CN116318311A - 一种基于可重构智能表面反相位索引调制的传输方法 - Google Patents

一种基于可重构智能表面反相位索引调制的传输方法 Download PDF

Info

Publication number
CN116318311A
CN116318311A CN202310543230.1A CN202310543230A CN116318311A CN 116318311 A CN116318311 A CN 116318311A CN 202310543230 A CN202310543230 A CN 202310543230A CN 116318311 A CN116318311 A CN 116318311A
Authority
CN
China
Prior art keywords
representing
phase
intelligent surface
reconfigurable
reconfigurable intelligent
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
Application number
CN202310543230.1A
Other languages
English (en)
Other versions
CN116318311B (zh
Inventor
冯宇
王仁丁
王亮
李兴池
金小萍
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 Shannon Communication Technology Co ltd
Original Assignee
Zhejiang Shannon Communication Technology Co ltd
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 Shannon Communication Technology Co ltd filed Critical Zhejiang Shannon Communication Technology Co ltd
Priority to CN202310543230.1A priority Critical patent/CN116318311B/zh
Publication of CN116318311A publication Critical patent/CN116318311A/zh
Application granted granted Critical
Publication of CN116318311B publication Critical patent/CN116318311B/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
    • H04B7/145—Passive relay systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • 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)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明涉及调制技术领域，公开了一种基于可重构智能表面反相位索引调制的传输方法，包括：在发射端和接收端之间部署可重构智能表面，所述可重构智能表面通过控制器与物联网设备端连接，构建反相位反射模式，对每个时隙下输入的信息比特流进行分组，构建所述发射端、所述可重构智能表面和所述接收端之间的信道链路建模，通过所述接收端获取接收信号与信道状态信息，根据所述接收信号还原原始比特信息。本发明的可重构智能表面可以在配置其反射相位增强用户信号接收功率的同时，通过反相位反射模式索引为近端物联网设备传输额外的数据位，而无需任何额外的射频链路，本发明所提出的方法都具有较好的误码率性能和较低的检测复杂度。

Description

一种基于可重构智能表面反相位索引调制的传输方法
技术领域
本发明涉及调制技术领域，尤其涉及一种基于可重构智能表面反相位索引调制的传输方法。
背景技术
随着无线数据需求的爆炸性增长和频谱资源的不断稀缺，使得第六代移动无线通信网络的设计正在面临着巨大的挑战。因此，迫切需要革命性的技术为6G提供高频谱和低功耗的解决方案。近年来，由大量低成本、无源元件组成的可重构智能反射表面受到了通信界的广泛关注，它能够通过改变入射信号的振幅/相位来重新配置无线传播环境，从而提高频谱效率和能量效率，这使得以一种更加节能的方式提高通信系统性能成为可能。
在过去的几年中，索引调制作为一种新兴技术已被广泛使用，其中信息位可以被映射到传输实体的状态上进行传输，如空间调制、载波索引调制等，大大节省了射频链路数量并提高了频谱效率。然而，随着调制维度的增加，接收机上解码信息位也是一个巨大的挑战。近年来，深度学习作为一种新兴技术逐渐被引入到无线通信的许多领域，如多输入多输出系统中的信道估计、调制分类、信号检测等。传统MIMO系统中的DNN检测器仅适用于单信道链路系统，不能直接应用于基于可重构智能表面的多信道链路系统，同时，由可重构智能表面处索引带来的大量信道状态也使得接收机的数据预处理面临巨大挑战。深度学习可以通过一系列的数据变换（层）实现输入数据到目标结果的映射，将深度学习应用于基于可重构智能表面的IM通信系统中有望解决爆炸性数据处理和呈指数增长的高复杂度问题，尤其是当可重构智能表面的元素非常巨大的情况下。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种基于可重构智能表面反相位索引调制的传输方法。
