CN113825236B - 一种无线网络中感知、计算和通信的融合方法 - Google Patents

一种无线网络中感知、计算和通信的融合方法 Download PDF

Info

Publication number
CN113825236B
CN113825236B CN202111029984.2A CN202111029984A CN113825236B CN 113825236 B CN113825236 B CN 113825236B CN 202111029984 A CN202111029984 A CN 202111029984A CN 113825236 B CN113825236 B CN 113825236B
Authority
CN
China
Prior art keywords
communication
signal
base station
calculating
sensing
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
CN202111029984.2A
Other languages
English (en)
Other versions
CN113825236A (zh
Inventor
齐俏
陈晓明
张朝阳
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111029984.2A priority Critical patent/CN113825236B/zh
Publication of CN113825236A publication Critical patent/CN113825236A/zh
Application granted granted Critical
Publication of CN113825236B publication Critical patent/CN113825236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种无线网络中感知、计算和通信的融合方法。该网络由一个多天线基站和若干个多天线传感器组成，同时存在多个目标物体和多个干扰物体。传感器首先利用波束成形控制感知信号、计算信号和通信信号的方向，然后通过无线信道将相应的信号同时发送给基站。对于感知，基站收到来自目标物体的反射信号，设计感知接收波束估计出目标物体的反射系数。对于计算，利用智能传感器训练局部模型的计算能力，基站设计计算接收波束构建出空中联邦学习的全局模型。对于通信，基站设计通信接收波束对通信信号进行解码。本发明为无线网络提供了一种有效的感知、计算和通信的融合方法。

