CN113381799B - 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法 - Google Patents

基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法 Download PDF

Info

Publication number
CN113381799B
CN113381799B CN202110639045.3A CN202110639045A CN113381799B CN 113381799 B CN113381799 B CN 113381799B CN 202110639045 A CN202110639045 A CN 202110639045A CN 113381799 B CN113381799 B CN 113381799B
Authority
CN
China
Prior art keywords
cnn
neural network
layer
convolutional neural
multiple access
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
Application number
CN202110639045.3A
Other languages
English (en)
Other versions
CN113381799A (zh
Inventor
李东博
贾敏
张良
孙锦添
吴健
焦祥熙
郭庆
顾学迈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute Of Technology Institute Of Artificial Intelligence Co ltd
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110639045.3A priority Critical patent/CN113381799B/zh
Publication of CN113381799A publication Critical patent/CN113381799A/zh
Application granted granted Critical
Publication of CN113381799B publication Critical patent/CN113381799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B7/1851—Systems using a satellite or space-based relay
    • 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
    • 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
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18513—Transmission in a satellite or space-based system
    • 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
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0041—Arrangements at the transmitter end
    • H04L1/0043—Realisations of complexity reduction techniques, e.g. use of look-up tables
    • 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
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0052—Realisations of complexity reduction techniques, e.g. pipelining or use of look-up tables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Astronomy & Astrophysics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radio Relay Systems (AREA)

Abstract

基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，涉及信息与通信技术领域，是为了为提高传统SCMA的BER性能。本发明利用了CNN的结构可以处理高维信息，基于自编码(AE)的方法，提出采用基于CNN的编码器替代传统SCMA的多维码本设计，采用基于CNN的解码器替代传统多用户检测译码方法。仿真结果表明，本发明提出的方案具有比传统SCMA更好的BER性能。

Description

基于卷积神经网络的低轨星地链路端到端稀疏码多址接入 方法
技术领域
本发明涉及信息与通信技术领域，具体涉及基于卷积神经网络的低轨星地链路端到端稀疏码多址接入技术。
背景技术
卫星通信系统具有覆盖范围广的优势，将被用作陆地蜂窝网络的补充，以建立卫星地面网络以提供全球通信服务。然而，在卫星-地面链路中存在信道衰落。多用户接入已经成为未来卫星地面网络的主要研究重点。
稀疏代码多路访问(SCMA)作为非正交多址接入(NOMA)的码域方案，是一种有前景的卫星地面网络空中接口技术。在SCMA系统中，通过设计优化的码本，将用户的输入比特映射到多维星座图，因此在设计码本方面起着重要的作用。但是，由于在不同的通信环境中资源块(RB)的数量不同，因此有必要针对所有可能的通信场景手动构造码本，这将导致实际通信中的局限性。多维码本设计需要使用消息传递算法(MPA)进行解码，该算法具有很高的计算开销。先前的工作提出了一种在衰落信道上具有高频谱效率的SCMA迭代多用户检测和解码方案，以提高系统性能。但与常规SCMA方法类似，信道传播表示为假设的数学信道模型，该模型可能无法正确反映实际的通信情况。
最近，深度学习技术已在许多方面带来了显着的性能提升。深度学习的方法被应用在空空地面综合网络(SAGIN)中。一些研究已经设计了一种采用端到端训练策略的物理层通信系统，以共同优化多层非线性编码器和解码器网络。基于学习的框架可以解释为自动编码器(AE)系统，其中发送器和接收器由深度神经网络(DNN)表示。此外，基于深度学习的端到端通信框架方法被应用于SCMA系统甚至更多的NOMA方案。可以自主构造和优化多用户多维星座图和多用户解码器，由于常规SCMA的非正交性和多维特性，通常很难做到这一点。
发明内容
针对上述问题，本发明提出一种基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法。
基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征是：
它的信号发射方法包括以下步骤：
步骤一、构建基于CNN的编码器fe(·)；
步骤二、利用步骤一构建的基于CNN的编码器fe(·)实现从原始J个用户的原始信息到N个资源块的多维星座图映射，其中N＜J；
步骤三、将步骤二获得的N个资源块发射至信道；
它的信号接收方法包括以下步骤：
步骤四、接收端从信道接收所述步骤三发射的N个资源块；
步骤五、构建基于CNN的解码器；
步骤六、根据步骤五构建的基于CNN的解码器对步骤四接收的N个资源块进行解码，恢复出J个用户的原始信息；
完成一次基于卷积神经网络的低轨星地链路端到端稀疏码多址接入。
本发明获得的有益效果：本发明面向低轨星地链路Rician衰落信道环境提出一种基于卷积神经网络(CNN)的低轨星地链路端到端稀疏码多址接入(SCMA)方法。本发明利用了CNN的结构可以处理高维信息，基于自编码(AE)的方法，提出采用基于CNN的编码器替代传统SCMA的多维码本设计，采用基于CNN的解码器替代传统多用户检测译码方法，并且针对系统功能设计了系统的体系结构和参数。在数据仿真方面，本发明针对星地链路Rician衰落信道下基于CNN的低轨星地链路端到端SCMA的误码率(BER)和块误码率(BLER)性能分析，采用随机梯度下降(SGD)更新CNN的权重，并传播计算出的损耗梯度，整流线性单位(ReLU)被用作激活函数，仿真结果表明，我们提出的方案具有比传统SCMA更好的BER性能。
附图说明
图1传统SCMA的架构框图；
图2星地网络中衰落信道下多用户接入架构示意图；
图3Rician衰落信道下基于CNN的SCMA架构框图；
图4卫星-地面链路Rician信道下基于CNN的SCMA的BER性能仿真示意图；
图5卫星-地面链路Rician信道下基于CNN的SCMA的BLER性能仿真示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施方式一、基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征是：
它的信号发射方法包括以下步骤：
步骤一、构建基于CNN的编码器fe(·)；
步骤二、利用步骤一构建的基于CNN的编码器fe(·)实现从原始J个用户的原始信息到N个资源块的多维星座图映射，其中N＜J；
步骤三、将步骤二获得的N个资源块发射至信道；
它的信号接收方法包括以下步骤：
步骤四、接收端从信道接收所述步骤三发射的N个资源块；
步骤五、构建基于CNN的解码器；
步骤六、根据步骤五构建的基于CNN的解码器对步骤四接收的N个资源块进行解码，恢复出J个用户的原始信息；
完成一次基于卷积神经网络的低轨星地链路端到端稀疏码多址接入。
原理：
1.系统模型
在发明中，面向低轨星地链路Rician衰落信道环境提出一种基于卷积神经网络(CNN)的低轨星地链路端到端稀疏码多址接入(SCMA)方法。本发明利用了CNN的结构可以处理高维信息，基于自编码(AE)的方法，提出采用基于CNN的编码器替代传统SCMA的多维码本设计，采用基于CNN的解码器替代传统多用户检测译码方法。
1)SCMA模型
本部分先介绍本发明依据的基础模型，考虑具有J用户设备(UEs)和N个资源块(RBs)的上行链路传统SCMA系统。
J个UEs的信息比特首先被信道编码器编码为编码比特。编码的比特通过预先手动设计的N维复杂码本映射为SCMA信号。
接收端接收到的数据可以表示为：
Figure BDA0003106408290000041
其中hj代表信道矢量。xj代表信号j的SCMA码字，并且n代表加性高斯白噪声(AWGN)。
在接收器处，最大后验概率(MAP)检测最适合解码每个资源上的重叠符号，但复杂度很高。在检测上已经有一些优化，但是复杂度仍然是指数级的。传输码字的估计可根据以下条件解决：
Figure BDA0003106408290000042
其中xj是第j个用户的码本。
通过利用SCMA码字的稀疏性，MPA用于以迭代方式实现接近最佳的性能。但是，由于MPA具有多用户迭代检测功能，因此接收端的计算复杂度很高。
2)CNN模型
本发明主要在发送端和接收端采用卷积神经网络架构，包括卷积层、全连接(FC)层和激活函数。在完FC层中，每个神经元都连接到上一层中的所有神经元。相反，在卷积层中，每个神经元仅连接到前一层中的几个相邻神经元，这称为神经元的接收场，并且同一层的权重由该层中的所有神经元共享。
Z(l-1)[n]和Z(l)[n]分别被表示为CNN的第l层中的第i个神经元的输入和输出。卷积层在第l层中第i个神经元的输出可以表示为
Figure BDA0003106408290000043
其中σ(·)代表激活功能。
Figure BDA0003106408290000044
代表卷积系数，
Figure BDA0003106408290000045
代表第l层第i个神经元的偏差矢量。
3)基于CNN的编码器
在发射端，根据AE结构给出基于CNN的编码器。CNN用于实现从J个用户数据流到N个资源块的多维星座图映射，并且N＜J。系统的基于CNN的编码器fe(·)和基于CNN的解码器fd(·)由具有多个隐藏层的基本CNN单元组成，因此基于CNN的编码器fe(·)可以被视为SCMA码字生成器。基本CNN单元的每个隐藏层均由权重矩阵，偏置矢量和激活函数组成。
基于CNN的编码器的输入数据是长度为M的数据流r，并且
Figure BDA0003106408290000051
rj表示第j个用户的数据流。θe和θd分别被定义为基于CNN的编码器和基于CNN的解码器的权重和偏置矢量，并且
Figure BDA0003106408290000052
被定义为基于CNN的从第j个用户的数据流到第n个资源块的星座映射。
由基于CNN的编码器编码的第n个资源块的数据可以表示为
Figure BDA0003106408290000053
J个用户的数据流由基于CNN的编码器编码，并以的数据长度N复用为
Figure BDA0003106408290000054
4)Rician衰落信道
Rician衰落信道的信道状态信息可以表示为
Figure BDA0003106408290000055
其中hLoS代表由卫星-地面链路中的Rician衰落信道的视线(LoS)路径贡献的镜面反射分量，而hNLoS代表由代表所有其他分散路径的非视线(NLoS)路径贡献的散射分量。参数K代表莱斯因子，Ρ表示衰落信道的平均功率。
5)基于CNN的解码器
在接收端，可以将基于CNN的接收器的第n个资源块的接收信号写为：
Figure BDA0003106408290000056
基于CNN的解码器会根据从信道接收的信号y来学习恢复原始信息。
要恢复的J个用户的输出数据可以表示为：
Figure BDA0003106408290000057
在接收端，二进制交叉熵损失函数用于计算J个用户原始数据流与用户恢复数据流
Figure BDA0003106408290000058
之间的距离。损失函数可以表示为：
Figure BDA0003106408290000059
其中，
Figure BDA00031064082900000510
表示SCMA发送端的第j个用户数据流的第m个数据信息，
Figure BDA00031064082900000511
表示SCMA接收端输出的第j个用户数据流的m第个数据信息。
2.系统训练与性能仿真分析
在这一部分中，我们给出在星地网络Rician衰落信道上的BER和BLER性能分析。采用随机梯度下降(SGD)更新CNN的权重，并传播计算出的损耗梯度。整流线性单位(ReLU)被用作激活函数。对于端到端的CNN-SCMA系统，附加的均衡层用于构造Rician衰落信道。表1给出了系统网络架构参数。
表1系统网络架构参数
Figure BDA0003106408290000061
表2给出了系统参数。
表2系统参数
Figure BDA0003106408290000062
Figure BDA0003106408290000071
图4显示了基于CNN的SCMA在星地链路Rician衰落信道上的BER性能。当莱斯因子为4、8和12时，给出了基于CNN的SCMA的BER性能。从图中可以看出，莱斯因子越大，BER性能就越好。当莱斯因子全部为8时，基于CNN的SCMA的BER性能要优于常规SCMA。
图5显示了基于CNN的SCMA在星地链路Rician衰落信道上的BLER性能。当莱斯系数为4、8和12时，给出了基于CNN的SCMA的BLER性能。从图中可以看出，莱斯系数越大，BLER性能就越好。

Claims (6)

1.基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征是：
信号发射方法包括以下步骤：
步骤一、构建基于CNN的编码器fe(·)；
步骤二、利用步骤一构建的基于CNN的编码器fe(·)实现从原始J个用户的原始信息到N个资源块的多维星座图映射，其中N＜J；
步骤三、将步骤二获得的N个资源块发射至信道；
它的信号接收方法包括以下步骤：
步骤四、接收端从信道接收所述步骤三发射的N个资源块；
步骤五、构建基于CNN的解码器；
步骤六、根据步骤五构建的基于CNN的解码器对步骤四接收的N个资源块进行解码，恢复出J个用户的原始信息；
完成一次基于卷积神经网络的低轨星地链路端到端稀疏码多址接入；
在发送端和接收端采用卷积神经网络CNN架构，所述卷积神经网络CNN架构包括卷积层、全连接(FC)层和激活函数，在FC层中，每个神经元都连接到上一层中的所有神经元，相反，在卷积层中，每个神经元仅连接到前一层中的对应相邻神经元，所述的对应相邻神经元称为神经元的接收场，并且同一层的权重由该层中的所有神经元共享；
设Z(l-1)[n]和Z(l)[n]分别被表示为CNN的第l层中的第i个神经元的输入和输出；则卷积层在第l层中第i个神经元的输出表示为：
Figure FDA0003852053850000011
其中：σ(·)代表激活功能；
Figure FDA0003852053850000012
代表卷积系数，
Figure FDA0003852053850000013
代表第l层第i个神经元的偏差矢量。
2.根据权利要求1所述的基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征在于步骤一中，构建的基于CNN的编码器fe(·)是基于自编码AE结构的CNN的编码器。
3.根据权利要求2所述的基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征在于基于CNN的编码器fe(·)由具有K个隐藏层的基本CNN单元组成，K为正整数；则基于CNN的编码器fe(·)能够视为SCMA码字生成器，基本CNN单元的每个隐藏层均由权重矩阵、偏置矢量和激活函数组成；
基于CNN的编码器fe(·)的输入数据是长度为M的数据流r，并且
Figure FDA0003852053850000021
其中：rj表示第j个用户的数据流；θe和θd分别定义为基于CNN的编码器fe(·)和基于CNN的编码器fe(·)的权重和偏置矢量，并且
Figure FDA0003852053850000022
定义为基于CNN的编码器fe(·)的从第j个用户的数据流到第n个资源块的星座映射。
4.根据权利要求3所述的基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征在于由基于CNN的编码器fe(·)fe(·)编码的第n个资源块的数据表示为：
Figure FDA0003852053850000023
其中：J个用户的数据流由基于CNN的编码器fe(·)编码，并以数据长度N复用为：
Figure FDA0003852053850000024
5.根据权利要求1所述的基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征在于步骤六中、根据步骤五构建的基于CNN的解码器对步骤四接收的N个资源块进行译码，恢复出J个用户的原始信息的具体方法为：
步骤五一、CNN的解码器将接收的第n个资源块的接收信号写为：
Figure FDA0003852053850000025
式中：hnj表示：第n个信道矢量，ωnj表示：对应第j个用户的第n个资源块的信道噪声；
步骤五二、基于CNN的解码器根据从信道接收的信号y学习恢复获得J个用户原始信息。
6.根据权利要求5所述的基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征在于步骤五二中恢复获得J个用户的原始信息表示为：
Figure FDA0003852053850000031
CN202110639045.3A 2021-06-08 2021-06-08 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法 Active CN113381799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110639045.3A CN113381799B (zh) 2021-06-08 2021-06-08 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110639045.3A CN113381799B (zh) 2021-06-08 2021-06-08 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法

Publications (2)

Publication Number Publication Date
CN113381799A CN113381799A (zh) 2021-09-10
CN113381799B true CN113381799B (zh) 2022-11-01

Family

ID=77572853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110639045.3A Active CN113381799B (zh) 2021-06-08 2021-06-08 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法

Country Status (1)

Country Link
CN (1) CN113381799B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113992313B (zh) * 2021-10-25 2023-07-25 安徽大学 一种基于深度学习的均衡网络辅助scma编解码方法
CN115550934B (zh) * 2022-11-29 2023-04-07 安徽电信规划设计有限责任公司 基于深度学习的混合多址接入异构网络多用户检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109039534A (zh) * 2018-06-20 2018-12-18 东南大学 一种基于深度神经网络的稀疏码分多址信号检测方法
CN111262656A (zh) * 2020-01-16 2020-06-09 哈尔滨工业大学 低轨星地链路下高谱效稀疏码多址接入多用户迭代检测译码方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11640522B2 (en) * 2018-12-13 2023-05-02 Tybalt, Llc Computational efficiency improvements for artificial neural networks
CN109787715B (zh) * 2018-12-18 2021-01-19 中国科学院深圳先进技术研究院 Scma系统的dnn解码方法及解码通信设备
CN110474716B (zh) * 2019-08-14 2021-09-14 安徽大学 基于降噪自编码器的scma编解码器模型的建立方法
CN110808824A (zh) * 2019-11-12 2020-02-18 哈尔滨工业大学 低轨卫星星地链路的高谱效稀疏码多址接入方法
CN111565061B (zh) * 2020-05-28 2021-04-02 安徽大学 一种基于深度神经网络的mimo-scma下行链路通信方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109039534A (zh) * 2018-06-20 2018-12-18 东南大学 一种基于深度神经网络的稀疏码分多址信号检测方法
CN111262656A (zh) * 2020-01-16 2020-06-09 哈尔滨工业大学 低轨星地链路下高谱效稀疏码多址接入多用户迭代检测译码方法

Also Published As

Publication number Publication date
CN113381799A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN110474716B (zh) 基于降噪自编码器的scma编解码器模型的建立方法
US6898248B1 (en) System employing threaded space-time architecture for transporting symbols and receivers for multi-user detection and decoding of symbols
CN113381799B (zh) 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法
US6560295B1 (en) Method of generating space-time codes for generalized layered space-time architectures
CN110430009B (zh) 多用户联合编码调制系统
CN102630374A (zh) 用于具有全双工中继器的多接入中继器信道系统的用于传送数字信号的方法、以及对应的程序产品和中继器装置
CN110061803B (zh) 一种低复杂度的极化码比特交织编码调制方法
CN105656823A (zh) 基于最小误码率准则的水下通信Turbo接收系统及方法
CN111565061A (zh) 一种基于深度神经网络的mimo-scma下行链路通信方法
Peng et al. Physical layer network coding in network MIMO: A new design for 5G and beyond
CN112332863B (zh) 低轨卫星低信噪比场景下的极化码译码算法、接收端和系统
Tato et al. Deep learning assisted rate adaptation in spatial modulation links
CN113225114A (zh) 基于预编码联合优化的无线通信信号发送和接收方法
CN102612822A (zh) 用于具有半双工中继的多接入中继信道系统的用于传送数字信号的方法、以及对应的程序产品和中继装置
CN116418395A (zh) 一种面向fso系统的中继激光通信编码方法
CN104506278B (zh) Ldpc调制系统的联合迭代接收机线性优化方法
CN113992313B (zh) 一种基于深度学习的均衡网络辅助scma编解码方法
Bian et al. Learning-based near-orthogonal superposition code for MIMO short message transmission
Behnamfar et al. Channel-Optimized Quantization With Soft-Decision Demodulation for Space–Time Orthogonal Block-Coded Channels
CN111245568A (zh) 一种在低轨卫星中基于反馈重传技术的极化码译码方法
Duan et al. A model‐driven robust deep learning wireless transceiver
CN115426014B (zh) 一种基于酉空时编码调制的水声mimo通信方法
CN113162731B (zh) 混合数模广播通信方法
CN113162632B (zh) 智能qc-ldpc译码方法、译码器及低轨卫星通信系统
Wang et al. DNN-Based Physical-Layer Network Coding with Low-Complexity Codec

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231107

Address after: Building 1, Kechuang headquarters, Shenzhen (Harbin) Industrial Park, 288 Zhigu street, Songbei District, Harbin City, Heilongjiang Province

Patentee after: Harbin Institute of Technology Institute of artificial intelligence Co.,Ltd.

Address before: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin

Patentee before: HARBIN INSTITUTE OF TECHNOLOGY