为实现上述目的，本发明提供的一种基于可重构智能表面反相位索引调制的传输方法，包括：
在发射端和接收端之间部署可重构智能表面，所述可重构智能表面通过控制器与物联网设备端连接，构建反相位反射模式；
对每个时隙下输入的信息比特流进行分组；
构建所述发射端、所述可重构智能表面和所述接收端之间的信道链路建模；
通过所述接收端获取接收信号与信道状态信息；
根据所述接收信号还原原始比特信息。
根据本发明的一个方面，所述可重构智能表面包含
Figure SMS_1
个反射元件，将所述反射元件平均分为/>
Figure SMS_2
组，每组由/>
Figure SMS_3
个相邻元件组成以共享相同的反射相位，所述反相位反射模式从/>
Figure SMS_4
组中选择至少/>
Figure SMS_5
组的所述反射元件进行同相位传输，从/>
Figure SMS_6
组中选择/>
Figure SMS_7
组的所述反射元件进行反相位传输，其中表达式为，
Figure SMS_8
；
其中，
Figure SMS_9
表示可重构智能表面的反射模式分区；
Figure SMS_10
表示第/>
Figure SMS_11
个反射模式分区；
Figure SMS_12
表示用于同相位传输的索引集合；
Figure SMS_13
表示将信号相位旋转/>
Figure SMS_14
进行反相传输；
Figure SMS_15
表示反相位传输的索引集合；
Figure SMS_16
表示可重构智能表面中反射元件的组别。
根据本发明的一个方面，在每个时隙下对所述发射端和所述物联网设备端的比特流进行分组，所述发射端的比特流被划分为
Figure SMS_17
位比特，所述物联网设备端的比特流被划分为/>
Figure SMS_18
位比特，在每个时隙下通过所述发射端和所述可重构智能表面进行传输的最大信息比特数为/>
Figure SMS_19
。
根据本发明的一个方面，所述发射端和所述可重构智能表面之间的第一信道矩阵表示为
Figure SMS_20
，所述接收端和所述可重构智能表面之间的第二信道矩阵表示为/>
Figure SMS_21
，所述第一信道矩阵和所述第二信道矩阵为瑞利衰落信道，所述第一信道矩阵和所述第二信道矩阵中的元素都遵循零均值和单位方差的复高斯分布。
根据本发明的一个方面，通过所述接收端获取所述接收信号的公式为，
Figure SMS_22
；
其中，
Figure SMS_23
表示接收信号；
Figure SMS_24
表示第一信道矩阵；
Figure SMS_25
表示主对角元素的对角矩阵；
Figure SMS_26
表示可重构智能表面相位矩阵；
Figure SMS_27
表示第二信道矩阵；
Figure SMS_28
表示星座图符号；
Figure SMS_29
表示具有噪声功率为的加性高斯白噪声向量。
根据本发明的一个方面，使用最大似然检测方法将十进制索引转化为相应的二进制比特，其中公式为，
Figure SMS_30
；
其中，
Figure SMS_31
表示接收信号；
Figure SMS_32
表示第一信道矩阵；
Figure SMS_33
表示主对角元素的对角矩阵；
Figure SMS_34
表示可重构智能表面相位矩阵；
Figure SMS_35
表示第二信道矩阵；
Figure SMS_36
表示星座图符号；
Figure SMS_37
表示具有噪声功率为的加性高斯白噪声向量；
Figure SMS_38
表示信息矢量；
Figure SMS_39
表示复合信道，复合信道由第一信道矩阵和第二信道矩阵组成；
使用所述最大似然检测方法对发送的初始二进制比特进行还原，其中公式为，
Figure SMS_40
；
其中，
Figure SMS_41
表示通过最大似然检测方法检测出来的信息矢量；
Figure SMS_42
表示使得整体为最小时的取值函数；
Figure SMS_43
表示Frobenius范数运算；
Figure SMS_44
表示所有信息矢量。
根据本发明的一个方面，使用信号辅助还原网络对所述接收信号还原原始比特信息，对所述接受信号和含有所述反相位反射模式的级联信道进行预处理，得到所述信号辅助还原网络的输入数据，含有所述反相位反射模式的级联信道可表示为
Figure SMS_45
，输入数据可表示为/>
Figure SMS_46
，其中，/>
Figure SMS_47
表示复数的实部，/>
Figure SMS_48
表示复数的虚部，/>
Figure SMS_49
表示接收天线个数，/>
Figure SMS_50
表示转置。
根据本发明的一个方面，所述信号辅助还原网络包括
Figure SMS_51
个全连接层和/>
Figure SMS_52
个隐藏层，第/>
Figure SMS_53
层节点数由表示/>
Figure SMS_54
表示，所述隐藏层中的每一个神经元节点都包含一个线性加权系数、一个偏置系数和一个非线性激活函数，第/>
Figure SMS_55
层节点的输出结果为，
Figure SMS_56
；
其中，
Figure SMS_57
表示第/>
Figure SMS_58
层节点的输出结果；
Figure SMS_59