Description

一种无线网络中感知、计算和通信的融合方法
技术领域
本发明涉及无线通信领域，尤其涉及无线网络中一种感知、计算和通信的融合方法。
背景技术
在过去的几十年里，全球数据流量一直在经历着无休止的增长，甚至呈现出了永无止境的趋势。国际数据公司IDC预测，到2025年全球移动数据流量将达到175泽字节，复合年增长率为61％，这绝不是一个小数字。更重要的是，它正是6G无线网络诞生的现实基础。
与此同时，随着自动驾驶、沉浸式增强现实、全息通信等新兴应用的不断演进和快速发展，数据驱动的业务将打破现有5G无线网络三大应用场景的边界。对于5G无线网络而言，感知、通信和计算功能是独立存在的，例如通信系统只负责数据传输，云计算系统只负责处理数据，雷达系统只负责测速、感知成像等功能。这种分离化设计存在无线频谱与硬件资源的浪费，功能相互独立也会带来信息处理时延较高的问题，因此无法满足新兴无线业务的需求。然而，未来6G无线网络将融合数字世界和物理世界，不再是单纯的通信传输通道，也能感知万物，从而实现万物智能。为了实现6G无线网络的美好愿景，感知、计算和通信的融合，作为连接数字世界和物理世界的桥梁，发挥着至关重要的作用。
因此，为无线网络设计感知、计算和通信的融合方法，能够为新型无线智能应用提供目标感知、智能计算和信息通信的综合功能，并有望提高无线网络资源的利用率。
发明内容
本发明为了满足新型智能业务的超高性能要求，提出了一种无线网络中感知、计算和通信融合方法。
本发明所采用的具体技术方案如下：
一种无线网络中感知、计算和通信的融合方法，其包括如下步骤：
1)将K个天线数均为M的智能传感器通过小区中心的基站接入无线网络，所述基站配置的天线数为N；感知范围被分割成多个相同大小的立方体，每个立方体代表一个像素点，其中感知范围包含目标区域和干扰区域，干扰区域内存在O个干扰物体；
2)第k个传感器产生三种不同的信号，一是构建用于感知第i个目标物体的感知信号二是训练本地数据集产生本地模型参数/>并作为第l路计算信号用于计算全局模型，三是记录测量数据/>作为第j路通信信号用于信息传输，其中k＝1,...,K，i＝1,...,I，l＝1,…,L，j＝1,…,J，I、L和J分别是第k个传感器的感知信号、计算信号和通信信号的总路数，且需满足I+L+J≤M；
3)第k个传感器为其第i路感知信号第l路计算信号/>和第j路通信信号分别设计感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j；
4)根据设计的感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j，第k个传感器将感知信号，计算信号和通信信号分别进行波束成形，再将所有波束成形后的信号进行叠加编码得到xk，然后将叠加编码后的信号xk发给基站；
5)基站接到传感器直接发射的信号和经物体反射后的回波信号，同时设计感知接收波束vk,i估计出第i个目标物体的反射系数ri,i＝1,...,I，设计计算接收波束zk,l计算出空中联邦学习的全局模型，设计通信接收波束uk,j解码出通信信号。
基于上述技术方案，其中的部分步骤可采用如下优选方式实现。
作为优选，步骤3)中感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j的设计方法为：
a)初始化感知发射波束计算发射波束通信发射波束/>感知接收波束vi＝[1,0,…,0]T，计算接收波束zl＝[1,0,…,0]T，通信接收波束uk,j＝[1,0,…,0]T，其中Pmax,k为第k个传感器的最大发射功率；根据通信发射波束ck,j定义新变量/>
b)计算出所有传感器发射功率总和其中tr(·)为矩阵的迹，||·||2为向量范数的平方；
c)计算出基站估计的第i个目标物体的反射系数与第i个目标物体真实的反射系数之间的均方误差：
其中Gk,i为第k个传感器到第i个目标物体的信道状态信息与相应的第i个目标物体到基站的信道状态信息的有效乘积，Fk,o为第k个传感器到第o个干扰物体的信道状态信息与相应的第o个干扰物体到基站的信道状态信息的有效乘积，Hk为基站到第k个传感器的信道状态信息，其中i＝1,…,I,o＝1,…,O,k＝1,…,K；为高斯白噪声的方差，Ri为第i个目标物体的均方根，R`o为第o个干扰物体的均方根，|·|2表示绝对值的平方；令其中δi为第i个目标物体最大可容忍的感知误差；
d)计算出基站聚合的第l个全局模型参数与想要得到的全局模型参数之间的均方误差：
令其中χl为第l个模型参数最大可容忍的计算误差；
e)定义中间参数Xk,j为：
根据基站端接收到的通信信号的信干噪比：
令Γk,j≥γk,j，即其中γk,j为第k个传感器的第j路通信信号要求的最小信干噪比；
f)求出使所有传感器发射功率总和Ptotal的值最小的解，即得到ak,i、bk,l和ck,j；
g)更新基站设计的接收波束vi,zl和uk,j，若Ptotal收敛，则对Ck,j进行特征值分解得到ck,j，否则跳回步骤b)继续循环。
作为优选，步骤f)中调用CVX凸优化工具包进行求解。
作为优选，步骤4)中的叠加编码方法为：第k个传感器构造发射感知信号计算信号/>和通信信号/>经波束成形后进行叠加编码，得到总的发射信号为
作为优选，步骤5)中的感知接收波束vk,i，计算接收波束zk,l和通信接收波束uk,j设计方法为：
a)更新传感器设计的感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j；
b)根据基站估计出的第i个目标物体的反射系数与第i个目标物体真实的反射系数之间的均方误差得到感知接收波束：
其中：
IN为维度为N的单位矩阵；
c)根据基站计算出的第l个全局模型参数与想要得到的全局模型参数之间的均方误差得到计算接收波束/>其中/>
d)根据基站解码出的第j个通信信号与发射的通信信号之间的均方误差得到通信接收波束uk,j＝Ξ-1Hkck,j。
