CN110300075A - 一种无线信道估计方法 - Google Patents
一种无线信道估计方法 Download PDFInfo
- Publication number
- CN110300075A CN110300075A CN201910363972.XA CN201910363972A CN110300075A CN 110300075 A CN110300075 A CN 110300075A CN 201910363972 A CN201910363972 A CN 201910363972A CN 110300075 A CN110300075 A CN 110300075A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- training
- elm
- estimation method
- radio channel
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/022—Channel estimation of frequency response
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种无线信道估计方法,用以解决现有技术中没有平衡计算复杂度与估计精度的问题。所述无线信道估计方法,根据无线通信中收发两端的导频信号,获得无线通信导频位置的信道频率响应,再根据信道频率响应和位置索引,训练ELM的神经网络,获得CSI的训练误差,再利用优化算法优化ELM的隐层神经元数目并得到最优数目,利用完成训练的ELM获得CSI。本发明实现了将极限学习机与优化算法相结合,得到了极限学习机的最优隐层神经元数,在信道估计中获得良好的均方误差性能和误码率性能,提高了信道估计的精度,是一种有效且易于使用的信道估计方法。
Description
技术领域
本发明属于无线通信领域,具体涉及信道估计领域,特别涉及一种无线信道估计方法。
背景技术
通信,作为人类生活的三大支柱之一,越来越多地应用到生活及生产的各个领域,用户量及数据量都呈指数型增长,而新一代移动通信技术在大数据的背景下要求高的传输速率和丰富的频谱资源,同时保证通信质量。
无线通信的通信质量在很大程度上依赖于信道估计的精度。信道估计是从接收数据中将假定的某个信道模型的模型参数估计出来的过程,要提高信道估计的精度,则需要估计误差最小化的估计算法。为了能在接收端准确的恢复发射端的发送信号,采用各种措施来抵抗多径效应对传输信号的影响,提高信道估计的精度。目前,信道估计的方法包括RLS自适应算法、LMS算法、最小均方差MMSE估计算法、压缩感知信道估计算法、神经网络算法等。其中,神经网络算法,基于机器学习模型,由于其具有良好的非线性映射能力,在无线信道估计技术中得到越来越多的研究和应用。
但是,现有技术中的基于神经网络的信道估计算法,在实现过程中需要较长的训练时间,从而导致传播的实时性差,影响信道估计的精度,降低了无线通信的通信质量。
发明内容
本发明针对现有技术中没有平衡计算复杂度与估计精度的问题,提供一种无线信道估计方法,利用优化算法优化极限学习机神经网络,从而在信道估计中获得良好的均方误差性能和误码率性能。
为解决上述技术问题,本发明实施例提供一种无线信道估计方法,所述方法包括以下步骤:
步骤S01,插入导频并记录位置索引,根据无线通信中收发两端的导频信号,获得无线通信导频位置的信道频率响应;
步骤S02,根据所述导频位置的信道频率响应和位置索引,训练ELM的神经网络,获得信道估计中信道状态信息CSI的训练误差;
步骤S03,根据所述ELM中CSI的训练误差,利用优化算法优化ELM的隐层神经元数目,获得适应此信道环境的隐层神经元的最优数目;
步骤S04,根据所述导频位置的信道频率响应和位置索引,利用完成训练的ELM获得CSI。
可选地,所述步骤S03中,所述利用优化算法优化ELM的隐层神经元数目,通过隐层神经元数在每次迭代中更新,最终达到最优。
可选地,所述步骤S03中优化算法为帝国竞争算法。
可选地,所述竞争算法包括:
步骤S131,隐层神经元参数初始化,产生初始帝国;
步骤S132,根据隐层神经元适应度函数值,进行殖民地同化及改革;
步骤S133,进行相似帝国之间的合并与帝国间竞争;
步骤S134,判断帝国个数是否等于1;当不等于1时,转入步骤S132;当等于1时,返回适应度值为最优值,结束竞争。
可选地,所述步骤S01中,导频位置的信道频率响应为:
其中,Yp表示接收端的导频信息,Xp表示导频符号信息。
可选地,所述步骤S02中,CSI的训练误差为:
mse=|Hβ-T|2
其中,H为隐层神经元输出矩阵,β为隐层神经元输出权值,T为为训练样本的输出数据。
可选地,所述步骤S02中,所隐层神经元述输出权值计算公式为:
