CN113472412B - 基于增强型elm的叠加csi反馈方法 - Google Patents

基于增强型elm的叠加csi反馈方法 Download PDF

Info

Publication number
CN113472412B
CN113472412B CN202110788444.6A CN202110788444A CN113472412B CN 113472412 B CN113472412 B CN 113472412B CN 202110788444 A CN202110788444 A CN 202110788444A CN 113472412 B CN113472412 B CN 113472412B
Authority
CN
China
Prior art keywords
csi
det
network
elm
net2
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
CN202110788444.6A
Other languages
English (en)
Other versions
CN113472412A (zh
Inventor
卿朝进
杜艳红
叶青
刘文慧
唐书海
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.)
Xihua University
Original Assignee
Xihua University
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 Xihua University filed Critical Xihua University
Priority to CN202110788444.6A priority Critical patent/CN113472412B/zh
Publication of CN113472412A publication Critical patent/CN113472412A/zh
Application granted granted Critical
Publication of CN113472412B publication Critical patent/CN113472412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04B7/06—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
    • H04B7/0619—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 using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • 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

Landscapes

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

Abstract

本发明公开了一种基于增强型ELM的叠加CSI反馈方法，包括：S1、站接收移动端的叠加CSI反馈信息s，得到接收序列r；S2、建增强型ELM干扰消除网络；S3、增强型ELM干扰消除网络进行离线训练，得到网络参数；S4、用训练得到的网络参数在线运行增强型ELM干扰消除网络，恢复下行信道状态信息h和上行用户序列d。与基于ELM叠加CSI反馈方法相比，本发明在参数量相当的情况下，能够获得更好的下行CSI恢复性能和上行用户数据序列的检测性能。

Description

基于增强型ELM的叠加CSI反馈方法
技术领域
本发明涉及频分双工(FDD,frequency division duplex)大规模多输入多输出(mMIMO,multiple input multiple output)系统的叠加反馈技术领域，特别涉及一种基于极限学习机(ELM,extreme learning machine)的增强型叠加信道状态信息(CSI,channelstate information)反馈方法。
背景技术
大规模多输入多输出技术作为第五代无线通信系统(5G,Fifth Generationwireless systems)实现高吞吐量绿色无线电的关键技术。基站(BS,base station)进行下行波束成形和用户选择需要实时的信道状态信息，在时分双工模式下，基站可以利用上、下行链路的互易性通过估计上行链路信道得到下行CSI。然而，在FDD模式下，信道互易条件变弱甚至难以适用，下行CSI通常需要用户估计并反馈至基站。近几年来，机器学习尤其是深度学习(DL,Deep Learning)在通信系统中受到了广泛关注。与传统CSI的反馈方法相比，基于机器学习的CSI反馈方法能显著地减少反馈开销。但现有的基于机器学习的CSI反馈技术仍不可避免地占用着上行带宽资源，导致频谱利用率下降，亟待进一步研究改善上行带宽资源占用的CSI反馈方法。
叠加CSI反馈是避免上行带宽资源占用的行之有效的方法之一，将下行CSI叠加在上行用户数据序列(UL-US,uplink user data sequence)上进行反馈，提高了频谱效率。然而，叠加引起的叠加干扰，以及复杂的干扰消除算法，造成工程应用上的困难。幸运的是，ELM因其结构简单，训练速度快等优点，引起广泛关注。近年来，ELM网络与叠加技术激发了基于ELM的叠加CSI反馈技术的研究。然而，将ELM网络简单的引入叠加CSI反馈中，仍难以满足日益增长的UL-US检测性能与下行CSI的恢复精确需求，亟待进一步改善。
发明内容
针对上述技术问题，发明提供一种基于增强型ELM的叠加CSI反馈方法，改善基于ELM的叠加CSI反馈方法。与基于ELM叠加CSI反馈方法相比，本发明在参数数量相当的情况下，获得更好的下行CSI恢复性能和上行用户数据的检测性能。
具体技术方案为：
基于增强型ELM的叠加CSI反馈方法，包括以下步骤：
S1、接收移动端的叠加CSI反馈信息s，得到接收序列r；
S2、构建增强型ELM干扰消除网络；
S3、对增强型ELM干扰消除网络进行离线训练，得到网络参数；
S4、利用训练得到的网络参数在线运行增强型ELM干扰消除网络，恢复下行信道状态信息h和上行用户序列d。
该方法步骤S1所述的基站接收移动端的叠加CSI反馈信息s为：
其中，ρ∈[0,1]表示叠加因子，Ex表示用户发送功率，下行信道状态信息h的长度为N，P为M×N的walsh扩频矩阵，上行用户序列d长度为M。接收得到接收序列为：
其中，为上行CSI，/>表示噪声矢量。
该方法步骤S2所述的增强型ELM干扰消除网络架构描述如下：
增强型ELM干扰消除网络包括四个增强型ELM子网络CSI_NET1、DET_NET1、CSI_NET2和DET_NET2；
子网络CSI_NET1、DET_NET1、CSI_NET2和DET_NET2采用级联与专家知识嵌入方式连在一起；
子网络CSI_NETi，i＝1,2的网络结构相同，输入层、隐藏层和输出层节点数分别为N、nN和N，其中，n表示CSI_NET的隐藏层节点系数，根据工程经验设定；
子网络DET_NETi，i＝1,2的网络结构相同，输入层、隐藏层和输出层节点数分别为M、mM和M，其中，m表示DET_NET的隐藏层节点系数，根据工程经验设定；
子网络CSI_NETi、DET_NETi，i＝1,2的隐藏层输出激活函数采用ReLU。
其中，所述级联与专家知识嵌入方式的处理过程如下：
(1)通过对接收序列r进行迫零预均衡处理，得到预处理后的信号
其中，表示上行信道矩阵，上标/>表示矩阵求伪逆操作，上标(·)T表示矩阵转置操作；
(2)对预处理后的信号进行解扩频处理，获得子网络CSI_NET1的输入/>为：
(3)在子网络子网络CSI_NETi、DET_NETi，i＝1,2之间，通过插入专家知识，得到DET_NETi，i＝1,2的输入表示为：
其中，表示CSI_NETi，i＝1,2的输出；
(4)在子网络DET_NET1、CSI_NET2之间插入专家知识，得CSI_NET2的输入表示为：
其中，表示子网络DET_NET1的输出。
该方法步骤S2所述的增强型ELM干扰消除网络通过对的隐藏层的输入与输出进行规范化处理，增强网络的学习能力；
所述的输入与输出分别进行规范化处理，输入与输出的规范化处理分别为：
ΨI＝(xI-μI)/σI
ΨO＝(xO-μO)/σO
其中，xI和xO分别表示增强型ELM网络的输入或输出，μI和μO分别表示xI和xO的均值，σI和σO分别表示xI和xO的标准差；
该方法步骤S3所述的离线训练的采用逐子网络训练的方法进行训练，即CSI_NET1、DET_NET1、CSI_NET2和DET_NET2依次训练；
所述的CSI_NET1、DET_NET1、CSI_NET2和DET_NET2的训练集合分别为
所述的h和d分别表示下行信道状态信息和上行用户序列；
所述的CSI_NET1、DET_NET1、CSI_NET2和DET_NET2的训练损失函数为MSE；
该方法步骤S3所述的离线训练过程，包括以下步骤：
S31、对接收序列r，根据进行ZF预均衡处理，形成增强型ELM干扰消除网络的输入；
S32、初始化迭代次数为i＝1；
S33、解扩得到下行CSI输入
S34、根据训练集合训练网络CSI_NETi，得到CSI_NETi的输出加权矩阵β2i-1并固定β2i-1；
S35、利用训练获得的CSI_NETi生成网络输出由/>得到DET_NETi输入/>
S36、利用训练DET_NETi，得到DET_NETi的输出加权矩阵β2i并固定β2i；
S37、若i＜2，更新迭代次数i＝i+1，执行步骤S38；否则，执行步骤S39；
S38、利用训练获得的DET_NET(i-1)生成网络输出由/>得到CSI_NETi的输入/>并执行步骤S34；
S39、保存β1,β2,β3,β4；
其中，步骤S34所述的获得β2i-1的过程为：
S341、收集的Nt个CSI_NETi训练样本，表示为
S342、利用第j个训练样本作为CSI_NETi的网络输入，形成CSI_NETi的隐藏层输出O2i-1,j，表示为/>其中，W1表示CSI_NETi(i＝1,2)的输入加权矩阵，b1表示CSI_NETi(i＝1,2)的隐藏层偏置矢量，W1和b1分别从共享矩阵Φ中随机读取所需维度的子矩阵和子矢量；
S343、根据Nt个训练样本，获得CSI_NETi输出加权矩阵β2i-1为：其中，/>上标/>表示伪逆运算；
步骤S35所述的CSI_NETi网络输出可表示为/>
步骤S36所述的获得β2i的过程为：
S361、收集的Nt个DET_NETi训练样本，表示为
S362、利用第j个训练样本作为DET_NETi的网络输入，形成DET_NETi的隐藏层输出/>其中，W2表示DET_NETi(i＝1,2)的输入加权矩阵，b2表示DET_NETi(i＝1,2)的隐藏层偏置矢量，W2和b2分别从共享矩阵W中随机读取所需维度的子矩阵和子矢量；
S363、根据Nt个训练样本，获得DET_NETi的输出加权矩阵β2i为：其中，/>上标/>表示伪逆运算；
步骤S38所述的DET_NETi的网络输出为
该方法步骤S4所述的在线运行时下行信道状态信息h和上行用户序列d分别根据子网络CSI_NET2和DET_NET2的网络输出获得。
发明的有益效果是：
与传统叠加CSI编码反馈相比，本发明避免了复杂的信道和噪声的二阶统计信息辅助信息；与基于DL叠加CSI反馈方法相比，训练参数、存储空间、训练时间等大大减少；与基于ELM叠加CSI反馈方法相比，本发明在参数数量相当的情况下，能够获得更好的下行CSI和上行用户数据的恢复精确性。
附图说明
图1为本发明的流程示意图；
图2为本发明的增强型ELM干扰消除网络结构示意图；
图3为本发明的增强型ELM级联网络训练方法流程图。
具体实施方式
下面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前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明实施例公开了一种基于增强型ELM的叠加CSI反馈方法，所述方法步骤参见图1所示，包括：
步骤S1：基站接收移动端的叠加CSI反馈信息s，得到接收序列r；
步骤S2：构建增强型ELM干扰消除网络；
步骤S3：对增强型ELM干扰消除网络进行离线训练，得到网络参数；
步骤S4：利用训练得到的网络参数在线运行增强型ELM干扰消除网络，恢复下行信道状态信息h和上行用户序列d。
结合设计的增强型ELM，本发明实施例的具体实施过程如图2所示。下面，步骤S1至步骤S4，阐述实施过程。
步骤S1：基站接收移动端的叠加CSI反馈信息s，得到接收序列r；
具体的，该方法步骤S01所述的基站接收移动端的叠加CSI反馈信息s为：
其中，ρ∈[0,1]表示叠加因子，Ex表示用户发送功率，下行信道状态信息h的长度为N，P为M×N的walsh扩频矩阵，上行用户序列d长度为M。基站接收得到接收序列为：
其中，为上行CSI，/>表示复高斯噪声矢量。
本实施例，所述的步骤S1示例如下：
假设：ρ＝0.2，Eu＝1，N＝4，K＝8，
上行信道状态信息：
G＝(0.0902-0.4663i,-0.1377-0.2355i,0.1322+0.4452i,-0.0248-0.6244i)T
下行信道状态信息：
h＝(-0.8665-0.9884i,-0.4218+1.8179i,-0.9427-0.3744i,1.3419-1.4517i)T，
通过QPSK调制后的上行用户序列：
复高斯噪声矢量：
扩频矩阵：
按照基站接收公式/>可计算出基站接收移动端的叠加CSI反馈信息s为：
