用下式计算预测信道参数，
Yt＝Htβ；
计算Yt与yt的误差并对上述过程参数进行优化。
以上实施例的说明只是用于帮助理解本发明方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求保护范围内。
Claims (4)
1.一种基于量子计算的无线信道预测方法，其特征在于，包括以下步骤：
步骤1：利用信道估计算法获取信道参数数据集，将信道参数数据分成训练样本数据和测试样本数据；
步骤2：将训练样本数据输入到极限学习机中进行训练，包括以下分步骤：
步骤21、根据步骤1取得的训练样本数据，计算生成隐层输出矩阵H后，经过量子线性方程组求解得到极限学习机的输出权重β；
步骤21中运用量子计算来求解线性方程组如下：
假定HTH为非奇异矩阵，其中HT为矩阵H的转置矩阵，此时β＝H+Y＝(HTH)-1HTY，令A＝HTH，B＝HTY，这时解得的结果为β＝A-1B，为了不失一般性，假定矩阵A为厄米特矩阵，运用量子计算来求解线性方程组；其中，β为输出权重，H+为矩阵H的逆矩阵，HT为矩阵H的转置矩阵，Y为训练样本数据输出矩阵；
矩阵A的谱分解为：
将列向量B转换为量子态：
|B>＝∑iαi|vi>
其中|vi>为矩阵A的奇异向量；
步骤22、将训练样本数据中实部虚部分开计算，进行量子奇异值估计，得到输出权重β对应的量子态|β>；
步骤22：将矩阵A运算量子奇异值估计，运用量子态|B>＝∑iαi|vi>，将第一个寄存器设置为
并且构造量子态：
|QB>＝∑iαi|Qvi>
其中，αi为|B>的各个分量的系数，vi为矩阵A的特征向量，
为隐层节点数；
在精度为2ε＞0的条件下对量子态|QB>的酉算子W执行相位估计，其中
与
为等距映射，Imn为单位矩阵，获得状态：
其中，矩阵P，Q为矩阵A的分解，
||A||F为矩阵A的Frobenius范数；
表示矩阵P的逆矩阵；Q+为矩阵Q的逆矩阵；
相位估计值与奇异值之间的关系为：
其中，
为相位估计值，||A||F为矩阵A的Frobenius范数，应用逆变换得到量子态：
其中
为矩阵A估计出的奇异值；
步骤23、定义一组测量算子M，通过<β|M|β>来计算线性方程组的解，即训练数据的输出权重β；
步骤23中：构造一个矩阵：
A′＝A+μI
选择精度为ε＝1/κ，μ＝4/κ对矩阵A′进行量子奇异值估计，得到量子态：
其中，κ为矩阵A的条件数；
添加一个辅助寄存器，如果寄存器B的值大于寄存器C的值，将寄存器值B设置为1，并添加一个控制相位门：
其中，αi为|B>的各个分量的系数，vi为矩阵A的特征向量，
为矩阵A估计出的奇异值，
为矩阵A′估计出的奇异值；
添加一个辅助寄存器，在条件γ＝O(1/κ)下对寄存器B执行旋转操作，取消寄存器B,C,D，得到状态：
测量最后一个量子位，当测量的最后一个量子位的结果为0时，获得状态：
其中，αi为|B>的各个分量的系数，vi为矩阵A的特征向量；
对应状态
定义一组测量算子M，通过<β|M|β>计算线性方程组的解；
步骤3：将测试样本数据生成测试隐层输出矩阵Ht，对输出权重进行优化。
2.根据权利要求1所述的一种基于量子计算的无线信道预测方法，其特征在于，其中步骤1包括，在时刻i的前N帧作为ELM的输入数据，第N+1帧作为输出数据y；
其中，i∈{1,2,…,NT}，NT为总的样本数，将样本数据分为两部分，一部分为训练样本数据，另一部分为测试样本数据，x为ELM的输入数据，h为信道参数函数。
3.根据权利要求1所述的一种基于量子计算的无线信道预测方法，其特征在于，其中步骤2包括，极限学习机的学习过程表达式为Hβ＝Y，其中：
其中，x为训练样本输入数据，y为训练样本数据输出数据，H为隐层输出矩阵，其中w为输入权重，b为阈值，G为激活函数，β为输出权重，N为ELM输入层节点数，
为隐层节点数。
4.根据权利要求1所述的一种基于量子计算的无线信道预测方法，其特征在于，
步骤3：将测试数据生成测试隐层输出矩阵Ht，按下式计算预测信道参数Yt：
Yt＝Htβ
其中β为输出权重，计算Yt与测试数据输出yt的误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910026289.7A CN109510676B (zh) | 2019-01-11 | 2019-01-11 | 一种基于量子计算的无线信道预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910026289.7A CN109510676B (zh) | 2019-01-11 | 2019-01-11 | 一种基于量子计算的无线信道预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109510676A CN109510676A (zh) | 2019-03-22 |
| CN109510676B true CN109510676B (zh) | 2021-09-21 |
Family
ID=65757703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910026289.7A Expired - Fee Related CN109510676B (zh) | 2019-01-11 | 2019-01-11 | 一种基于量子计算的无线信道预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109510676B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110635858B (zh) * | 2019-04-09 | 2021-11-09 | 杭州电子科技大学 | 一种基于量子计算的自回归模型信道预测方法 |
| CN110580316A (zh) * | 2019-09-09 | 2019-12-17 | 河南戎磐网络科技有限公司 | 一种基于量子启发的推荐方法 |
| CN111193535B (zh) * | 2020-01-14 | 2022-05-31 | 西华大学 | 一种在fdd大规模mimo系统中基于elm叠加csi的反馈方法 |
| CN111541505B (zh) * | 2020-04-03 | 2021-04-27 | 武汉大学 | 一种面向ofdm无线通信系统的时域信道预测方法及系统 |
| CN112134816B (zh) * | 2020-09-27 | 2022-06-10 | 杭州电子科技大学 | 一种基于智能反射表面的elm-ls联合信道估计方法 |
| CN112183756B (zh) * | 2020-09-30 | 2024-04-23 | 西北大学 | 一种可选择的精确量子主成分分析方法及应用 |
| CN113285896B (zh) * | 2021-04-30 | 2023-04-07 | 南京邮电大学 | 基于堆栈式elm的时变信道预测方法 |
