CN111366892A - 一种基于神经网络Massive MIMO DOA系统及实现方法 - Google Patents
一种基于神经网络Massive MIMO DOA系统及实现方法 Download PDFInfo
- Publication number
- CN111366892A CN111366892A CN202010215244.7A CN202010215244A CN111366892A CN 111366892 A CN111366892 A CN 111366892A CN 202010215244 A CN202010215244 A CN 202010215244A CN 111366892 A CN111366892 A CN 111366892A
- Authority
- CN
- China
- Prior art keywords
- processing module
- regression model
- data
- module
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/143—Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提供了一种基于神经网络Massive MIMO DOA系统及实现方法,信号生成模块通过仿真产生训练数据集输入生成信号处理模块,生成信号处理模块对数据进行协方差操作后输入生成数据处理模块;生成数据处理模块对输入的数据进行拉直操作并组成数据集,输入回归模型训练模块进行训练;DOA处理模块采取相同操作,训练模块训练生成的回归模型输入DOA处理模块的回归模型处理模块中,回归模型处理模块通过接受来自回归模型训练模块训练生成的回归模型,进行回归操作并产生DOA预测结果。本发明具备对多个来波的波达方向定位能力,DOA估计速率包含达到MUSIC的80倍以上。
Description
技术领域
本发明涉及人工智能领域,尤其是一种人工智能测向方法。
背景技术
Massive MIMO(mMIMO)大规模阵列,作为5G的一个候选技术,通过在基站侧采用大量天线来提升数据速率和链路可靠性。在采用大天线阵列的mMIMO系统中,信号可以在水平和垂直方向进行动态调整,因此能量能够更加准确地集中指向特定的 UE,从而减少了小区间干扰,能够支持多个UE间的空间复用。
传统的mMIMO采用大量收发信机(TRX)与多个天线阵列,可以将波束赋形与用户间的空间复用相结合,大力提升区域频谱效率。mMIMO空间分辨率高,可提升频谱服用能力,而且mMIMO具有波束窄、能量效率高、空间自由度高、很强的抗干扰能力和鲁棒性。
在传统的mMIMO DOA(波达方向定位)技术中,经过多年的发展,暴露了以下缺点:观测值矩阵尺寸大,传统测向算法复杂度高,达到了O(M3+GM(M-N)),因此限制了mMIMO技术在工程中的应用。
而神经网络最近的蓬勃发展,充分展示了神经网络在分类和回归以及运算复杂度上的优势。
神经网络(Neural Networks,NN)是一种模仿人类大脑神经行为,进行分布式并行信息处理的算法数学模型,它起源于Rosenblatt等人在1957年提出的感知器模型,感知机通过训练网络的权值来学习数据,被称为是最早的神经网络。多层神经网络的反向传播算法有效解决了多层神经网络训练的困难,对神经网络的影响深远,因此人工神经网络也被称为BP神经网络。经过多年的研究,人工神经网络在图像、语音、文本等领域的应用上取得了丰硕的成果。
一个经典的神经网络是一个包含三个层次的,如图1所示。输入层,输出层,隐藏层。输入层接受外部的训练数据,将数据的原始信息引入到神经网络中,以便后续的处理;隐藏层处于输出层和输入层的中间,实现对数据的特征学习;输出层输出前面各层神经网络处理后的结果。信息的处理和学习提箱在相邻神经网络层的连接关系上,连接关系的权重值越大,表示两个神经元的联系越紧密,权重值越小,表示两个神经元联系越疏远。
每层神经网络由多个神经元组成,每一个神经元代表一种特定的响应,该响应值通过激活函数处理后,选择性地抑制无关信息。激活函数的引入使得整个神经网络具备了非线性的拟合能力。相邻层的神经元两两相连,连接的强弱关系由权重表示,通过权重的信息模拟相邻神经网络层的信息传递。理论上,人工神经网络通过以上形式模拟人类对于信息的处理和学习能力是其能够逼近自然界任何算法或者函数,也可以理解为一种逻辑策略的表达,其网络权重及激活函数如图2所示。
发明内容
为了克服现有技术的不足,本发明提供一种基于神经网络Massive MIMO DOA系统及实现方法。本发明结合现有DNN(Deep Neural Networks,深度神经网络)方法,通过非线性回归的方式进行DOA测向,避免了传统角度估计方法中的特征值分解和谱峰搜索操作,在保证角度估计准确度的基础上,极大降低了算法的计算复杂度。在与分类神经网络的对比中,回归神经网络大大降低了输出层的神经元数目,大大降低了收敛难度以及所需时间,同时因为分类神经网络的输出神经元对应的是同一来波的不同角度,同一个神经网络只能处理单一的来波方向,而回归神经网络的输出神经元可以分别对应不同来波方向的水平角和俯仰角,因此本发明的神经网络具备了对多个来波的波达方向定位能力。
本发明解决其技术问题所采用的技术方案是:
一种基于神经网络Massive MIMO DOA系统,包括训练模块和DOA处理模块;
所述训练模块包括四个子模块,原始信号生成模块,生成信号处理模块,生成数据处理模块和回归模型训练模块。原始信号生成模块通过仿真产生训练数据集,产生的每一组数据以矩阵的形式输入生成信号处理模块;生成信号处理模块对数据进行协方差操作,生成的协方差矩阵输入生成数据处理模块;生成数据处理模块对输入的数据进行拉直操作并组成数据集,输入回归模型训练模块进行训练;
所述DOA处理模块包括原始信号采集模块,采集信号处理模块,采集数据处理模块和回归模型处理模块;原始信号生成模块采集空间中信号并已矩阵形式输出采集数据,采集数据直接传入采集信号处理模块;采集信号处理模块对输入的矩阵进行协方差操作,生成的协方差矩阵,并以矩阵形式传入采集数据处理模块;采集数据处理模块对输入的数据进行拉直操作并组成数据集,输入回归模型处理模块;
训练模块训练生成的回归模型输入DOA处理模块的回归模型处理模块中,作为回归模型处理模块的回归模型,回归模型处理模块通过接受来自回归模型训练模块训练生成的回归模型,进行回归操作并产生DOA预测结果。
本发明还提供一种基于神经网络Massive MIMO DOA系统的实现方法,详细步骤如下:
一、训练模块流程:
1.1原始信号生成模块:通过仿真产生训练数据集,具体方法如下:
第一步,模拟矩阵阵列,阵列参数如下:
阵列形状:矩形阵列
阵元个数:m×n=v,其中m为水平阵元个数,n为垂直阵元个数,阵元数量v随精度和运算速度的需求调整,取值范围为4到1024;
水平阵元间距:uλ,其中λ为采用信号的波长;
垂直阵元间距:pλ,其中p在1到1.5之间取值;
第二步,矩阵建模并生成二维面阵;
二维面阵表示为:
X(t)为32天线阵元接收原始信号产生的二维平面阵;
n(t)为高斯白噪声;
通过公式(1),生成的二维面阵X(t)输入信号处理模块;
1.2生成信号处理模块:原始信号生成模块输出的二维面阵X(t)通过求协方差矩阵的方式生成mn×mn的协方差矩阵R输入生成数据处理模块。
R=X(t)XH(t) (2)
其中XH(t)为二维面阵X(t)的共轭转置矩阵;
1.3生成数据处理模块:将生成信号处理模块输入的v×v的协方差矩阵拉直展开(计 square=v*v),实部虚部分离,转化为尺度为2square×1的训练矩阵,之后将2square×1 的训练矩阵组成数据集,统一传入回归模型处理模块进行波达方向定位;
1.4回归模型训练模块:通过输生成数据处理模块生成的数据,使用SGD(随机梯度下降)作为优化器,采用[r1,r2,r3]的阶梯学习率,采用交叉熵作为损失函数,训练n_epoch次,得到最终的回归模型,输入回归模型处理模块中,作为回归模型处理模块中起DOA处理作用的回归模型;
二、DOA处理模块流程
2.1原始信号采集模块:首先构建与原始信号生成子模块相同的v阵元天线阵,将v阵元天线阵接收到的数据,通过采样存入二维平面阵,输入采集信号处理模块,该二维面阵的数据量与原始信号模块;
2.2采集信号处理模块:原始信号采集模块输出的二维面阵X(t)通过 R=X(t)XH(t),其中XH(t)为二维面阵X(t)的共轭转置矩阵,生成v×v的协方差矩阵R 输入采集数据处理模块;
2.3采集数据处理模块:将采集信号处理模块输入的v×v的协方差矩阵拉直展开,实部虚部分离,转化为2square×1的矩阵,之后将2square×1的矩阵传入回归模型处理模块进行波达方向定位;
2.4回归模型处理模块:回归模型处理模块通过调用回归模型训练模块输入的回归模型,根据输入矩阵的个数,产生相同个数的(theta,phi),对应(方位角,俯仰角),输出即为估计的来波方向的俯仰角、方位角。
训练模块先通过数据仿真以及回归模型训练生成回归模型,DOA处理模块之后通过数据采集和已经生成的回归模型进行DOA预测。
所述回归模型包括输入层1层,隐藏层4层,输出层1层。共计6层,激活函数为tanh。
本发明的有益效果在于设计了原始信号采集模块、采集数据处理模块、输入数据处理模块、回归模型训练模块、回归模型处理模块等五级结构的DOA测向模型,通过非线性回归的方式进行DOA测向,具备对多个来波的波达方向定位能力。本发明和传统Music算法进行DOA估计的对比,结果显示,两者在俯仰角都有较好的表现,且回归神经网络在大部分信噪比及误差测试条件下比Music算法要更加准确,如图7、图8、表1、表2所示,在方位角表现都相对较差,但使用本发明在速度上具有绝对的优势,如图9所示,尤其是在批次处理大量数据的时候,本发明DOA估计速率包含 (模型加载时间)可以达到MUSIC的80倍以上,从而证明了使用本发明进行面阵单信号DOA的优秀性能和在工程上的高实用性。
附图说明
图1为经典神经网络结构图。
图2为神经网络权重及激活函数示意图。
图3为本发明DOA估计模型整体流程图。
图4为本发明DOA回归神经网络结构图。
图5为本发明接收天线仿真阵元结构图。
图6为本发明回归模型角度估计准确率随SNR变化图。
图7为本发明输入数据SNR 0dB时DOA二维整体准确率对比图。
图8为本发明输入数据SNR 5dB时DOA二维整体准确率对比图。
图9为本发明MUSIC与回归模型DOA耗时对比图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
在mMIMO中,MUSIC子空间类算法最大的缺陷是需特征分解以及谱峰搜索,其计算复杂度为O(M3+GM(M-N)),难以实时处理。针对这一问题,本课题采用DNN 搭建模型,通过mMIMO信道仿真的方式进行训练数据以及测试数据的生成,使用生成的数据样本进行训练,得到的模型即可用于实际信道条件下的DOA估计,输入接收信号的协方差矩阵,模型即可输出来波的俯仰角和水平角。
一种基于神经网络Massive MIMO DOA系统,包括训练模块和DOA处理模块(相应流程如图3所示);
所述训练模块包括四个子模块,原始信号生成模块,生成信号处理模块,生成数据处理模块和回归模型训练模块。原始信号生成模块通过仿真产生训练数据集,产生的每一组数据以矩阵的形式输入生成信号处理模块;生成信号处理模块对数据进行协方差操作,生成的协方差矩阵输入生成数据处理模块;生成数据处理模块对输入的数据进行拉直操作并组成数据集,输入回归模型训练模块进行训练;
所述DOA处理模块包括原始信号采集模块,采集信号处理模块,采集数据处理模块和回归模型处理模块;原始信号生成模块采集空间中信号并已矩阵形式输出采集数据,采集数据直接传入采集信号处理模块;采集信号处理模块对输入的矩阵进行协方差操作,生成的协方差矩阵,并以矩阵形式传入采集数据处理模块;采集数据处理模块对输入的数据进行拉直操作并组成数据集,输入回归模型处理模块;
训练模块训练生成的回归模型输入DOA处理模块的回归模型处理模块中,作为回归模型处理模块的回归模型,回归模型处理模块通过接受来自回归模型训练模块训练生成的回归模型,进行回归操作并产生DOA预测结果。
一种基于神经网络Massive MIMO DOA系统的实现方法,详细步骤如下:
一、训练模块流程:
1.1原始信号生成模块:通过仿真产生训练数据集,具体方法如下:
第一步,模拟矩阵阵列,阵列参数如下:
阵列形状:矩形阵列
阵元个数:m×n=v,其中m为水平阵元个数,n为垂直阵元个数,阵元数量v随精度和运算速度的需求调整,取值范围为4到1024,阵元数量越多,算法精度越高,随之运算量增加,算法速度降低,本发明取32阵元举例。
水平阵元间距:uλ,其中λ为采用信号的波长,本发明u采用0.5;
垂直阵元间距:pλ,其中p在1到1.5之间取值,本发明取值1.5;
阵型结构如图5所示。
第二步,矩阵建模并生成二维面阵;
二维面阵表示为:
X(t)为32天线阵元接收原始信号产生的二维平面阵;
n(t)为高斯白噪声;
通过公式(1),生成的二维面阵X(t)输入信号处理模块;
1.2生成信号处理模块:原始信号生成模块输出的二维面阵X(t)通过求协方差矩阵的方式生成mn×mn的协方差矩阵R输入生成数据处理模块。
R=X(t)XH(t) (2)
其中XH(t)为二维面阵X(t)的共轭转置矩阵;
1.3生成数据处理模块:将生成信号处理模块输入的v×v的协方差矩阵拉直展开(计 square=v*v),实部虚部分离,转化为尺度为2square×1的训练矩阵,之后将2square×1 的训练矩阵组成数据集,统一传入回归模型处理模块进行波达方向定位;
1.4回归模型训练模块:通过输生成数据处理模块生成的数据,使用SGD(随机梯度下降)作为优化器,采用[r1,r2,r3]的阶梯学习率(每i次下降,i可自定),采用交叉熵作为损失函数,训练n_epoch次,得到最终的回归模型,输入回归模型处理模块中,作为回归模型处理模块中起DOA处理作用的回归模型,回归模型设计如图4 所示;
二、DOA处理模块流程
2.1原始信号采集模块:首先构建与原始信号生成子模块相同的v阵元天线阵,将v阵元天线阵接收到的数据,通过采样存入二维平面阵,输入采集信号处理模块,该二维面阵的数据量与原始信号模块;
2.2采集信号处理模块:原始信号采集模块输出的二维面阵X(t)通过R=X(t)XH(t),其中XH(t)为二维面阵X(t)的共轭转置矩阵,生成v×v的协方差矩阵R 输入采集数据处理模块;
2.3采集数据处理模块:将采集信号处理模块输入的v×v的协方差矩阵拉直展开,实部虚部分离,转化为2square×1的矩阵,之后将2square×1的矩阵传入回归模型处理模块进行波达方向定位;
2.4回归模型处理模块:回归模型处理模块通过调用回归模型训练模块输入的回归模型,根据输入矩阵的个数,产生相同个数的(theta,phi),对应(方位角,俯仰角),输出即为估计的来波方向的俯仰角、方位角。
训练模块先通过数据仿真以及回归模型训练生成回归模型,DOA处理模块之后通过数据采集和已经生成的回归模型进行DOA预测。
所述回归模型包括输入层1层,隐藏层4层,输出层1层。共计6层,激活函数采用tanh。
本发明和传统Music算法进行DOA估计的对比,结果显示,两者在俯仰角都有较好的表现,且回归神经网络在大部分信噪比及误差测试条件下比Music算法要更加准确,如图7、图8、表1、表2所示:
表1 MUSIC 0dB 5dB方位角/俯仰角准确率表
表2回归模型0dB 5dB方位角/俯仰角准确率表
在方位角表现都相对较差,但使用本发明在速度上具有绝对的优势,如图9所示,尤其是在批次处理大量数据的时候,本发明DOA估计速率包含(模型加载时间)可以达到MUSIC的80倍以上,从而证明了使用本发明进行面阵单信号DOA的优秀性能和在工程上的高实用性。
Claims (3)
1.一种基于神经网络Massive MIMO DOA系统,包括训练模块和DOA处理模块,其特征在于:
所述训练模块包括四个子模块,原始信号生成模块,生成信号处理模块,生成数据处理模块和回归模型训练模块,原始信号生成模块通过仿真产生训练数据集,产生的每一组数据以矩阵的形式输入生成信号处理模块;生成信号处理模块对数据进行协方差操作,生成的协方差矩阵输入生成数据处理模块;生成数据处理模块对输入的数据进行拉直操作并组成数据集,输入回归模型训练模块进行训练;
所述DOA处理模块包括原始信号采集模块,采集信号处理模块,采集数据处理模块和回归模型处理模块;原始信号生成模块采集空间中信号并已矩阵形式输出采集数据,采集数据直接传入采集信号处理模块;采集信号处理模块对输入的矩阵进行协方差操作,生成的协方差矩阵,并以矩阵形式传入采集数据处理模块;采集数据处理模块对输入的数据进行拉直操作并组成数据集,输入回归模型处理模块;
训练模块训练生成的回归模型输入DOA处理模块的回归模型处理模块中,作为回归模型处理模块的回归模型,回归模型处理模块通过接受来自回归模型训练模块训练生成的回归模型,进行回归操作并产生DOA预测结果。
2.一种利用权利要求1所述基于神经网络Massive MIMO DOA系统的实现方法,其特征在于包括下述步骤:
一、训练模块流程:
1.1原始信号生成模块:通过仿真产生训练数据集,具体方法如下:
第一步,模拟矩阵阵列,阵列参数如下:
阵列形状:矩形阵列
阵元个数:m×n=v,其中m为水平阵元个数,n为垂直阵元个数,阵元数量v随精度和运算速度的需求调整,取值范围为4到1024;
水平阵元间距:uλ,其中λ为采用信号的波长;
垂直阵元间距:pλ,其中p在1到1.5之间取值;
第二步,矩阵建模并生成二维面阵;
二维面阵表示为:
X(t)为32天线阵元接收原始信号产生的二维平面阵;
n(t)为高斯白噪声;
通过公式(1),生成的二维面阵X(t)输入信号处理模块;
1.2生成信号处理模块:原始信号生成模块输出的二维面阵X(t)通过求协方差矩阵的方式生成mn×mn的协方差矩阵R输入生成数据处理模块;
R=X(t)XH(t) (2)
其中XH(t)为二维面阵X(t)的共轭转置矩阵;
1.3生成数据处理模块:将生成信号处理模块输入的v×v的协方差矩阵拉直展开(计square=v*v),实部虚部分离,转化为尺度为2square×1的训练矩阵,之后将2square×1的训练矩阵组成数据集,统一传入回归模型处理模块进行波达方向定位;
1.4回归模型训练模块:通过输生成数据处理模块生成的数据,使用SGD(随机梯度下降)作为优化器,采用[r1,r2,r3]的阶梯学习率,采用交叉熵作为损失函数,训练n_epoch次,得到最终的回归模型,输入回归模型处理模块中,作为回归模型处理模块中起DOA处理作用的回归模型;
二、DOA处理模块流程
2.1原始信号采集模块:首先构建与原始信号生成子模块相同的v阵元天线阵,将v阵元天线阵接收到的数据,通过采样存入二维平面阵,输入采集信号处理模块,该二维面阵的数据量与原始信号模块;
2.2采集信号处理模块:原始信号采集模块输出的二维面阵X(t)通过R=X(t)XH(t),其中XH(t)为二维面阵X(t)的共轭转置矩阵,生成v×v的协方差矩阵R输入采集数据处理模块;
2.3采集数据处理模块:将采集信号处理模块输入的v×v的协方差矩阵拉直展开,实部虚部分离,转化为2square×1的矩阵,之后将2square×1的矩阵传入回归模型处理模块进行波达方向定位;
2.4回归模型处理模块:回归模型处理模块通过调用回归模型训练模块输入的回归模型,根据输入矩阵的个数,产生相同个数的(theta,phi),对应(方位角,俯仰角),输出即为估计的来波方向的俯仰角、方位角;
训练模块先通过数据仿真以及回归模型训练生成回归模型,DOA处理模块之后通过数据采集和已经生成的回归模型进行DOA预测。
3.根据权利要求2所述基于神经网络Massive MIMO DOA系统的实现方法,其特征在于:
所述回归模型包括输入层1层,隐藏层4层,输出层1层,共计6层,激活函数为tanh。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215244.7A CN111366892A (zh) | 2020-03-24 | 2020-03-24 | 一种基于神经网络Massive MIMO DOA系统及实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215244.7A CN111366892A (zh) | 2020-03-24 | 2020-03-24 | 一种基于神经网络Massive MIMO DOA系统及实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111366892A true CN111366892A (zh) | 2020-07-03 |
Family
ID=71206924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010215244.7A Pending CN111366892A (zh) | 2020-03-24 | 2020-03-24 | 一种基于神经网络Massive MIMO DOA系统及实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111366892A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111884689A (zh) * | 2020-07-10 | 2020-11-03 | 中国科学技术大学 | 一种基于阶梯阵列的波达方向-距离自适应波束形成方法 |
CN112512077A (zh) * | 2020-12-15 | 2021-03-16 | 中国联合网络通信集团有限公司 | 一种上行速率的评估方法及装置 |
CN112946564A (zh) * | 2021-04-12 | 2021-06-11 | 西北大学 | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 |
CN114301742A (zh) * | 2021-12-23 | 2022-04-08 | 北京邮电大学 | 信道估计方法及装置 |
CN114442029A (zh) * | 2020-11-02 | 2022-05-06 | Aptiv技术有限公司 | 确定雷达检测的到达方向的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085531A (zh) * | 2018-08-27 | 2018-12-25 | 西安电子科技大学 | 基于神经网络的近场源到达角估计方法 |
CN109901111A (zh) * | 2019-02-25 | 2019-06-18 | 西安电子科技大学 | 基于偏最小二乘回归的近场声源定位方法 |
US20190310360A1 (en) * | 2018-04-06 | 2019-10-10 | Electromagnetic Systems, Inc. | Use of Dual Processing Channels for Stationary and Moving Objects Illuminated by Radar |
CN110531313A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于深度神经网络回归模型的近场信号源定位方法 |
-
2020
- 2020-03-24 CN CN202010215244.7A patent/CN111366892A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190310360A1 (en) * | 2018-04-06 | 2019-10-10 | Electromagnetic Systems, Inc. | Use of Dual Processing Channels for Stationary and Moving Objects Illuminated by Radar |
CN109085531A (zh) * | 2018-08-27 | 2018-12-25 | 西安电子科技大学 | 基于神经网络的近场源到达角估计方法 |
CN109901111A (zh) * | 2019-02-25 | 2019-06-18 | 西安电子科技大学 | 基于偏最小二乘回归的近场声源定位方法 |
CN110531313A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于深度神经网络回归模型的近场信号源定位方法 |
Non-Patent Citations (3)
Title |
---|
宗志辉: "基于深度学习的大规模MIMO信号检测", 《电子世界》, no. 3, 31 December 2019 (2019-12-31), pages 175 * |
崔建华等: "基于隐聚类和狄利特雷过程的大规模MIMO-OFDM接收机设计", 《电子学报》, vol. 47, no. 12, 15 December 2019 (2019-12-15), pages 2515 * |
张贞凯等: "基于改进广义回归神经网络和主成分分析的宽带DOA估计", 《光电子•激光》, vol. 23, no. 4, 30 April 2012 (2012-04-30), pages 692 - 696 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111884689A (zh) * | 2020-07-10 | 2020-11-03 | 中国科学技术大学 | 一种基于阶梯阵列的波达方向-距离自适应波束形成方法 |
CN114442029A (zh) * | 2020-11-02 | 2022-05-06 | Aptiv技术有限公司 | 确定雷达检测的到达方向的方法和系统 |
CN112512077A (zh) * | 2020-12-15 | 2021-03-16 | 中国联合网络通信集团有限公司 | 一种上行速率的评估方法及装置 |
CN112512077B (zh) * | 2020-12-15 | 2023-08-11 | 中国联合网络通信集团有限公司 | 一种上行速率的评估方法及装置 |
CN112946564A (zh) * | 2021-04-12 | 2021-06-11 | 西北大学 | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 |
CN112946564B (zh) * | 2021-04-12 | 2024-02-02 | 西北大学 | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 |
CN114301742A (zh) * | 2021-12-23 | 2022-04-08 | 北京邮电大学 | 信道估计方法及装置 |