其中,H为隐层神经元输出矩阵,T为训练样本的输出数据。
可选地,所述步骤S02中,CSI的训练误差为:
其中,为极限学习机输出的导频位置信道频率响应,Hk为实际的导频位置的信道频率响应,N为训练样本数目,上标H为数学意义上的共轭转置。
可选地,所述步骤S02中,所述由极限学习机输出值作为矩阵元素组成,其中,极限学习机输出值为:
其中,h(g)为激活函数,β为隐层神经元的输出权值,x为一个样本的输入数据。
本发明上述技术方案的有益效果如下:
本发明首先根据无线通信中收发两端的导频信号,获得无线通信导频位置的信道频率响应,根据所述导频位置的信道频率响应以及位置索引,训练极限学习机的神经网络,获得信道估计中信道状态信息的训练误差;根据所述极限学习机中CSI的训练误差,利用优化算法优化极限学习机的隐层神经元数目,获得适应此信道环境的隐层神经元的最优数目;最后,根据所述导频位置的信道频率响应和位置索引,利用完成训练的极限学习机获得无线信道状态信息。本发明实例实现了将极限学习机与帝国竞争算法相结合的信道估计方法,从而在信道估计中获得良好的均方误差性能和误码率性能。极限学习机算法具有较快的学习速度和较好的全局逼近能力,而帝国竞争算法优化极限学习机的隐层神经元数,当适应度函数经一定迭代次数趋于0之后,可得到极限学习机的最优隐层神经元数,提高了信道估计的精度,是一种有效且易于使用的机器学习算法。
附图说明
为了更加清晰的阐述本发明的实施例和现有的技术方案,下面将本发明的技术方案说明附图做简单的介绍,显而易见的,在不付出创造性劳动的前提下,本领域普通技术人员可通过本附图获得其他的附图。
图1为本发明实施例所述无线信道估计方法流程示意图;
图2为本发明实施例基于优化极限学习机ELM的无线信道估计方法流程示意图;
图3为本发明ELM的神经网络的结构示意图;
图4为本发明实施例采用帝国竞争算法优化极限学习机IC-ELM的隐层神经元数目流程示意图;
图5为本发明实施例所述信道估计中IC-ELM算法的均方误差曲线图;
图6为本发明实施例所述信道估计中IC-ELM算法的误码率估计性能曲线图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有技术中没有平衡计算复杂度与估计精度的问题,采用优化算法优化信道估计中极限学习机的隐层神经元数目,再利用已优化的极限学习机对无线信道进行信道估计,获得精确的信道状态信息。极限学习机算法是一种单隐层前馈神经网络学习算法,学习速度快,泛化能力强,学习过程仅需计算输出权重,隐层神经元的输入权重与阈值根据设定的分布随机生成,训练时间短。
基于此,本发明提供了一种基于优化极限学习机(Extreme Learning Machine,ELM)的无线信道估计方法,根据无线通信中收发两端的导频信号,获得无线通信导频位置的信道频率响应以及位置索引,训练极限学习机的神经网络获得信道状态信息(ChannelState Information,CSI)的训练误差,再利用优化算法优化极限学习机的隐层神经元数目,获得适应此信道环境的隐层神经元的最优数目,并进一步利用完成训练的极限学习机获得无线通信的信道状态信息,完成无线信道估计。
图1所示为本发明实施例所述无线信道估计方法流程示意图。如图1所示,所述无线信道估计方法包括如下步骤:
步骤S01,插入导频并记录位置索引,根据无线通信中收发两端的导频信号,获得无线通信导频位置的信道频率响应;
步骤S02,根据所述导频位置的信道频率响应和位置索引,训练ELM的神经网络,获得信道估计中信道状态信息CSI的训练误差;
步骤S03,根据所述ELM中CSI的训练误差,利用优化算法优化ELM的隐层神经元数目,获得适应此信道环境的隐层神经元的最优数目;
步骤S04,根据所述导频位置的信道频率响应和位置索引,利用完成训练的ELM获得CSI。
本发明实现了利用帝国竞争算法优化极限学习机神经网络的信道估计方法,从而在信道估计中获得良好的均方误差性能和误码率性能。
下面结合附图,通过具体的实施例,对本发明作进一步详细的说明。
实施例
本实施例提供了一种基于优化极限学习机ELM的无线信道估计方法,图2所示为本具体实施例所述基于优化ELM的无线信道估计方法流程示意图。如图2所示,所述无线信道估计方法包括如下步骤:
步骤S11,插入导频并记录位置索引,根据无线通信中收发两端的导频信号,获得无线通信导频位置的信道频率响应。
进一步地,在所述步骤S11中,导频位置的信道频率响应估计公式为:
且Yp表示接收端的导频信息,Xp表示导频符号信息。
步骤S12,设计适应度函数。
本步骤中,所述设计适应度函数,根据所述导频位置的信道频率响应和位置索引,训练ELM的神经网络,获得信道估计中信道状态信息CSI的训练误差。
所述ELM算法是一种单隐层前馈神经网络,算法的主要特点是随机生成隐层神经元参数(输入权值和隐层阈值)并分析决定神经网络的输出权值。
图3所示为所述ELM的神经网络的结构示意图。如图2所示,所述ELM神经网络包括训练神经网络的参数是导频位置xi和该位置上的信道状态信息ti。首先随机产生第i个隐层神经元与输入层神经元的权值向量wi,隐层第i个神经元的阈值bi,确定隐层的激活函数g(·);之后对每个隐层神经元进行建模Hβ=T,将模型输出逼近用于训练神经网络的训练数据;最后求得隐层神经元的输出权值,此时算法终止,神经网络训练完成。
所述训练ELM的神经网络,包括如下步骤:
步骤S121,定义极限学习机网络的输入层、输出层神经元个数分别为d、m;
步骤S122,限定隐层神经元输入权值与隐层阈值的最大取值和最小取值。
步骤S123,随机产生每个隐层神经元的输入层权值与隐层阈值。
步骤S124,确定隐层输出函数的激活函数。
步骤S125,对隐层神经元进行建模,计算隐层神经元的输出函数。
步骤S126,训练极限学习机的网络,用极限学习机输出值逼近训练样本数据。
步骤S127,计算极限学习机的训练误差。
其中,所述适应度函数即为所述CSI的训练误差,公式为:
mse=|Hβ-T|2 (2)
其中,H为隐层神经元输出矩阵,β为隐层神经元输出权值,T为为训练样本的输出数据。
所述极限学习机隐层神经元的输出权值计算公式为:
其中,β为隐层神经元的输出权重,H为隐层神经元输出矩阵,T为训练样本的输出数据。
进一步地,根据公式(2)及公式(3),本实施例中所述适应度函数为
其中,为极限学习机输出的导频位置信道频率响应,Hk为导频位置的信道频率响应,N为训练样本数目。这里的上标H是数学意义上的共轭转置。
其中,所述由极限学习机输出值作为矩阵元素组成,所述极限学习机输出值为:
其中,h(g)为激活函数,β为隐层神经元的输出权值,x为一个样本的输入数据。
步骤S128,利用完成训练的极限学习机网络对无线信道特性进行学习,通过数据位置的索引获得准确的信道状态信息。
步骤S13,采用帝国竞争(Imperial Competetion,IC)算法检验估计误差。
本步骤中,所述帝国竞争算法是优化算法的一种,本实施例采用帝国竞争算法对极限学习机进行算法优化。所述帝国竞争算法,搜索空间中的每一个国家都是其中一个寻优问题的解。在本实施例中,国家的势力大小,即国家的尺寸,为隐层神经元数目L。在帝国竞争算法中的国家势力大小通过代价函数来衡量,在本实施例中用于计算国家尺寸即隐层神经元数目的代价函数为导频位置信道频率响应的均方误差。
步骤S14,判断步骤S13所得估计误差是否最小,若最小,则进入步骤S15;若不是最小,则转入步骤S13。
步骤S13和步骤S14构成完整的帝国竞争算法。
进一步地,图4所示为本实施例采用帝国竞争算法优化极限学习机IC-ELM的隐层神经元数目流程示意图。如图4所示,所述采用帝国竞争算法优化隐层神经元数目,包括如下步骤:
步骤S131,隐层神经元参数初始化,产生初始帝国。
在初始化过程中,首先定义国家为隐层神经元数L,并定义每个国家的尺寸,限定L的最大取值和最小取值,隐层神经元数小于训练样本数;在解空间中初始化随机生成所有国家参数。
步骤S132,根据隐层神经元适应度函数值,进行殖民地同化及改革。
本步骤中,选出势力较大的前Nimp个国家成为帝国统治者,剩下Ncol个国家作为殖民地。然后根据帝国统治者的势力大小将殖民地分配给国家,形成初始帝国。
帝国竞争算法的同化过程是通过殖民地向统治者移动来模拟的,移动方向与距离符合均匀分布。通过代价函数值的比较,将代价函数小的殖民地与统治者互换位置,减少陷入局部最优的可能性。在竞争中,通过各帝国及其殖民地代价函数值的比较,势力大的帝国会竞争最弱帝国的最弱殖民地。当所有的殖民地都在一个帝国的控制下时,算法终止。
进一步地,本步骤包括:
步骤S1321,对每个国家的适应度值进行计算,对适应度值进行排序并产生初始帝国。
步骤S1322,对每个帝国中殖民地的位置进行更新,对殖民地进行同化和改革操作。
步骤S133,进行相似帝国之间的合并与帝国间竞争。
步骤S134,判断帝国个数是否等于1;当不等于1时,转入步骤S132;当等于1时,返回适应度值为最优值,结束竞争。
步骤S15,获取IC-ELM网络参数。
步骤S16,计算隐层神经元输出函数及输出权值。
步骤S17,训练IC-ELM网络。
步骤S18,利用数据子载波索引获取其信道频率响应。
步骤S19,学习无线信道特性。
通过数据位置的索引获得无线信道的信道状态信息。图5为所述信道估计中IC-ELM算法的均方误差曲线图,图6所示为所述信道估计中IC-ELM算法的误码率估计性能曲线图。如图5所示,IC-ELM,ELM算法的均方误差性能均比LS算法强,优化的IC-ELM算法的信道估计性能比ELM算法的好,且比LS算法好十倍,如图6所示,IC-ELM算法的误码率性能要好于ELM算法与LS算法,可以证明基于优化极限学习机的无线信道估计方法的估计性能相比传统的信道估计算法好。
由以上技术方案可以看出,本实施例的基于优化极限学习机的无线信道估计方法,将机器学习算法应用到无线通信领域,简化了对无线信道特性学习的过程,采用优化算法提高了极限学习机在无线信道估计中的性能,进一步提升无线信道估计的均方误差性能与误码率性能,可应用于下一代移动通信技术,满足低时延高可靠的需求,不仅节约了设计成本,简化了设计流程,同时为估计各类型的无线信道状态信息提供了新思路,适应场景具有一般性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,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。
Claims (9)
1.一种无线信道估计方法,其特征在于,所述方法包括以下步骤:
步骤S01,插入导频并记录位置索引,根据无线通信中收发两端的导频信号,获得无线通信导频位置的信道频率响应;
步骤S02,根据所述导频位置的信道频率响应和位置索引,训练ELM的神经网络,获得信道估计中信道状态信息CSI的训练误差;
步骤S03,根据所述ELM中CSI的训练误差,利用优化算法优化ELM的隐层神经元数目,获得适应此信道环境的隐层神经元的最优数目;
步骤S04,根据所述导频位置的信道频率响应和位置索引,利用完成训练的ELM获得CSI。
2.根据权利要求1所述的无线信道估计方法,其特征在于,所述步骤S03中,所述利用优化算法优化ELM的隐层神经元数目,通过隐层神经元数在每次迭代中更新,最终达到最优。
3.根据权利要求1所述的无线信道估计方法,其特征在于,所述步骤S03中优化算法为帝国竞争算法。
4.根据权利要求3所述的无线信道估计方法,其特征在于,所述竞争算法包括:
步骤S131,隐层神经元参数初始化,产生初始帝国;
步骤S132,根据隐层神经元适应度函数值,进行殖民地同化及改革;
步骤S133,进行相似帝国之间的合并与帝国间竞争;
步骤S134,判断帝国个数是否等于1;当不等于1时,转入步骤S132;当等于1时,返回适应度值为最优值,结束竞争。
5.根据权利要求1所述的无线信道估计方法,其特征在于,所述步骤S01中,导频位置的信道频率响应为:
其中,Yp表示接收端的导频信息,Xp表示导频符号信息。
6.根据权利要求1所述的一种无线信道估计方法,其特征在于,所述步骤S02中,CSI的训练误差为:
mse=|Hβ-T|2 (2)
其中,H为隐层神经元输出矩阵,β为隐层神经元输出权值,T为为训练样本的输出数据。
7.根据权利要求6所述的无线信道估计方法,其特征在于,所述步骤S02中,所隐层神经元述输出权值计算公式为:
其中,H为隐层神经元输出矩阵,T为训练样本的输出数据。
8.根据权利要求1所述的无线信道估计方法,其特征在于,所述步骤S02中,CSI的训练误差为:
其中,为极限学习机输出的导频位置信道频率响应,Hk为实际的导频位置的信道频率响应,N为训练样本数目,上标H为数学意义上的共轭转置。
9.根据权利要求8所述的无线信道估计方法,其特征在于,所述步骤S02中,所述由极限学习机输出值作为矩阵元素组成,其中,极限学习机输出值为:
其中,h(g)为激活函数,β为隐层神经元的输出权值,x为一个样本的输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363972.XA CN110300075B (zh) | 2019-04-30 | 2019-04-30 | 一种无线信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363972.XA CN110300075B (zh) | 2019-04-30 | 2019-04-30 | 一种无线信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110300075A true CN110300075A (zh) | 2019-10-01 |
CN110300075B CN110300075B (zh) | 2020-10-02 |
Family
ID=68026659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910363972.XA Active CN110300075B (zh) | 2019-04-30 | 2019-04-30 | 一种无线信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110300075B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111049768A (zh) * | 2019-12-25 | 2020-04-21 | 中山大学 | 一种基于深度学习的位置信息辅助的可见光信道估计方法 |