| CN113472412B (zh) * | 2021-07-13 | 2023-10-24 | 西华大学 | 基于增强型elm的叠加csi反馈方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010037397A1 (en) * | 2008-10-01 | 2010-04-08 | Dako Denmark A/S | Mhc multimers in cmv immune monitoring |
| CN107302768A (zh) * | 2017-07-31 | 2017-10-27 | 南昌航空大学 | 一种采用超限学习机综合评估链路质量的方法 |
| CN108471333A (zh) * | 2018-02-09 | 2018-08-31 | 杭州电子科技大学 | 一种水下通信中的信道估计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10374710B2 (en) * | 2014-04-04 | 2019-08-06 | Nxgen Partners Ip, Llc | Re-generation and re-transmission of millimeter waves for building penetration |
-
2019
- 2019-01-11 CN CN201910026289.7A patent/CN109510676B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010037397A1 (en) * | 2008-10-01 | 2010-04-08 | Dako Denmark A/S | Mhc multimers in cmv immune monitoring |
| CN107302768A (zh) * | 2017-07-31 | 2017-10-27 | 南昌航空大学 | 一种采用超限学习机综合评估链路质量的方法 |
| CN108471333A (zh) * | 2018-02-09 | 2018-08-31 | 杭州电子科技大学 | 一种水下通信中的信道估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| Joint Quantum-Assisted Channel Estimation and Data Detection;Panagiotis Botsinis，et al.;《IEEE Access》;20160718;第4卷;全文 * |
| 量子计算的研究现状和发展动向;陈平形等;《国防科技》;20141231;第35卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109510676A (zh) | 2019-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109510676B (zh) | 一种基于量子计算的无线信道预测方法 | |
| US8451930B2 (en) | Sparse channel estimation using order extension for frequency and time selective MIMO wireless communication networks | |
| CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
| CN108512787B (zh) | 大规模mimo系统的超精细信道估计方法 | |
| CN112311706B (zh) | 基于贝叶斯神经网络信道预测的频分双工下行传输方法 | |
| CN110635858B (zh) | 一种基于量子计算的自回归模型信道预测方法 | |
| Jiang et al. | A deep learning method to predict fading channel in multi-antenna systems | |
| CN113162665B (zh) | 一种基于深度学习信道预测的预编码方法 | |
| CN114915523B (zh) | 基于模型驱动的智能超表面信道估计方法及系统 | |
| TW202139626A (zh) | 用於經預編碼通道的通道估計的方法及系統 | |
| CN113613301A (zh) | 一种基于dqn的空天地一体化网络智能切换方法 | |
| CN113765567B (zh) | 基于深度学习的大规模mimo收发联合波束成形方法 | |
| WO2017152876A1 (zh) | 用于无线通信的装置和方法、参数优化装置和方法 | |
| WO2019154004A1 (zh) | 多用户配对方法、装置及基站 | |
| Mekki et al. | Channel gain prediction for wireless links with kalman filters and expectation-maximization | |
| US9577768B2 (en) | Method for determining a performance of a MIMO communication and communication device | |
| TWI741619B (zh) | 多輸入輸出系統之參數估測方法 | |
| WO2024021620A1 (zh) | Mimo系统的性能优化方法、装置、设备及存储介质 | |
| CN107181705A (zh) | 一种半盲信道估计方法及系统 | |
| CN114938232B (zh) | 基于lstm的同时同频全双工数字域自干扰抑制方法 | |
| WO2022184010A1 (zh) | 信息上报方法、装置、第一设备及第二设备 | |
| CN112953861B (zh) | 基于矩阵恢复的大规模mimo信道估计方法 | |
| CN113890633B (zh) | 一种基于深度神经网络的水声通信体制自适应选取方法 | |
| CN113259280A (zh) | 一种车联网中基于机器学习优化的mimo信息检测方法 | |
| Dave et al. | Deep learning based semi-blind tracking for aging wireless communication channels |
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 |
Granted publication date: 20210921 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |