CN113437999A - 一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法 - Google Patents
一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法 Download PDFInfo
- Publication number
- CN113437999A CN113437999A CN202110700381.4A CN202110700381A CN113437999A CN 113437999 A CN113437999 A CN 113437999A CN 202110700381 A CN202110700381 A CN 202110700381A CN 113437999 A CN113437999 A CN 113437999A
- Authority
- CN
- China
- Prior art keywords
- neural network
- bayes
- option
- time unit
- linear regression
- 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
- H04B7/02—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
- H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法。该算法将自适应波束宽度调制问题建模为基于上下文的在线优化选择问题,其中每个选项对应不同的波束宽度,依据感知的环境变化速率调整和更新数据传输波束的宽度。在每个时间单元初始步,构造通信环境上下文并通过神经网络获得所需的非线性特征,再将其通过Bayes线性决策模型确定数据传输波束的最佳宽度。本发明设计的自适应波束宽度调制算法能够有效感知环境变化的速率,并自适应地调整数据传输波束的宽度,保证在整个通信过程中均能获得较高的通信链路质量,有效地提高了毫米波通信系统的吞吐量。
Description
技术领域
本发明属于无线通信领域,具体涉及抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法。
背景技术
随着技术的不断革新,无线通信的传输速率已取得重大突破,中国商用5G虽然仍使用6GHz以下频段,但是用户体验速率已经可以达到百兆级别,峰值速率突破Gbps;相比于6GHz以下RF1频段,毫米波频段RF2具有丰富的频谱资源,可以满足爆炸式增长的接入需求。毫米波通信具有如下特点:带宽高,通常有1-2GHz连续可用的频谱资源;自由空间路径损耗高,且在物体周围绕射的能力较小;方向性强,安全性高,由于高路径损耗,需要在发射机或接收机处进行波束成形以提高信噪比(SNR);阵列天线集成度高,因为阵列天线阵源之间的空间距离与波长成反比。
为了获得较高的信噪比,波束成形后的主波束方向需要与用户对准,即需要波束训练来保证发射机主波束跟踪移动中的接收机。典型的设计方案是在一个时隙内先进行波束训练,获得较高的增益后,再在该时隙内传输数据。但是当接收机在移动时,其偏离角(AoD)或到达角(AoA)总是连续变化,而波束切换在时间上是离散的,即使在波束训练后发射与接收主波束对准,在该时隙内接收机也会因移动与发射机波束中心角发生偏移,导致波束形成/阵列增益降低,严重时会影响通信链路的质量,此现象称为波束漂移效应。
一般情况下,应使用窄(甚至最窄)波束进行数据传输,以实现较高的波束成形增益。但是,从波束训练的角度出发,窄波束会增加波束训练时搜索空间的大小以及由此产生的训练开销。此外,波束漂移效应也对波束成形增益产生负面影响,一旦环境迅速变化,这一点就特别明显。波束漂移效应意味着需要在波束成形增益和数据传输的有效时间之间进行权衡,尽管可以通过减少每个时隙的长度来减轻波束漂移效应,但也因此增加了波束训练的开销,降低了有效可到达率性能。
发明内容
为了抑制波束漂移效应并提高系统性能,本发明提出了一种自适应波束宽度调制算法,以实现有效地抑制毫米波通信系统中的波束漂移效应。该方案减缓毫米波通信中波束漂移的影响,保证在整个通信过程中均能获得较高的通信链路质量,提高毫米波通信系统的吞吐量。
为实现本发明的目的,本发明所采用的技术方案是:一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法,包括如下步骤:
步骤(1):将波束宽度调制问题建模为基于上下文的在线优化选择问题,模型由全连接神经网络和Bayes线性回归组成,Bayes决策中的每个选项对应不同的波束宽度,依据感知的信道环境变化快慢,通过Bayes方法选择数据传输的最佳波束宽度;
步骤(2):初始化模型中的参数,包括神经网络权重与偏置、Bayes线性回归先验分布、数据传输波束初始宽度、时间单元计数,并清空存储空间;
步骤(3):在每个时间单元初始步,构造相应的通信环境上下文,通过神经网络提取非线性特征,采用Bayes线性决策确定当前最佳数据传输波束宽度,并基于波束训练结果,选择最佳数据传输码字;
步骤(4):接收外部环境回报,基于收集的信息更新Bayes线性回归所使用的后验分布及样本集,当满足一定条件时,即每隔一定时间(由算法输入参数决定),更新用于提取非线性特征的神经网络的参数。
整个算法流程如图1所示,循环执行步骤(3)和步骤(4)。
步骤(1)中,不同的波束宽度是通过多分辨率码书实现的,每个子码书由一组波束主瓣宽度相等、波束主瓣方向角等距分布的波束组成。自适应波束宽度调制的本质是根据环境变化的快慢自适应地选择最优的波束宽度进行数据传输,以获得最优的系统性能。由于基于Bayes学习设计算法,自适应波束宽度调制问题转化为基于通信环境上下文选择不同波束宽度对应的子码书。
Bayes学习随机选择模型是基于上下文(Context)的Bandit模型,其核心是定义行动空间、回报函数、通信环境上下文、预测模型、Bayes先验后验分布。假设最小时间单位为时隙,每K个时隙定义为一个时间单元,即每个时间单元包括K个时隙。
其中,ru,i表示第u个时间单元中第i个时隙对应的传输速率。
(1.2)定义通信环境上下文,第u个时间单元的通信环境上下文Xu定义为
(1.3)定义预测模型,考虑到实际通信环境非常复杂且随机变化,本发明考虑联合使用神经网络及Bayes线性回归模型建立预测模型。如图2所示,在神经网络最后一层执行Bayes线性回归,相应地Bayes线性回归的回报预测值为r,由下式给出:
r=ωTfX+ε (3)
(1.4)定义Bayes先验后验分布,Bayes学习需要为行动空间中的每个选项a定义参数的先验和后验分布。为了能够获得解析的后验分布表达式,避免复杂的后验采样等操作,进而降低算法的复杂度,选项a的先验分布定义如下:
其中,IGam(x|p,q)表示逆伽玛分布,p和q分别表示形状参数和比例参数,参数m0,S0分别表示均值矢量和方差矢量,m0,S0,p0>0,q0>0均为常数,需要适当地初始化。相应地,后验分布解析表达式为:
步骤(2):初始化模型中的参数,包括神经网络权重与偏置、Bayes线性回归先验分布、数据传输波束初始宽度、时间单元计数,并清空存储空间;
(2.1)初始化网络权重与偏置、行动空间中每个选择对应的Bayes先验分布,Bayes先验分布如公式(4)所示。在初始化时,所有选项对应的Bayes先验分布是相同的,之后通过不断积累的样本集来更新Bayes后验分布和网络参数。
(2.2)初始化时间单元计数,令u=1,随机选择数据传输的波束初始宽度,并将存储空间置空。存储空间由每个选项对应的的子空间组成,存储历史经验信息,包括在时间单元u下的通信环境上下文Xu、最佳选项及相应的外部回报值ru,用于训练网络参数和更新Bayes后验分布。
步骤(3):在每个时间单元初始步,构造相应的通信环境上下文,通过神经网络提取非线性特征,采用Bayes线性决策确定当前最佳数据传输波束宽度,并基于波束训练结果,选择最佳数据传输码字;
在步骤(3)中,对于时间单元u,按序执行如下步骤:
(3.1)根据公式(2)构造通信环境上下文Xu
对于步骤(3.6),在确定最佳对应的子码书后,数据传输还需要选择中的码字,记其中fi表示第i个码字,Na表示子码书的大小。每个码字fi对应的波束中心角为φi,而波束训练得到的最佳方向角为φ0,则最佳数据传输码字为:
步骤(4):接收外部环境回报,基于收集的信息更新Bayes线性回归所使用的后验分布及样本集,当满足一定条件时,更新用于提取非线性特征的神经网络的参数。
在步骤(4)中,对于时间单元u,按序执行如下步骤:
(4.1)接收外部环境的回报值ru
(4.4)如果u mod F==0,反向传播更新神经网络的权重和偏置
(4.5)更新计数器u←u+1
其中分别表示选项a对应的第i个输入通信环境上下文及相应的输出回报值。由于回报值r不仅取决于神经网络,还与Bayes线性回归相关,因此线性回归模型中参数ω的作用不可忽略。考虑到回报值r与神经网络的输出fX是线性关系,可以将线性回归模型附加到神经网络最后,作为神经网络额外的线性层,并与原先的神经网络一起训练。当神经网络和新的线性层训练结束后,更新每个选项a对应的神经网络输出,即:
其中f′表示训练后的神经网络映射/函数。
相对于现有技术,本发明的优点如下:
1)在更小的时间尺度内考虑信道方向角(即到达角或分离角)的变化速率,通过感知信道方向角的变化快慢,自适应调整数据传输的波束宽度,以保证通信链路质量;
2)以机器学习相应的算法处理复杂且随机变化的实际通信环境,通过神经网络提取非线性特征,并以Bayes决策确定最佳数据传输波束宽度,该方法既具有一定的实时性,又能够获得较高的信噪比;
3)可以在波束成形增益和数据传输的有效时间之间进行权衡,其有效可达速率性能均大于任何固定的子码本的有效可达速率性能,尤其在快速变化的环境中优势更明显,可以有效减轻波束漂移效应。
附图说明
图1为自适应波束宽度调制算法流程图;
图2为联合神经网络与Bayes线性回归模型的预测模型示意图;
图3为使用的多分辨率分层码书示意图;
图4为有效可达速率性能示意图。
具体实施方式
为了使本申请的技术方案和优点更加明白清楚,以下结合实施例及软件仿真,对本申请进行进一步详细说明。
为了抑制毫米波系统中波束漂移效应,在更小的时间尺度即小于波束训练的时间尺度内考虑信道方向角的变化速率,通过感知信道方向角的变化快慢调整数据传输波束宽度,以保证在整个通信过程中,接收端的信噪比或通信链路质量均较高。
在具体解决问题时,将波束宽度调制问题建模为基于上下文的Bayes学习随机选择模型,其中每个选项对应不同的波束宽度,可以通过多分辨率码书实现,其中每个子码书中波束的主瓣宽度相同,不同子码书中各个波束的主瓣宽度不同,设计目标是根据信道环境变化的快慢选择相应的子码书,并基于波束训练的结果,选择该子码书中的最佳码字进行数据传输。
1.模型建立
在Bayes学习模型中,首先需要定义行动空间、回报函数、通信环境上下文、预测模型、Bayes先验后验分布,其次需要在所确定的子码书中选择最佳码字,最后还需要维护模型中参数的更新。假设最小时间单位为时隙,每K个时隙定义为一个时间单元,即每个时间单元包括K个时隙。
其中,ru,i表示第u个时间单元中第i个时隙对应的传输速率。
定义通信环境上下文,第u个时间单元的通信环境上下文Xu定义为
定义预测模型,如图2所示,联合使用神经网络及Bayes线性回归建立预测模型,在神经网络最后一层执行Bayes线性回归,相应地Bayes线性回归的回报预测值为r,由下式给出:
r=ωTfX+ε (3)
定义Bayes先验后验分布,图2表明行动空间中的每个选项都对应一个Bayes线性回归单元,因此需要为行动空间中的每个选项a定义参数的先验和后验分布。为了能够获得解析的后验分布表达式,避免复杂的后验采样等操作,选项a的先验分布定义如下:
其中,IGam(x|p,q)表示逆伽玛分布,p和q分别表示形状参数和比例参数,参数m0,S0分别表示均值矢量和方差矢量,m0,S0,p0>0,q0>0均为常数,需要适当地初始化。相应地,后验分布解析表达式为:
选择最佳数据传输码字,在确定最佳波束宽度对应的子码书后,数据传输还需要选择中的码字。记其中fi表示第i个码字,Na表示子码书的大小。每个码字fi对应的波束中心角为φi,而波束训练得到的最佳方向角为φ0,则最佳数据传输码字为:
其中分别表示选项a对应的第i个输入通信环境上下文及相应的输出回报值。网络训练时,将线性回归模型附加到神经网络最后,作为神经网络额外的线性层,并与原先的神经网络一起训练。当神经网络和新的线性层训练结束后,更新每个选项a对应的神经网络输出,即:
其中f′表示训练后的神经网络映射/函数。
2.自适应波束宽度调制算法实现
循环体:对每个时间单元u,重复执行以下步骤:
(1)根据公式(2)构造通信环境上下文Xu
(7)接收外部环境的回报值ru
(10)如果u mod F==0,反向传播更新神经网络的权重和偏置
(11)更新计数器u←u+1
3.仿真环境与结果
仿真时采用如下环境:
1)均匀线性阵列天线,阵源数N=64。
4)信道模型包括1个视距路径(LOS)和3个非视距路径(NLOS),NLOS路径的偏离角(AoD)服从0~2π的均匀分布,LOS与NLOS的平均功率比为10dB,且NLOS的功率增益服从正态分布。
5)用μ来量化表示环境变化率,环境变化越快,μ值越大。
仿真结果分析:
当环境变化相对较慢时(μ<0.1),的有效可达速率性能在4个子码本中最高,因为在这种情况下,波束漂移效应不明显,而波束宽度最窄,相应的阵列增益最高。但是随着波束漂移效应越来越大,与相比的有效可达速率性能变差,这表明窄波束易受波束漂移效应的影响。由于的阵列增益较低,在上述各种情形下,有效可达速率性能均最差。
随着环境的变化越来越快(μ变大),波束漂移效应的影响越来越严重,使用不同子码本获得的有效可达速率性能也相应降低,但是BWO算法的有效可达速率性能均大于任何固定的子码本的有效可达速率性能。而且,随着环境的变化越来越快,它们之间的性能差距越来越大。这表明,BWO算法可以有效减轻波束漂移效应,并保证在动态信道环境中具有良好的有效可达速率性能。
总之,自适应波束宽度调制(BWO)算法可以在实现高阵列增益和抑制波束漂移效应之间取得折中和平衡,并能实时感知和适应不断变化的环境,提高系统吞吐量。
Claims (6)
1.一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法,其特征在于,包括如下步骤,
步骤(1)将波束宽度调制问题建模为基于上下文的在线优化选择问题,模型由全连接神经网络和Bayes线性回归组成,且Bayes决策中的每个选项对应不同的波束宽度,可以通过多分辨率码书来实现,依据感知的信道环境变化快慢,通过Bayes方法选择数据传输的最佳波束宽度;
步骤(2)初始化模型中的参数,包括神经网络权重与偏置、Bayes线性回归先验分布、数据传输波束初始宽度、时间单元计数,并清空存储空间;
步骤(3)在每个时间单元初始步,构造相应的通信环境上下文,通过神经网络提取非线性特征,采用Bayes线性决策确定当前最佳数据传输波束宽度,并基于波束训练结果,选择最佳数据传输码字;
步骤(4)接收外部环境回报,基于收集的信息更新Bayes线性回归所使用的后验分布及样本集,每隔一定时间,更新用于提取非线性特征的神经网络的参数,并且循环执行步骤(3)和步骤(4)。
2.根据权利要求1所述的一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法,其特征在于,采用不同分辨率/主瓣宽度的波束进行数据传输,当环境变化较慢时采用主瓣宽度较窄的波束,而当环境变化较快时采用主瓣宽度较宽的波束进行数据传输;步骤(1)所述的模型核心是定义行动空间、回报函数、通信环境上下文、预测模型、Bayes先验后验分布,假设基本时间单位为时隙,每K个时隙定义为一个时间单元,则相应定义如下:
其中,ru,i表示第u个时间单元中第i个时隙对应的有效传输速率;