本发明具有的有益效果是：本发明提出无线网络中一种感知、计算和通信的融合方法，解决了目标感知、模型计算和信息通信三者融合的问题。本发明提出的设计发射波束和接收波束的算法，具有计算复杂度低、频谱利用率高等优点。
附图说明
图1是一种无线网络中感知、计算和通信的融合方法的系统框图；
图2是在感知、计算和通信的性能要求不同的情况下，所提方法的性能比较(最大可容忍的计算误差从0.005到0.05，最大可容忍的感知误差分别为0.01和0.001，最少要求的信干噪比分别为0.1dB和0.5dB)；
图3是在干扰数量和基站天线数量不同的情况下，所提方法的性能比较(干扰数量从1到7，天线数量分别为64，80和96)。
具体实施方式
本实施例中，感知、计算和通信的融合方法系统框图如图1所示，基站与智能传感器(以下简称传感器)均配置多天线，每个传感器为其感知信号、计算信号和通信信号分别设计相应的发射波束，再将分别经波束成形后的信号进行叠加编码，同时向感知区域和基站发射信号。基站接收到传感器发射的信号和目标与干扰发射的回波信号后，同时设计感知接收波束估计出目标的反射系数，设计计算接收波束计算出空中联邦学习的全局模型，设计通信接收波束解码出通信信号。
本实施例所采用的具体技术方案如下：
一种无线网络中感知、计算和通信的融合方法，其包括如下步骤：
1)将K个天线数均为M的智能传感器通过小区中心的基站接入无线网络，所述基站配置的天线数为N；感知范围被分割成多个相同大小的立方体，每个立方体代表一个像素点，其中感知范围包含目标区域和干扰区域，干扰区域内存在O个干扰物体。
2)第k个传感器产生三种不同的信号，一是构建用于感知第i个目标物体的感知信号二是训练本地数据集产生本地模型参数/>并作为第l路计算信号用于计算全局模型，三是记录测量数据/>作为第j路通信信号用于信息传输，其中k＝1,...,K，i＝1,...,I，l＝1,…,L，j＝1,…,J，I、L和J分别是第k个传感器的感知信号、计算信号和通信信号的总路数，且需满足I+L+J≤M；
3)第k个传感器为其第i路感知信号第l路计算信号/>和第j路通信信号分别设计感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j。
本步骤中感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j的设计方法具体采用顺序执行的步骤a)～g)：
a)初始化感知发射波束计算发射波束通信发射波束/>感知接收波束vi＝[1,0,…,0]T，计算接收波束zl＝[1,0,…,0]T，通信接收波束uk,j＝[1,0,…,0]T，其中Pmax,k为第k个传感器的最大发射功率；根据通信发射波束ck,j定义新变量/>
b)计算出所有传感器发射功率总和其中tr(·)为矩阵的迹，||·||2为向量范数的平方；
c)计算出基站估计的第i个目标物体的反射系数与第i个目标物体真实的反射系数之间的均方误差：
其中Gk,i为第k个传感器到第i个目标物体的信道状态信息与相应的第i个目标物体到基站的信道状态信息的有效乘积，Fk,o为第k个传感器到第o个干扰物体的信道状态信息与相应的第o个干扰物体到基站的信道状态信息的有效乘积，Hk为基站到第k个传感器的信道状态信息，其中i＝1,…,I,o＝1,…,O,k＝1,…,K；为高斯白噪声的方差，Ri为第i个目标物体的均方根，R`o为第o个干扰物体的均方根，|·|2表示绝对值的平方；令其中δi为第i个目标物体最大可容忍的感知误差；
d)计算出基站聚合的第l个全局模型参数与想要得到的全局模型参数之间的均方误差：
令其中χl为第l个模型参数最大可容忍的计算误差；
e)定义中间参数Xk,j为：
根据基站端接收到的通信信号的信干噪比：
令Γk,j≥γk,j，即其中γk,j为第k个传感器的第j路通信信号要求的最小信干噪比；
f)调用CVX凸优化工具包，求出使所有传感器发射功率总和Ptotal的值最小的解，即得到ak,i、bk,l和ck,j；
g)更新基站设计的接收波束vi,zl和uk,j，若Ptotal收敛，则对Ck,j进行特征值分解得到ck,j，否则跳回步骤b)继续循环。
4)根据设计的感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j，第k个传感器将感知信号，计算信号和通信信号分别进行波束成形，再将所有波束成形后的信号进行叠加编码得到xk，然后将叠加编码后的信号xk发给基站。
本步骤中的叠加编码方法为：第k个传感器构造发射感知信号计算信号/>和通信信号/>经波束成形后进行叠加编码，得到总的发射信号为
5)基站接到传感器直接发射的信号和经物体反射后的回波信号，同时设计感知接收波束vk,i估计出第i个目标物体的反射系数ri,i＝1,...,I，设计计算接收波束zk,l计算出空中联邦学习的全局模型，设计通信接收波束uk,j解码出通信信号。
本步骤中的感知接收波束vk,i，计算接收波束zk,l和通信接收波束uk,j设计方法具体采用顺序执行的步骤a)～d)：
a)更新传感器设计的感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j；
b)根据基站估计出的第i个目标物体的反射系数与第i个目标物体真实的反射系数之间的均方误差得到感知接收波束：
其中：
IN为维度为N的单位矩阵；
c)根据基站计算出的第l个全局模型参数与想要得到的全局模型参数之间的均方误差得到计算接收波束/>其中/>
d)根据基站解码出的第j个通信信号与发射的通信信号之间的均方误差得到通信接收波束uk,j＝Ξ-1Hkck,j。
通过计算机仿真表明，如图2所示，本发明提出的面向无线网络的感知、计算和通信融合方法中，感知目标的感知精度δi＝δ0,i＝1,...,I,要求越高，模型参数的计算精度χl＝χ0,l＝1,...,L,要求越高，通信信号的信干噪比γk,j＝γ0,k＝1,...,K；j＝1,...,J,要求越高，总发射功率Ptotal越大。图3表明本发明所提方法中，随着干扰数量增多，所需总发射功率越大。通过提高基站天线数量能够有效对抗干扰并提高系统性能。因此，本发明为无线网络提供了一种有效的感知、计算和通信的融合方法。