s＝(-0.3722-0.6412i,0.7721+0.9851i,…,0.6868-0.3861i)计算出接收序列为：
步骤S2：构建增强型ELM干扰消除网络。
如图3所示，在本申请的实施例中，步骤S2所述的增强型ELM干扰消除网络架构描述如下：
增强型ELM干扰消除网络包括四个增强型ELM子网络CSI_NET1、DET_NET1、CSI_NET2和DET_NET2；
CSI_NET1、DET_NET1、CSI_NET2和DET_NET2采用级联与专家知识嵌入方式连在一起；
CSI_NETi，i＝1，2的网络结构相同，输入层、隐藏层和输出层节点数分别为N、nN和N，其中，n表示CSI_NET的隐藏层节点系数，根据工程经验设定；
DET_NETi，i＝1，2的网络结构相同，输入层、隐藏层和输出层节点数分别为M、mM和M，其中，m表示DET_NET的隐藏层节点系数，根据工程经验设定；
CSI_NETi、DET_NETi，i＝1,2的隐藏层输出激活函数采用ReLU。
所述的增强型ELM干扰消除网络通过对的隐藏层的输入与输出进行规范化处理，增强网络的学习能力；输入与输出进行规范化处理根据如下公式进行：
ΨI＝(xI-μI)/σI
ΨO＝(xO-μO)/σO
其中，xI和xO分别表示ELM网络的输入或输出，μI和μO分别表示xI和xO的均值，σI和σO分别表示xI和xO的标准差。
所述专家知识嵌入方式的处理过程如下：
(1)通过对接收序列r进行迫零预均衡处理，得到预处理后的信号
其中，表示上行信道矩阵；
(2)对预处理后的信号进行解扩频处理，获得子网络CSI_NET1的输入/>为：
(3)在子网络子网络CSI_NETi、DET_NETi，i＝1，2之间，通过插入专家知识，得到DET_NETi，i＝1,2的输入表示为：
其中，表示CSI_NETi，i＝1，2的输出；
(4)在子网络DET_NET1、CSI_NET2之间插入专家知识，得CSI_NET2的输入表示为：
其中，表示子网络DET_NET1的输出。
步骤S3：对增强型ELM干扰消除网络进行离线训练，得到的网络参数；
所述的离线训练的采用逐子网络训练的方法进行训练，即CSI_NET1、DET_NET1、CSI_NET2和DET_NET2依次训练；
所述的CSI_NET1、DET_NET1、CSI_NET2和DET_NET2的训练集合分别为
所述的h和d分别表示下行信道状态信息和上行用户序列；
所述的CSI_NET1、DET_NET1、CSI_NET2和DET_NET2的训练损失函数为MSE；
步骤S3所述的离线训练过程如图3所示，包括以下步骤：
(S31)对接收序列r，根据进行ZF预均衡处理，形成增强型ELM干扰消除网络的输入；
(S32)初始化迭代次数为i＝1；
(S33)解扩得到下行CSI输入
(S34)根据训练集合训练网络CSI_NETi，得到CSI_NETi的输出加权矩阵β2i-1并固定β2i-1；
(S35)利用训练获得的CSI_NETi生成网络输出由/>得到DET_NETi输入/>
(S36)利用训练DET_NETi，得到DET_NETi的输出加权矩阵β2i并固定β2i；
(S37)若i＜2，更新迭代次数i＝i+1，执行步骤(S38)；否则，执行步骤(S39)；
(S38)利用训练获得的DET_NET(i-1)生成网络输出由/>得到CSI_NETi的输入/>并执行步骤(S34)；
(S39)保存β1,β2,β3,β4；
步骤(S34)所述的获得β2i-1的过程为：
(S341)收集的Nt个CSI_NETi训练样本，表示为
(S342)利用第j个训练样本作为CSI_NETi的网络输入，形成CSI_NETi的隐藏层输出O2i-1,j，表示为/>其中，W1表示CSI_NETi(i＝1,2)的输入加权矩阵，b1表示CSI_NETi(i＝1,2)的隐藏层偏置矢量，W1和b1分别从共享矩阵Φ中随机读取所需维度的子矩阵和子矢量，上标/>表示伪逆运算；
(S343)根据Nt个训练样本，获得CSI_NETi输出加权矩阵β2i-1为：其中，/>
步骤(S35)所述的CSI_NETi网络输出可表示为/>
步骤(S36)所述的获得β2i的过程为：
(S361)收集的Nt个DET_NETi训练样本，表示为
(S362)利用第j个训练样本作为DET_NETi的网络输入，形成DET_NETi的隐藏层输出/>其中，W2表示DET_NETi(i＝1,2)的输入加权矩阵，b2表示DET_NETi(i＝1,2)的隐藏层偏置矢量，W2和b2分别从共享矩阵W中随机读取所需维度的子矩阵和子矢量；
(S363)根据Nt个训练样本，获得DET_NETi的输出加权矩阵β2i为：其中，/>
步骤(S38)所述的DET_NETi的网络输出为
步骤S4：在线运行增强型ELM干扰消除网络，获得下行信道状态信息h和上行用户序列d。
以上所述仅为本发明的较佳实施实例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改，等同替换等，均应包含着本发明的保护范围之内。

Claims (1)

1.基于增强型ELM的叠加CSI反馈方法，其特征在于，包括：
S1、基站接收移动端的叠加CSI反馈信息s，得到接收序列r；
S2、构建增强型ELM干扰消除网络；
步骤S2所述的增强型ELM干扰消除网络包括四个增强型ELM子网络，即CSI_NET1、DET_NET1、CSI_NET2和DET_NET2；
CSI_NET1、DET_NET1、CSI_NET2和DET_NET2采用级联与专家知识嵌入方式连在一起；
CSI_NETi，i＝1，2的网络结构相同，输入层、隐藏层和输出层节点数分别为N、nN和N，其中，n表示CSI_NET的隐藏层节点系数，根据工程经验设定；
DET_NETi，i＝1，2的网络结构相同，输入层、隐藏层和输出层节点数分别为M、mM和M，其中，m表示DET_NET的隐藏层节点系数，根据工程经验设定；
CSI_NETi、DET_NETi，i＝1,2的隐藏层输出激活函数采用ReLU；
所述的增强型ELM干扰消除网络通过对的隐藏层的输入与输出进行规范化处理，增强网络的学习能力；
所述的输入与输出进行规范化处理根据如下公式进行：
ΨI＝(xI-μI)/σI
ΨO＝(xO-μO)/σO
其中，xI和xO分别表示ELM网络的输入或输出，μI和μO分别表示xI和xO的均值，σI和σO分别表示xI和xO的标准差；
所述的级联与专家知识嵌入方式的处理过程包括以下步骤：
(1)对接收信号r进行迫零预均衡处理，得到预处理后的信号
其中，G表示上行信道矩阵，上标表示矩阵求伪逆操作；
(2)利用解扩频处理，对预处理后的信号进行扩频处理，获得CSI_NET1的输入/>为：
上标(·)T表示矩阵或矢量求转置操作；P为M×N的walsh扩频矩阵；
(3)子网络CSI_NETi、DET_NETi，i＝1，2之间，通过插入专家知识，得到DET_NETi，i＝1,2的输入表示为：
其中，表示CSI_NETi，i＝1，2的输出；ρ∈[0,1]表示叠加因子，Ex表示用户发送功率，下行信道状态信息h的长度为N；
(4)DET_NET1、CSI_NET2之间，通过插入专家知识，得CSI_NET2的输入表示为：
其中，表示DET_NET1的输出；
S3、对增强型ELM干扰消除网络进行离线训练，得到网络参数；
步骤S3所述的离线训练的采用逐子网络训练的方法进行训练；
所述的逐子网络训练为CSI_NET1、DET_NET1、CSI_NET2和DET_NET2依次训练；
其中，CSI_NET1、DET_NET1、CSI_NET2和DET_NET2的训练集合分别为 h和d分别表示下行信道状态信息和上行用户序列；
其中，CSI_NET1、DET_NET1、CSI_NET2和DET_NET2的训练所需的损失函数为MSE；
S4、利用训练得到的网络参数在线运行增强型ELM干扰消除网络，恢复下行信道状态信息h和上行用户序列d；
步骤S4所述的在线运行时下行信道状态信息h和上行用户序列d分别根据子网络CSI_NET2和DET_NET2的网络输出获得。
CN202110788444.6A 2021-07-13 2021-07-13 基于增强型elm的叠加csi反馈方法 Active CN113472412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110788444.6A CN113472412B (zh) 2021-07-13 2021-07-13 基于增强型elm的叠加csi反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110788444.6A CN113472412B (zh) 2021-07-13 2021-07-13 基于增强型elm的叠加csi反馈方法

Publications (2)

Publication Number Publication Date
CN113472412A CN113472412A (zh) 2021-10-01
CN113472412B true CN113472412B (zh) 2023-10-24

Family

ID=77879957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110788444.6A Active CN113472412B (zh) 2021-07-13 2021-07-13 基于增强型elm的叠加csi反馈方法

Country Status (1)

Country Link
CN (1) CN113472412B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023108437A1 (zh) * 2021-12-14 2023-06-22 北京小米移动软件有限公司 一种信道状态信息csi压缩反馈的方法及其装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106405640A (zh) * 2016-08-26 2017-02-15 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
CN109510676A (zh) * 2019-01-11 2019-03-22 杭州电子科技大学 一种基于量子计算的无线信道预测方法
CN110166089A (zh) * 2019-05-24 2019-08-23 西华大学 基于深度学习的叠加编码csi反馈方法
CN110708129A (zh) * 2019-08-30 2020-01-17 北京邮电大学 一种无线信道状态信息获取方法
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9985700B2 (en) * 2015-05-12 2018-05-29 Mediatek Inc. Channel state feedback enhancement in downlink multiuser superposition transmission
WO2018062910A1 (ko) * 2016-09-29 2018-04-05 엘지전자 주식회사 무선 통신 시스템에서 개루프 mimo 전송을 위한 하이브리드 csi 의 피드백 방법 및 이를 위한 장치
WO2018124846A1 (ko) * 2017-01-01 2018-07-05 엘지전자(주) 무선 통신 시스템에서 개루프 mimo 전송을 위한 빔포밍된 복수의 참조 신호 송신 방법 및 이를 위한 장치
WO2018143667A1 (ko) * 2017-01-31 2018-08-09 엘지전자 주식회사 무선 통신 시스템에서 상향링크 제어 정보를 주기적으로 송신하는 방법 및 이를 위한 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106405640A (zh) * 2016-08-26 2017-02-15 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
CN109510676A (zh) * 2019-01-11 2019-03-22 杭州电子科技大学 一种基于量子计算的无线信道预测方法
CN110166089A (zh) * 2019-05-24 2019-08-23 西华大学 基于深度学习的叠加编码csi反馈方法
CN110708129A (zh) * 2019-08-30 2020-01-17 北京邮电大学 一种无线信道状态信息获取方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHAOJIN QING等.ELM-Based Superimposed CSI Feedback for FDD Massive MIMO System.《IEEE Access》.2020,第8卷53408- 53418. *
ELM-Based Superimposed CSI Feedback for FDD Massive MIMO System;CHAOJIN QING等;《IEEE Access》;第8卷;53408- 53418 *
大规模MIMO系统中基于CNN的延迟CSI反馈改进算法;王月等;《电讯技术 》;第60卷(第7期);833-838 *
快时变FDD大规模MIMO系统智能CSI反馈方法;廖勇;《通信学报》;第42卷(第7期);211-219 *
部分支撑集辅助的压缩感知CSI反馈方法;卿朝进等;《电子学报》;第47卷(第8期);1669-1676 *

Also Published As

Publication number Publication date
CN113472412A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
CN111698182A (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
WO2020253691A1 (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN101499840B (zh) 多入多出系统的迭代检测方法
CN108964725B (zh) 时变大规模mimo网络中信道参数的稀疏估计方法
CN105071843B (zh) 大规模mimo系统低复杂度多项式展开矩阵求逆方法及应用
CN111970033B (zh) 能效谱效联合优化的大规模mimo多播功率分配方法
Xie et al. Massive unsourced random access for massive MIMO correlated channels
CN113472412B (zh) 基于增强型elm的叠加csi反馈方法
Xie et al. Dictionary learning for channel estimation in hybrid frequency-selective mmWave MIMO systems
CN110808764A (zh) 大规模mimo中继系统中一种联合信息估计方法
Jamali et al. A low-complexity recursive approach toward code-domain NOMA for massive communications
Lv et al. A channel state information feedback algorithm for massive MIMO systems
CN116192209A (zh) 一种mimo信道下空中计算联邦学习的梯度上传方法
CN111193535B (zh) 一种在fdd大规模mimo系统中基于elm叠加csi的反馈方法
CN112054832B (zh) 一种深度学习多输入多输出检测方法
Lee et al. Fast eigen-based signal combining algorithms for large antenna arrays
CN107615804B (zh) 用于设备通信的新传输方案
CN110086734B (zh) 一种时变大规模mimo系统中的信道追踪和恢复方法
Zhang et al. A model-driven deep learning network for quantized GFDM receiver
Seyman Symbol Detection Based on Back Tracking Search Algorithm in MIMO-NOMA Systems.
CN115967421A (zh) 一种分布式天线系统下联合参数估计与信号重构的方法及系统
CN117060952A (zh) 多输入多输出系统中的信号检测方法及装置
CN114665930A (zh) 去蜂窝大规模mimo系统的下行链路盲信道估计方法
CN107248876B (zh) 基于稀疏贝叶斯学习的广义空间调制符号检测方法

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