CN113114343A - 一种多波束卫星的高能效智能动态波束成形方法 - Google Patents
一种多波束卫星的高能效智能动态波束成形方法 Download PDFInfo
- Publication number
- CN113114343A CN113114343A CN202110387140.9A CN202110387140A CN113114343A CN 113114343 A CN113114343 A CN 113114343A CN 202110387140 A CN202110387140 A CN 202110387140A CN 113114343 A CN113114343 A CN 113114343A
- Authority
- CN
- China
- Prior art keywords
- energy
- power
- satellite
- optimization problem
- optimal solution
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18578—Satellite systems for providing broadband data service to individual earth stations
- H04B7/18586—Arrangements for data transporting, e.g. for an end to end data transport or check
-
- 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
-
- 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
- H04B7/0413—MIMO systems
- H04B7/0426—Power distribution
-
- 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
- H04B7/0613—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 simultaneous transmission
- H04B7/0615—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 simultaneous transmission of weighted versions of same signal
- H04B7/0617—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 simultaneous transmission of weighted versions of same signal for beam forming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/24—Cell structures
- H04W16/28—Cell structures using beam steering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Power Engineering (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提出了一种适用于多波束卫星的高能效智能动态波束成形方法,用于卫星移动通信系统,首先对其能效问题建模,设计为卫星系统传输每比特信息所需的功耗最小的动态波束优化问题;再利用半正定松弛方法,并结合Minorize‑Maximization迭代算法用以解决凸规划差分问题,然后通过二次变换进一步将目标函数转化为标准凸优化问题,迭代求解,得到半正定松弛条件下的最优解。若解的秩不为一,采用高斯随机化方法进行功率再分配,最终得到满足秩一条件的动态波束成形矢量,在功率再分配的过程中,还需将目标函数利用同样的方法转化为凸优化问题求解,本发明的一种适用于多波束卫星的高能效智能动态波束成形方法,能够实现最大化系统能效,从而提升卫星多波束系统性能。
Description
技术领域
本发明属于通信领域,具体涉及了一种适用于多波束卫星通信系统的高能效智能动态波束成形方法。
背景技术
随着卫星通信系统对数据速率的需求越来越高,多波束系统框架已成为一种发展趋势。传统多波束通信系统采用的是固定多波束覆盖技术,点波束之间采用蜂窝结构完全全区域的无缝覆盖,鉴于卫星系统在实际的通信场景中的活跃用户相对少,传统覆盖方式存在资源利用效率低等缺点。因此,动态多波束覆盖技术逐渐得到重视和研究。在这种动态多波束卫星系统中,一个波束服务一个用户的理念被提出,这种覆盖方式是以用户为中心的服务机制,可以有效的提升用户的信号质量。