CN114301742B (zh) * | 2021-12-23 | 2024-01-09 | 北京邮电大学 | 信道估计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365612B (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 | |
CN111366892A (zh) | 一种基于神经网络Massive MIMO DOA系统及实现方法 | |
Ji et al. | CLNet: Complex input lightweight neural network designed for massive MIMO CSI feedback | |
CN113300746B (zh) | 毫米波mimo天线与混合波束成形优化方法及系统 | |
CN112712557B (zh) | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 | |
CN110113088B (zh) | 一种分离型数模混合天线系统波达角智能化估计方法 | |
CN109782231A (zh) | 一种基于多任务学习的端到端声源定位方法及系统 | |
CN110082741B (zh) | 一种基于伪数据重构的超分辨波达角估计算法 | |
CN109600152A (zh) | 一种基于子空间基变换的自适应波束形成方法 | |
CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
Nie et al. | Adaptive direction-of-arrival estimation using deep neural network in marine acoustic environment | |
CN107342836A (zh) | 脉冲噪声下的加权稀疏约束稳健波束形成方法及装置 | |
CN114978264B (zh) | 基于太赫兹mimo系统的混合预编码方法 | |
Pang et al. | MGGAN-based hybrid beamforming design for massive MIMO systems against rank-deficient channels | |
CN111446997A (zh) | 基于深度学习的自适应数字波束合成方法 | |
Song et al. | Deep learning based low-rank channel recovery for hybrid beamforming in millimeter-wave massive MIMO | |
Milovanovic et al. | Application of neural networks in spatial signal processing | |
CN114184999B (zh) | 一种互耦小孔径阵列的生成式模型处理方法 | |
Xiong et al. | DOA Estimation Using Deep Neural Network with Regression | |
Zhang et al. | Gridless DOA estimation for automotive millimeter-wave radar with a novel space-time network | |
CN112116006A (zh) | 一种基于对偶空间最优的水声目标分类方法 | |
Faye et al. | Two-dimensional DOA estimation based on a single uniform linear array | |
Yang et al. | DOA Estimation based on Deconvolution Beamforming-based Unrolling Neural Network | |
CN117478186B (zh) | 基于协方差矩阵估计和子空间构造的波束形成方法 | |
Wu et al. | The Complex Convolutional Neural Network for Adaptive Spatio-temporal Broadband Beamforming |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200703 |