Claims (3)

1.一种无线网络中感知、计算和通信的融合方法，其特征在于，包括如下步骤：
1)将K个天线数均为M的智能传感器通过小区中心的基站接入无线网络，所述基站配置的天线数为N；感知范围被分割成多个相同大小的立方体，每个立方体代表一个像素点，其中感知范围包含目标区域和干扰区域，干扰区域内存在O个干扰物体；
2)第k个传感器产生三种不同的信号，一是构建用于感知第i个目标物体的感知信号二是训练本地数据集产生本地模型参数/>并作为第l路计算信号用于计算全局模型，三是记录测量数据/>作为第j路通信信号用于信息传输，其中k＝1,...,K，i＝1,...,I，l＝1,…,L，j＝1,…,J，I、L和J分别是第k个传感器的感知信号、计算信号和通信信号的总路数，且需满足I+L+J≤M；
3)第k个传感器为其第i路感知信号第l路计算信号/>和第j路通信信号/>分别设计感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j；
4)根据设计的感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j，第k个传感器将感知信号，计算信号和通信信号分别进行波束成形，再将所有波束成形后的信号进行叠加编码得到xk，然后将叠加编码后的信号xk发给基站；
5)基站接到传感器直接发射的信号和经物体反射后的回波信号，同时设计感知接收波束vk,i估计出第i个目标物体的反射系数ri,i＝1,...,I，设计计算接收波束zk,l计算出空中联邦学习的全局模型，设计通信接收波束uk,j解码出通信信号；
所述步骤3)中感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j的设计方法为：
a)初始化感知发射波束计算发射波束通信发射波束/>感知接收波束vi＝[1,0,…,0]T，计算接收波束zl＝[1,0,…,0]T，通信接收波束uk,j＝[1,0,…,0]T，其中Pmax,k为第k个传感器的最大发射功率；根据通信发射波束ck,j定义新变量/>
b)计算出所有传感器发射功率总和其中tr(·)为矩阵的迹，||·||2为向量范数的平方；
c)计算出基站估计的第i个目标物体的反射系数与第i个目标物体真实的反射系数之间的均方误差：
其中Gk,i为第k个传感器到第i个目标物体的信道状态信息与相应的第i个目标物体到基站的信道状态信息的有效乘积，Fk,o为第k个传感器到第o个干扰物体的信道状态信息与相应的第o个干扰物体到基站的信道状态信息的有效乘积，Hk为基站到第k个传感器的信道状态信息，其中i＝1,…,I,o＝1,…,O,k＝1,…,K；为高斯白噪声的方差，Ri为第i个目标物体的均方根，R`o为第o个干扰物体的均方根，|·|2表示绝对值的平方；令/>其中δi为第i个目标物体最大可容忍的感知误差；
d)计算出基站聚合的第l个全局模型参数与想要得到的全局模型参数之间的均方误差：
令其中χl为第l个模型参数最大可容忍的计算误差；
e)定义中间参数Xk,j为：
根据基站端接收到的通信信号的信干噪比：
令Γk,j≥γk,j，即其中γk,j为第k个传感器的第j路通信信号要求的最小信干噪比；
f)求出使所有传感器发射功率总和Ptotal的值最小的解，即得到ak,i、bk,l和ck,j；
g)更新基站设计的接收波束vi,zl和uk,j，若Ptotal收敛，则对Ck,j进行特征值分解得到ck,j，否则跳回步骤b)继续循环；
所述步骤5)中的感知接收波束vk,i，计算接收波束zk,l和通信接收波束uk,j设计方法为：
a)更新传感器设计的感知发射波束ak,i、计算发射波束bk,l和通信发射波束ck,j；
b)根据基站估计出的第i个目标物体的反射系数与第i个目标物体真实的反射系数之间的均方误差得到感知接收波束：
其中：
IN为维度为N的单位矩阵；
c)根据基站计算出的第l个全局模型参数与想要得到的全局模型参数之间的均方误差得到计算接收波束/>其中/>
d)根据基站解码出的第j个通信信号与发射的通信信号之间的均方误差得到通信接收波束uk,j＝Ξ-1Hkck,j。
2.根据权利要求1所述的无线网络中感知、计算和通信的融合方法，其特征在于，步骤f)中调用CVX凸优化工具包进行求解。
3.根据权利要求1所述的无线网络中感知、计算和通信的融合方法，其特征在于，步骤4)中的叠加编码方法为：第k个传感器构造发射感知信号计算信号/>和通信信号经波束成形后进行叠加编码，得到总的发射信号为
CN202111029984.2A 2021-09-03 2021-09-03 一种无线网络中感知、计算和通信的融合方法 Active CN113825236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111029984.2A CN113825236B (zh) 2021-09-03 2021-09-03 一种无线网络中感知、计算和通信的融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111029984.2A CN113825236B (zh) 2021-09-03 2021-09-03 一种无线网络中感知、计算和通信的融合方法