表示激活函数；
Figure SMS_60
表示第/>
Figure SMS_61
层节点的输出结果；
Figure SMS_62
表示权重系数矩阵；
Figure SMS_63
表示偏置向量；
所述隐藏层的激活函数使用修正线性单元，输出层的激活函数使用归一化指数函数，所述信号辅助还原网络可表示为，
Figure SMS_64
；
其中，
Figure SMS_65
表示信号辅助还原过程中第/>
Figure SMS_66
层神经网络的输出结果；
Figure SMS_67
表示归一化指数函数；
Figure SMS_68
表示第/>
Figure SMS_69
层神经网络的权重系数矩阵的转置参数；
Figure SMS_70
表示修正线性单元；
Figure SMS_71
表示第/>
Figure SMS_72
层神经网络的权重系数矩阵的转置参数；
Figure SMS_73
表示第1层神经网络的权重系数矩阵的转置参数；
Figure SMS_74
表示第1层神经网络的偏置向量参数；
Figure SMS_75
表示第/>
Figure SMS_76
层神经网络的偏置向量参数；
Figure SMS_77
表示第/>
Figure SMS_78
层神经网络的偏置向量参数；
Figure SMS_79
表示神经网络的输入。
根据本发明的一个方面，使用自适应矩估计优化器对所述信号辅助还原网络的权重系数和偏置向量进行更新，使用分类交叉熵损失函数计算真实数据与预测数据之间的误差损失，其中，分类交叉熵损失函数可以表示为，
Figure SMS_80
；
其中，
Figure SMS_81
表示交叉熵损失函数；
Figure SMS_82
表示真实标签向量；
Figure SMS_83
表示预测标签向量；
Figure SMS_84
表示对标签向量的第1个元素到第M个元素进行求和运算；
Figure SMS_85
表示真实标签向量的第/>
Figure SMS_86
个元素；
Figure SMS_87
表示预测标签向量的第/>
Figure SMS_88
个元素；
使用自适应矩估计优化器更新算法利用上一时刻的权重系数矩阵来更新下一个时刻的权重系数矩阵，其中公式为，
Figure SMS_89
；
其中，
Figure SMS_90
表示下一时刻的权重系数矩阵；
Figure SMS_91
表示上一时刻的权重系数矩阵；
Figure SMS_92
表示学习速率；
Figure SMS_93
表示求偏导数计算；
Figure SMS_94
表示真实标签向量；
Figure SMS_95
表示预测标签向量。
根据本发明的一个方面，使用所述信号辅助还原网络检测所述反相位反射模式的索引与星座图符号索引，每一个输入数据通过所述信号辅助还原网络后得到一个星座符号，其中公式为，
Figure SMS_96
；
其中，
Figure SMS_97
表示与相位反射模式对应的预测符号；
Figure SMS_98
表示使得整体为最大时的取值函数；
Figure SMS_99
表示预测标签向量的第/>
Figure SMS_100
个元素；
根据与所述相位反射模式对应的预测符号还原原始比特信息，其中公式为，
Figure SMS_101
；
其中，
Figure SMS_102
表示与相位反射模式对应的预测符号；
Figure SMS_103
表示原始比特信息；
Figure SMS_104
表示输入数据的数量；
Figure SMS_105
表示接收信号；
Figure SMS_106
表示带有第/>
Figure SMS_107
个反射模式的多级信道；
Figure SMS_108
表示通过信号辅助还原网络后得到的第/>
Figure SMS_109
个通过星座符号。
为实现上述目的，本发明提供一种基于可重构智能表面反相位索引调制的传输系统，包括：
构建反相位反射模式构建模块：在发射端和接收端之间部署可重构智能表面，所述可重构智能表面通过控制器与物联网设备端连接，构建反相位反射模式；
信息比特流分组模块：对每个时隙下输入的信息比特流进行分组；
信道链路建模模块：构建所述发射端、所述可重构智能表面和所述接收端之间的信道链路建模；
数据接收模块：通过所述接收端获取接收信号与信道状态信息；
原始比特信息还原模块：根据所述接收信号还原原始比特信息。
为实现上述目的，本发明提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述针对一种基于可重构智能表面反相位索引调制的传输方法。
为实现上述目的，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述针对一种基于可重构智能表面反相位索引调制的传输方法。
基于此，本发明的有益效果在于：
（1）可重构智能表面可以在配置其反射模式增强用户信号接收功率的同时，通过反相反射模式索引为近端物联网设备传输额外的数据位，而不需要任何额外的射频链。基于可重构智能表面反相索引调制解决了可重构智能表面-RPM和可重构智能表面的正交反射调制中反射模式之间的欧式距离没有达到最大化的问题，提调制方法与可重构智能表面的反射模式调制和可重构智能表面的正交反射调制调制方法相比，可以获得更好的误码率性能。
（2）为了降低所提调制方法在接收端的检测计算复杂度，本申请提出了一种信号辅助还原网络，它可以对用户信号和物联网信号进行联合检测，与传统的基准低复杂度检测方法相比，所提出的信号辅助还原网络可以获得更好的误码率性能和更低的计算复杂度。