(1.2)定义通信环境上下文,第u个时间单元的通信环境上下文Xu定义为
(1.3)定义预测模型,模型由神经网络和Bayes线性回归组成,对于行动空间中的每个选项,构造各自的Bayes线性回归模型,并且神经网络的输出作为所有选项对应的Bayes线性回归的输入,对于每个通信环境上下文X,依次通过神经网络和Bayes线性回归模型即可获得相应的回报预测值r,即:
r=ωTfX+ε (3)
其中,IGam(x|p,q)表示逆伽玛分布,p和q分别表示形状参数和比例参数,参数m0,S0分别表示均值矢量和方差矢量,m0,S0,p0>0,q0>0均为常数,相应地,时间单元u下选项a对应的后验分布解析表达式如下:
4.根据权利要求1所述的一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法,其特征在于,步骤(3)在时间单元u下按序执行如下步骤:
(3.1)根据公式(2)构造通信环境上下文Xu;
其中[Na]表示自然数1到Na构成的集合。
5.根据权利要求1所述的一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法,其特征在于,步骤(4)在时间单元u下按序执行如下步骤:
(4.1)接收外部环境的回报值ru;
(4.2)更新Bayes后验分布,基于u时间单元下每个选项对应的和累积的经验信息,根据公式(5)(6),获得u+1时间单元下所有选项对应的后验分布除了最佳选项对应的需要更新,其他选项对应的后验分布与u时间单元下的后验分布相等;
其中ri a分别表示选项a对应的第i个输入通信环境上下文及相应的输出回报值,由于回报预测值不仅取决于神经网络,还与Bayes线性回归相关,因此线性回归模型中参数ω的作用不可忽略,考虑到回报预测值与神经网络的输出是线性关系,可以将线性回归模型附加到神经网络之后,作为神经网络额外的线性层,并与原先的神经网络一起训练,当神经网络和新的线性层训练结束后,更新每个选项a对应的神经网络输出,即:
其中f′表示训练后的神经网络映射函数;
(4.5)更新计数器u←u+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700381.4A CN113437999B (zh) | 2021-06-23 | 2021-06-23 | 一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700381.4A CN113437999B (zh) | 2021-06-23 | 2021-06-23 | 一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113437999A true CN113437999A (zh) | 2021-09-24 |
CN113437999B CN113437999B (zh) | 2023-01-17 |
Family
ID=77753591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700381.4A Active CN113437999B (zh) | 2021-06-23 | 2021-06-23 | 一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113437999B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114222312A (zh) * | 2021-12-30 | 2022-03-22 | 西安电子科技大学 | 基于自适应波束的运动目标跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365375A (zh) * | 2019-06-26 | 2019-10-22 | 东南大学 | 一种毫米波通信系统中波束对准和跟踪方法及计算机设备 |
CN110417444A (zh) * | 2019-07-08 | 2019-11-05 | 东南大学 | 一种基于深度学习的毫米波信道波束训练方法 |
CN110971279A (zh) * | 2019-12-30 | 2020-04-07 | 东南大学 | 一种毫米波通信系统中智能波束训练方法及预编码系统 |
CN111917447A (zh) * | 2020-08-12 | 2020-11-10 | 电子科技大学 | 基于波束选择的低频辅助混合预编码设计方法 |
-
2021
- 2021-06-23 CN CN202110700381.4A patent/CN113437999B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365375A (zh) * | 2019-06-26 | 2019-10-22 | 东南大学 | 一种毫米波通信系统中波束对准和跟踪方法及计算机设备 |
CN110417444A (zh) * | 2019-07-08 | 2019-11-05 | 东南大学 | 一种基于深度学习的毫米波信道波束训练方法 |
CN110971279A (zh) * | 2019-12-30 | 2020-04-07 | 东南大学 | 一种毫米波通信系统中智能波束训练方法及预编码系统 |