Publications (2)

Publication Number Publication Date
CN113825236A CN113825236A (zh) 2021-12-21
CN113825236B true CN113825236B (zh) 2023-08-01

Family

ID=78913999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111029984.2A Active CN113825236B (zh) 2021-09-03 2021-09-03 一种无线网络中感知、计算和通信的融合方法

Country Status (1)

Country Link
CN (1) CN113825236B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116347468A (zh) * 2021-12-22 2023-06-27 维沃移动通信有限公司 无线感知的参数确定方法、装置及设备
CN114599041B (zh) * 2022-01-13 2023-12-05 浙江大学 一种计算和通信的融合方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015123942A1 (zh) * 2014-02-20 2015-08-27 中兴通讯股份有限公司 一种实现波束成型的方法及基站
CN110380762A (zh) * 2019-07-05 2019-10-25 浙江大学 一种计算与通信融合的大规模接入方法
CN111181615A (zh) * 2019-11-29 2020-05-19 广东工业大学 一种基于智能反射面的多小区无线通信方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015123942A1 (zh) * 2014-02-20 2015-08-27 中兴通讯股份有限公司 一种实现波束成型的方法及基站
CN110380762A (zh) * 2019-07-05 2019-10-25 浙江大学 一种计算与通信融合的大规模接入方法
CN111181615A (zh) * 2019-11-29 2020-05-19 广东工业大学 一种基于智能反射面的多小区无线通信方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种无线认知网络中的自适应波束成型模式选择算法;陈晓明;张朝阳;;解放军理工大学学报(自然科学版)(第06期);全文 *

Also Published As

Publication number Publication date
CN113825236A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN113825236B (zh) 一种无线网络中感知、计算和通信的融合方法
CN111162823B (zh) 双向mimo通信系统中预编码矩阵和相移矩阵优化方法
CN109617584B (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
CN110380762B (zh) 一种计算与通信融合的大规模接入方法
CN105379412A (zh) 一种控制多个无线接入节点的系统和方法
CN113489521A (zh) 反射面辅助无小区大规模mimo网络智能联合波束赋形方法
CN115441939B (zh) 基于maddpg算法的多波束卫星通信系统资源分配方法
CN113438002B (zh) 基于lstm的模拟波束切换方法、装置、设备及介质
CN113613301A (zh) 一种基于dqn的空天地一体化网络智能切换方法
Inoue et al. Radio propagation prediction using deep neural network and building occupancy estimation
CN113726395A (zh) 一种智能反射面增强云接入网多天线用户上行传输方法
CN117498900A (zh) 去蜂窝大规模mimo通感一体化系统的资源分配装置及方法
US20230362039A1 (en) Neural network-based channel estimation method and communication apparatus
CN116761199A (zh) 一种面向6g surllc场景的用户性能分析方法
CN115665805A (zh) 一种面向点云分析任务的边缘计算资源调度方法和系统
CN115714988A (zh) 网络控制方法、装置、车辆、电子设备及可读存储介质
CN115209376A (zh) 基于反射面辅助的高速列车通信覆盖概率增强方法及系统
Zhou et al. Neural network joint capacity-power control strategy based on NSGAII-BP for interference suppression in LEO satellite uplinks
CN113810087B (zh) Mimo-irs通信系统的离散相移量化方法
CN116260490B (zh) 一种面向去蜂窝多天线系统的前传压缩与预编码方法
YANG et al. Intelligent Intelligent 6G Wireless Network with G Wireless Network with Multi-Dimensional Information Perception Dimensional Information Perception
CN116760666A (zh) 信道估计方法、装置、电子设备及存储介质
CN116405092A (zh) 一种基于能效的ris辅助uav通信的优化方法及相关装置
CN114599041B (zh) 一种计算和通信的融合方法
CN114926977B (zh) 一种适用于协同自动驾驶的多任务分配方法

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