另外,随着可持续发展、追求绿色通信的观念逐渐被重视,能量效率已经成为卫星通信中的一个重要考虑因素。卫星通常由太阳能电池板供电,因此卫星通信系统追求高能效、低功耗已然成为一种趋势。
除此之外,深度学习算法的快速发展、海量数据获取渠道的增多以及硬件计算和存储能力的显著提升使得人工智能在近些年来呈现爆炸式的发展,本技术将通信技术与人工智能等技术深度融合,实现更智能化的系统设计。
发明内容
发明目的:本发明的目的是提供一种多波束卫星通信系统的高能效智能动态波束成形方法。
技术方案:
本发明所述的一种多波束卫星通信系统的高能效智能动态波束成形方法,包括如下步骤:
(1)对卫星通信的下行链路的信道进行分析,考虑多普勒频移与传播延时,表征出相控阵天线发送到每个用户的信道响应矢量;
(2)以系统的能效最大化为目标,将卫星通信系统的总能耗除以用户的信息速率总和作为目标函数;
(3)建立高能效动态波束优化设计问题,并以各个用户服务质量的保证与相控阵天线的每个子天线功率限制为约束条件;
(4)利用半正定松弛方法,并结合Minorize-Maximization迭代算法用以解决凸规划差分问题,然后通过二次变换进一步将目标函数转化为标准凸优化问题,迭代求解该问题,求得半正定松弛条件下的最优解;
(5)若该最优解矩阵的秩为一,则可直接得到动态波束成形矢量;若不为一,利用高斯随机化进行功率再分配,得到最终的成形矢量;
(6)在功率再分配的优化过程中,引入深度学习技术,搭建卷积神经网络,输入参数为信道自相关矩阵与半正定松弛条件下的最优解,输出为所分配的功率,通过它们之间的映射关系,取代迭代过程。
作为优选,步骤(2)中,目标函数建立为其中Rsum为K个用户的信息速率总和,Psum为低轨卫星系统的总能耗,P0表示每个用户的基本功耗,wk表示相控阵天线发给第k个用户的功率向量,上标H表示共轭转置,ξ表示功率放大器低效性的常数且ξ>1,为下行传输中第k个用户所接收到的信干噪比,为第k个用户所接收到的噪声方差。
作为优选,步骤(3)所建立的优化问题可表示为其中Pn为单天线最大允许发送功率,γk为第k个用户的目标信干噪比值,K为用户总数,NT=Mx×My为卫星天线阵列的天线数量,Mx和My分别是天线阵列中x轴与y轴的数量,n代表天线阵列中的子天线的序号。
作为优选,步骤(4)所述优化问题的求解方法包括:
其中,Tr(·)表示矩阵的迹。
b.将上述分式的分子表示为A(W),分母表示为B(W)。将分子部分A(W)根据log函数的性质进行分解得到:
c.然后将整个分式进行二次变换,将问题转化为标准的凸优化问题:
并求解具有初始可行点的凸优化问题,继续迭代下一次,将问题转化为迭代优化问题,求得最优解。
作为优选,步骤(5)中利用高斯随机化方法进行功率再分配包括:
b.若秩不为一,对于多次高斯随机化过程,再次利用Minorize-Maximization迭代算法将优化问题转化为凸优化问题,在所得的高斯随机化结果中选择最优解对应的功率分配矢量,进而获得最终的动态波束成形矢量。
作为优选,步骤(6)中,搭建卷积神经网络框架,包括输入层、卷积层、批量标准化层、激活层、平坦层、全连接层和输出层,输入为信道矢量与半正定松弛条件下的最优解Wopt,将信道矢量拆分成实部与虚部作为输入;输出所分配的功率p,即得到映射关系可表述为由此可取代迭代过程,得到最终的动态波束成形矢量。
有益效果:本发明提供的多波束卫星通信系统的高能效智能动态波束成形方法,通过建立高能效动态波束优化设计问题,研究能够满足用户服务质量的高效资源分配方法,并且引入人工智能减小计算量,具有较低的运算复杂度,本发明采用了一种深度学习方法,建立卷积神经网络进而取代迭代过程,输入参数为信道自相关矩阵与半正定松弛条件下的最优解,输出为所分配的功率,建立它们之间的映射关系取代优化算法的迭代过程,降低计算复杂度,在如今追求绿色通信的背景下,实现高能效和低功耗,从而提升卫星多波束系统性能。
附图说明
图1为多波束卫星移动通信系统示意图;
图2为本发明的方法总体流程图;
图3为本发明实施例的详细方法流程图。
具体实施方式
下面结合附图对本发明作进一步说明:
本发明实施例提出的一种多波束卫星的高能效智能动态波束成形方法,图1为系统配置示意图,卫星侧配备NT=Mx×My面阵天线,Mx和My分别是天线阵列中x轴与y轴的数量,这NT个波束同时服务K个用户,每个用户为单天线接收。图2为算法流程图,该方法首先考虑对该能效问题建模,设计为卫星系统传输每比特信息所需的功耗最小的动态波束优化问题;再利用半正定松弛方法并结合Minorize-Maximization迭代算法将其转化为凸优化问题,然后通过二次变换进一步转化后迭代求解,得到半正定松弛条件下的最优解,若解的秩不为一,采用高斯随机化方法进行功率再分配,最终得到满足秩一条件的动态波束成形矢量。在功率再分配的过程中,还需将目标函数利用同样的方法转化为凸优化问题求解,本发明在该过程中采用了一种深度学习方法,建立卷积神经网络进而取代迭代过程,输入参数为信道自相关矩阵与半正定松弛条件下的最优解,输出为所分配的功率,建立它们之间的映射关系取代优化算法的迭代过程,降低计算复杂度。详细步骤如图3所示,具体如下:
(1)卫星的相控阵天线发送到用户k的信道建模为:
其中是由于卫星移动导致的多普勒频移,为传播延时,这里假设信道增益系数gk服从莱斯因子为κk的莱斯衰落分布且功率等价地,信道增益系数gk的实部和虚部分别服从均值为方差为的实高斯分布。为相控阵天线的下行链路响应矢量,表示克罗内克积,x方向上的阵列角度响应矢量为
同理,y方向的阵列角度响应矢量为
(2)本发明致力于实现使卫星系统传输每比特信息所需要的总能耗最小的目的,数学形式可表示为:
其中Rsum为K个用户的信息速率总和,Psum为卫星系统的总能耗,P0表示每个用户的基本功耗,wk表示相控阵天线发给第k个用户的功率向量,上标H表示共轭转置,ξ表示功率放大器低效性的常数且ξ>1,为下行传输中第k个用户所接收到的信干噪比,为第k个用户所接收到的噪声方差。
(3)将优化问题表示为卫星系统传输每比特信息所需要的能量最小,并且使传送给每个用户的信干噪比大于某一设定的阈值,使得系统在传输过程中能够保障各个用户的服务质量;同时对于相控阵天线中的每个子天线的发射功率进行约束,从而使其工作在线性区域,避免天线发生过载而导致的非线性失真,具体问题表述为:
其中Pn为单天线最大允许发送功率,γk为第k个用户的目标信干噪比值,K为用户总数,NT=Mx×My为卫星天线阵列的天线数量,Mx和My分别是天线阵列中x轴与y轴的数量,n代表天线阵列中的子天线的序号。
为了将上述问题能够转化为凸问题进行求解,这里首先将上述问题的目标函数由最小化单位比特发送的功率,变化为最大化系统的能效,即
即,目标函数可转化为:
(4)通过半正定松弛并结合Minorize-Maximization迭代算法将其转化为凸优化问题求解。首先考虑半正定松弛,定义hk的自相关矩阵为wk的自相关矩阵为在忽略了秩一约束rank(Wk)=1的情况下,即在半正定松弛条件下,问题Q2可转化为:
将分子部分A(W)根据log函数的性质进行分解得到:
令二者均为关于Wk的凹函数,因此该问题转化为一个凸规划差分问题,通过Minorize-Maximization迭代算法,将g(W)函数利用泰勒展开进行线性化,从而使A(W)转化为凹函数。A(W)可近似成:
其中辅助变量定义为:
辅助变量y在每次迭代时更新。从而原问题变为凸优化问题后的形式为
对该目标函数进行凸变换,同样的,令分子部分为A(p),分母部分为B(p)。同样的,可以得到:
其中辅助变量定义为:
(6)步骤(4)、步骤(5)将原问题转换为最终的凸优化问题后是利用迭代方法求得最优解,而在本步骤,通过利用深度学习技术取代迭代过程,从而降低计算复杂度,加速算法求解速度。首先搭建卷积神经网络框架,包括输入层、卷积层、批量标准化层、激活层、平坦层、全连接层和输出层。神经网络的输入为信道矢量与半正定松弛条件下的最优解Wopt,由于现在的神经网络不支持复数形式的信道系数,因此将信道矢量拆分成和两个部分,形成新的输入 与是h中对应的每个元素的实部与虚部;输入元素在神经网络层中经过训练,得到输出,为所分配的功率p,即它们的映射关系可确定,表述为
以上所述仅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 (7)
1.一种适用于多波束卫星的高能效智能动态波束成形方法,其特征在于,包括如下步骤:
(1)对卫星通信的下行链路的信道进行分析,考虑多普勒频移与传播延时,表征出相控阵天线发送到每个用户的信道响应矢量;
(2)以系统的能效最大化为目标,将卫星通信系统的总能耗除以用户的信息速率总和作为目标函数;
(3)建立高能效动态波束优化设计问题,并以各个用户服务质量的保证与相控阵天线的每个子天线功率限制为约束条件;
(4)利用半正定松弛方法,并结合Minorize-Maximization迭代算法用以解决凸规划差分问题,然后通过二次变换进一步将目标函数转化为标准凸优化问题,迭代求解该问题,求得半正定松弛条件下的最优解;
(5)若该最优解矩阵的秩为一,则可直接得到动态波束成形矢量;若不为一,利用高斯随机化进行功率再分配,得到最终的成形矢量;
(6)在功率再分配的优化过程中,引入深度学习技术,搭建卷积神经网络,输入参数为用户的信道响应矢量与半正定松弛条件下的最优解,输出为所分配的功率,通过它们之间的映射关系,取代迭代过程。
5.根据权利要求4所述的适用于多波束卫星的高能效智能动态波束成形方法,其特征在于,作为优选,步骤(4)所述优化问题的求解方法包括:
其中,Tr(·)表示矩阵的迹;
b.将上述分式的分子表示为A(W),分母表示为B(W),将分子部分A(W)根据log函数的性质进行分解得到:
c.然后将整个分式进行二次变换,将问题转化为标准的凸优化问题:
并求解具有初始可行点的凸优化问题,继续迭代下一次,将问题转化为迭代优化问题,求得最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387140.9A CN113114343B (zh) | 2021-04-08 | 2021-04-08 | 一种多波束卫星的高能效智能动态波束成形方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387140.9A CN113114343B (zh) | 2021-04-08 | 2021-04-08 | 一种多波束卫星的高能效智能动态波束成形方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113114343A true CN113114343A (zh) | 2021-07-13 |
CN113114343B CN113114343B (zh) | 2022-07-22 |
Family
ID=76715444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110387140.9A Active CN113114343B (zh) | 2021-04-08 | 2021-04-08 | 一种多波束卫星的高能效智能动态波束成形方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113114343B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113765553A (zh) * | 2021-09-09 | 2021-12-07 | 东南大学 | 一种基于机器学习的多波束卫星通信系统鲁棒预编码方法 |
CN114172551A (zh) * | 2021-12-02 | 2022-03-11 | 西安交通大学 | 基于卫星机会调度联合波束成形的安全传输方法及系统 |
CN114710195A (zh) * | 2022-03-24 | 2022-07-05 | 重庆邮电大学 | 一种基于跳波束技术的低轨卫星高能效资源分配方法 |
CN114978387A (zh) * | 2022-05-09 | 2022-08-30 | 上海科技大学 | 基于低轨卫星网络的无线空中计算方法 |
CN116017584A (zh) * | 2022-12-02 | 2023-04-25 | 中山大学 | 一种低轨卫星星间切换高效下行链路波束成形方法及系统 |
CN117715087A (zh) * | 2024-02-02 | 2024-03-15 | 南京信息工程大学 | 一种天地一体化网络资源动态分配方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838859A (zh) * | 2019-11-15 | 2020-02-25 | 东南大学 | 适用于多波束卫星通信系统的高能效鲁棒预编码方法 |
CN111147113A (zh) * | 2020-01-07 | 2020-05-12 | 东南大学 | 一种能效保障的多波束卫星通信鲁棒预编码方法 |
CN111835406A (zh) * | 2020-06-30 | 2020-10-27 | 东南大学 | 适用于多波束卫星通信的能效谱效权衡的鲁棒预编码方法 |
CN112260737A (zh) * | 2020-10-16 | 2021-01-22 | 东南大学 | 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法 |
-
2021
- 2021-04-08 CN CN202110387140.9A patent/CN113114343B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838859A (zh) * | 2019-11-15 | 2020-02-25 | 东南大学 | 适用于多波束卫星通信系统的高能效鲁棒预编码方法 |
CN111147113A (zh) * | 2020-01-07 | 2020-05-12 | 东南大学 | 一种能效保障的多波束卫星通信鲁棒预编码方法 |
CN111835406A (zh) * | 2020-06-30 | 2020-10-27 | 东南大学 | 适用于多波束卫星通信的能效谱效权衡的鲁棒预编码方法 |
CN112260737A (zh) * | 2020-10-16 | 2021-01-22 | 东南大学 | 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113765553A (zh) * | 2021-09-09 | 2021-12-07 | 东南大学 | 一种基于机器学习的多波束卫星通信系统鲁棒预编码方法 |
CN114172551A (zh) * | 2021-12-02 | 2022-03-11 | 西安交通大学 | 基于卫星机会调度联合波束成形的安全传输方法及系统 |
CN114710195A (zh) * | 2022-03-24 | 2022-07-05 | 重庆邮电大学 | 一种基于跳波束技术的低轨卫星高能效资源分配方法 |