CN111193535A (zh) * | 2020-01-14 | 2020-05-22 | 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 |
CN111786915A (zh) * | 2020-05-09 | 2020-10-16 | 广州番禺职业技术学院 | 非线性失真条件下基于深度学习的无线通信方法及其系统 |
CN112134816A (zh) * | 2020-09-27 | 2020-12-25 | 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 |
CN113285896A (zh) * | 2021-04-30 | 2021-08-20 | 南京邮电大学 | 基于堆栈式elm的时变信道预测方法 |
CN113381953A (zh) * | 2021-06-11 | 2021-09-10 | 西华大学 | 基于可重构智能表面辅助的极限学习机的信道估计方法 |
CN114747250A (zh) * | 2019-11-29 | 2022-07-12 | 上海诺基亚贝尔股份有限公司 | 信道状态信息的反馈 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102037698A (zh) * | 2008-07-01 | 2011-04-27 | 三星电子株式会社 | 移动通信系统中信道估计的装置和方法 |
CN102111356A (zh) * | 2011-03-16 | 2011-06-29 | 东南大学 | 环境自适应简化多项式因子频偏估计方法 |
CN105790813A (zh) * | 2016-05-17 | 2016-07-20 | 重庆邮电大学 | 一种大规模mimo下基于深度学习的码本选择方法 |
CN107067388A (zh) * | 2016-08-31 | 2017-08-18 | 天津大学 | 一种基于ga‑elm的立体图像质量客观评价方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
-
2019
- 2019-04-30 CN CN201910363972.XA patent/CN110300075B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102037698A (zh) * | 2008-07-01 | 2011-04-27 | 三星电子株式会社 | 移动通信系统中信道估计的装置和方法 |
CN102111356A (zh) * | 2011-03-16 | 2011-06-29 | 东南大学 | 环境自适应简化多项式因子频偏估计方法 |
CN105790813A (zh) * | 2016-05-17 | 2016-07-20 | 重庆邮电大学 | 一种大规模mimo下基于深度学习的码本选择方法 |
CN107067388A (zh) * | 2016-08-31 | 2017-08-18 | 天津大学 | 一种基于ga‑elm的立体图像质量客观评价方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
Non-Patent Citations (2)
Title |
---|
YUEYUN CHEN: "Performance Analysis of Sequential Detection of Primary User Number Based", 《IEEE》 * |
薛彬彬: "MIMO-OFDM系统半盲信道估计方法研究", 《中国硕士期刊学术库》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114747250A (zh) * | 2019-11-29 | 2022-07-12 | 上海诺基亚贝尔股份有限公司 | 信道状态信息的反馈 |
CN111049768A (zh) * | 2019-12-25 | 2020-04-21 | 中山大学 | 一种基于深度学习的位置信息辅助的可见光信道估计方法 |
CN111049768B (zh) * | 2019-12-25 | 2021-04-27 | 中山大学 | 一种基于深度学习的位置信息辅助的可见光信道估计方法 |
CN111193535A (zh) * | 2020-01-14 | 2020-05-22 | 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 |
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 |
CN111786915A (zh) * | 2020-05-09 | 2020-10-16 | 广州番禺职业技术学院 | 非线性失真条件下基于深度学习的无线通信方法及其系统 |