CN111917447A (zh) * | 2020-08-12 | 2020-11-10 | 电子科技大学 | 基于波束选择的低频辅助混合预编码设计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114222312A (zh) * | 2021-12-30 | 2022-03-22 | 西安电子科技大学 | 基于自适应波束的运动目标跟踪方法 |
CN114222312B (zh) * | 2021-12-30 | 2023-10-17 | 西安电子科技大学 | 基于自适应波束的运动目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113437999B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113411110B (zh) | 一种基于深度强化学习的毫米波通信波束训练方法 | |
CN112804695A (zh) | 可重构智能表面辅助的无线通信方法及装置 | |
CN111917508B (zh) | 基于多天线抗干扰通信模型的系统及动态空间谱抗干扰方法 | |
Jiang et al. | Multi-antenna fading channel prediction empowered by artificial intelligence | |
US8767861B2 (en) | Multiple input multiple output and beam-forming data transmission method and device | |
CN113438002B (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
Yasin et al. | Performance analysis of LMS and NLMS algorithms for a smart antenna system | |
CN113437999B (zh) | 一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制方法 | |
CN114285445A (zh) | 电磁辐射约束的ris-dma辅助多用户mimo上行谱效优化方法 | |
KR20000052485A (ko) | 코드분할다중접속방식 이동통신망을 위한적응배열안테나시스템의 신호처리 방법 및 그 기록매체 | |
Xiong et al. | A novel real-time channel prediction algorithm in high-speed scenario using convolutional neural network | |
CN110505604B (zh) | 一种d2d通信系统接入频谱的方法 | |
Wang et al. | Multi-agent double deep Q-Learning for beamforming in mmWave MIMO networks | |
Stylianopoulos et al. | Online RIS configuration learning for arbitrary large numbers of 1-bit phase resolution elements | |
CN111277313B (zh) | 基于二分图的蜂窝车联网大规模mimo波束选择与传输方法 | |
Huang et al. | Self-attention reinforcement learning for multi-beam combining in mmWave 3D-MIMO systems | |
CN115133969A (zh) | 毫米波大规模mimo-noma系统的性能提高方法 | |
CN115549745A (zh) | Ris相移设计方法、装置、计算机设备及存储介质 | |
EP3726739B1 (en) | Memory-assisted radio frequency beam training for mimo channels | |
Konstantinov et al. | The new neural network based framework for fading channel prediction for 5g | |
CN115002804A (zh) | 一种基于强化学习的智能波束宽度优化方法 | |
CN113904704B (zh) | 一种基于多智能体深度强化学习的波束预测方法 | |
CN113472472B (zh) | 基于分布式强化学习的多小区协同波束赋形方法 | |
WO2023179473A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
Dahal et al. | Multi-agent Deep Reinforcement Learning for Multi-Cell Interference Mitigation |
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 |