CN114710195B (zh) * | 2022-03-24 | 2023-07-25 | 重庆邮电大学 | 一种基于跳波束技术的低轨卫星高能效资源分配方法 |
CN114978387A (zh) * | 2022-05-09 | 2022-08-30 | 上海科技大学 | 基于低轨卫星网络的无线空中计算方法 |
CN114978387B (zh) * | 2022-05-09 | 2023-09-26 | 上海科技大学 | 基于低轨卫星网络的无线空中计算方法 |
CN116017584A (zh) * | 2022-12-02 | 2023-04-25 | 中山大学 | 一种低轨卫星星间切换高效下行链路波束成形方法及系统 |
CN116017584B (zh) * | 2022-12-02 | 2023-09-22 | 中山大学 | 一种低轨卫星星间切换高效下行链路波束成形方法及系统 |
CN117715087A (zh) * | 2024-02-02 | 2024-03-15 | 南京信息工程大学 | 一种天地一体化网络资源动态分配方法与系统 |
CN117715087B (zh) * | 2024-02-02 | 2024-04-26 | 南京信息工程大学 | 一种天地一体化网络资源动态分配方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113114343B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113114343B (zh) | 一种多波束卫星的高能效智能动态波束成形方法 | |
US11031980B2 (en) | Method and apparatus for forming power-efficient digital-analog hybrid beam in multi antenna system, and device | |
CN111447631A (zh) | 基于非正交多址技术的星地联合波束形成和功率分配方法 | |
CN111865387A (zh) | 智能反射面辅助无线通信系统的波束成形设计方法 | |
CN111835406B (zh) | 适用于多波束卫星通信的能效谱效权衡的鲁棒预编码方法 | |
CN111147113B (zh) | 一种能效保障的多波束卫星通信鲁棒预编码方法 | |
CN112260737B (zh) | 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法 | |
CN111245485B (zh) | 机载毫米波通信波束赋形与位置部署方法 | |
CN111970033B (zh) | 能效谱效联合优化的大规模mimo多播功率分配方法 | |
CN110365388B (zh) | 一种低复杂度毫米波多播波束成形方法 | |
CN113949607B (zh) | 一种智能反射面无小区系统的鲁棒性波束设计方法 | |
CN110535518B (zh) | 一种宽波束发射波束形成优化设计方法 | |
CN113765553A (zh) | 一种基于机器学习的多波束卫星通信系统鲁棒预编码方法 | |
CN113691295A (zh) | 一种基于irs的异构网络中干扰抑制方法 | |
CN115085774A (zh) | 一种基于克拉美罗界的通感融合混合波束赋形方法 | |
CN114513237B (zh) | 一种面向大规模阵列通信的子阵结构设计方法 | |
CN113572503B (zh) | 一种低复杂度的基于gp的改进混合波束成形方法 | |
CN113395095B (zh) | 动态超表面天线辅助的大规模mimo上行传输方法 | |
Li et al. | Joint beamforming and power allocation for intelligent reflecting surface-aided millimeter wave MIMO systems | |
CN109039410B (zh) | 一种异构云无线接入网络的波束成形方法及通信网络 | |
CN111464956A (zh) | 基于前向链路组播传输的c-ran联合波束和功率分裂设计方法 | |
CN104821840B (zh) | 一种大规模多输入多输出下行系统的抗干扰方法 | |
CN114785387B (zh) | 智能全向面辅助的多用户miso下行加权和速率优化方法 | |
CN114844538B (zh) | 一种基于宽学习的毫米波mimo用户增量协作波束选择方法 | |
CN116419245A (zh) | 一种基于智能反射面辅助的速率分割多址接入的多小区通信系统能效优化方法 |
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 |