CN111786915B (zh) * | 2020-05-09 | 2023-03-14 | 广州番禺职业技术学院 | 非线性失真条件下基于深度学习的无线通信方法及其系统 |
CN112134816A (zh) * | 2020-09-27 | 2020-12-25 | 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 |
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 |
CN113285896A (zh) * | 2021-04-30 | 2021-08-20 | 南京邮电大学 | 基于堆栈式elm的时变信道预测方法 |
CN113381953A (zh) * | 2021-06-11 | 2021-09-10 | 西华大学 | 基于可重构智能表面辅助的极限学习机的信道估计方法 |
CN113381953B (zh) * | 2021-06-11 | 2022-04-22 | 西华大学 | 基于可重构智能表面辅助的极限学习机的信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110300075B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110300075A (zh) | 一种无线信道估计方法 | |
CN111666149B (zh) | 基于深度强化学习的超密边缘计算网络移动性管理方法 | |
CN105790813B (zh) | 一种大规模mimo下基于深度学习的码本选择方法 | |
CN105142177B (zh) | 复数神经网络信道预测方法 | |
US7289972B2 (en) | Cognitive radio engine based on genetic algorithms in a network | |
CN110365612A (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
CN113537514B (zh) | 一种高能效的基于数字孪生的联邦学习框架 | |
CN112383922B (zh) | 一种基于优先经验重放的深度强化学习频谱共享方法 | |
Jiang et al. | Multi-antenna fading channel prediction empowered by artificial intelligence | |
CN111491358B (zh) | 基于能量采集的自适应调制和功率控制系统与优化方法 | |
CN108512787A (zh) | 大规模mimo系统的超精细信道估计方法 | |
CN105281817A (zh) | 一种基于分布式双向中继系统的鲁棒波束成型方法 | |
CN110430150A (zh) | 一种基于神经网络的蜂窝移动通信系统接收机设计方法 | |
Hsu et al. | An adaptive Wi-Fi indoor localisation scheme using deep learning | |
CN110808932B (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
CN114885340B (zh) | 一种基于深度迁移学习的超密集无线网络功率分配方法 | |
CN114726412B (zh) | 信道信息获取方法、装置及相关设备 | |
CN113595606B (zh) | 一种基于深度强化学习的基站预编码与智能反射表面相移联合优化方法 | |
CN112505628B (zh) | 一种基于图卷积神经网络的自适应波束形成方法 | |
CN113472402A (zh) | 一种mimo智能反射面传输系统中的参数调整方法 | |
CN113795050A (zh) | 一种基于Sum tree采样的深度双Q网络动态功率控制方法 | |
CN115099419B (zh) | 一种面向无线联邦学习的用户协同传输方法 | |
CN114337881B (zh) | 基于多无人机分布式与lms的无线频谱智能感知方法 | |
Evmorfos et al. | Deep actor-critic for continuous 3D motion control in mobile relay beamforming networks | |
CN108933703A (zh) | 基于误差建模的环境自适应感知无线通信信道估计方法 |
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 |