附图说明
图1示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输方法的流程图；
图2示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输方法的整体示意图；
图3示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输方法与传统技术方法的对比图；
图4示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输方法的信号辅助还原网络与传统检测方法的对比图；
图5示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输方法的流程图，如图1所示，本发明的一种基于可重构智能表面反相位索引调制的传输方法，包括：
在发射端和接收端之间部署可重构智能表面，所述可重构智能表面通过控制器与物联网设备端连接，构建反相位反射模式；
对每个时隙下输入的信息比特流进行分组；
构建所述发射端、所述可重构智能表面和所述接收端之间的信道链路建模；
通过所述接收端获取接收信号与信道状态信息；
根据所述接收信号还原原始比特信息。
根据本发明的一个实施方式，图2示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输方法的整体示意图，如图2所示，所述可重构智能表面包含
Figure SMS_110
个反射元件，将所述反射元件平均分为/>
Figure SMS_111
组，每组由/>
Figure SMS_112
个相邻元件组成以共享相同的反射相位，所述反相位反射模式从/>
Figure SMS_113
组中选择至少/>
Figure SMS_114
组的所述反射元件进行同相位传输，从/>
Figure SMS_115
组中选择/>
Figure SMS_116
组的所述反射元件进行反相位传输，其中表达式为，
Figure SMS_117
；
其中，
Figure SMS_118
表示可重构智能表面的反射模式分区；
Figure SMS_119
表示第/>
Figure SMS_120
个反射模式分区；
Figure SMS_121
表示用于同相位传输的索引集合；
Figure SMS_122
表示将信号相位旋转/>
Figure SMS_123
进行反相传输；
Figure SMS_124
表示反相位传输的索引集合；
Figure SMS_125
表示可重构智能表面中反射元件的组别。
根据本发明的一个实施方式，在每个时隙下对所述发射端和所述物联网设备端的比特流进行分组，所述发射端的比特流被划分为
Figure SMS_126
位比特，所述物联网设备端的比特流被划分为/>
Figure SMS_127
位比特，在每个时隙下通过所述发射端和所述可重构智能表面进行传输的最大信息比特数为/>
Figure SMS_128
。
根据本发明的一个实施方式，所述发射端和所述可重构智能表面之间的第一信道矩阵表示为
Figure SMS_129
，所述接收端和所述可重构智能表面之间的第二信道矩阵表示为/>
Figure SMS_130
，所述第一信道矩阵和所述第二信道矩阵为瑞利衰落信道，所述第一信道矩阵和所述第二信道矩阵中的元素都遵循零均值和单位方差的复高斯分布。
根据本发明的一个实施方式，通过所述接收端获取所述接收信号的公式为，
Figure SMS_131
；
其中，
Figure SMS_132
表示接收信号；
Figure SMS_133
表示第一信道矩阵；
Figure SMS_134
表示主对角元素的对角矩阵；
Figure SMS_135
表示可重构智能表面相位矩阵；
Figure SMS_136
表示第二信道矩阵；
Figure SMS_137
表示星座图符号；
Figure SMS_138
表示具有噪声功率为的加性高斯白噪声向量。
根据本发明的一个实施方式，使用最大似然检测方法将十进制索引转化为相应的二进制比特，其中公式为，
Figure SMS_139
；
其中，
Figure SMS_140
表示接收信号；
Figure SMS_141
表示第一信道矩阵；
Figure SMS_142
表示主对角元素的对角矩阵；
Figure SMS_143
表示可重构智能表面相位矩阵；
Figure SMS_144
表示第二信道矩阵；
Figure SMS_145
表示星座图符号；
Figure SMS_146
表示具有噪声功率为的加性高斯白噪声向量；
Figure SMS_147
表示信息矢量；
Figure SMS_148
表示复合信道，复合信道由第一信道矩阵和第二信道矩阵组成；
使用所述最大似然检测方法对发送的初始二进制比特进行还原，其中公式为，
Figure SMS_149
；
其中，
Figure SMS_150
表示通过最大似然检测方法检测出来的信息矢量；
Figure SMS_151
表示使得整体为最小时的取值函数；
Figure SMS_152
表示Frobenius范数运算；
Figure SMS_153
表示所有信息矢量。
根据本发明的一个实施方式，使用信号辅助还原网络对所述接收信号还原原始比特信息，对所述接受信号和含有所述反相位反射模式的级联信道进行预处理，得到所述信号辅助还原网络的输入数据，含有所述反相位反射模式的级联信道可表示为
Figure SMS_154
，输入数据可表示为/>
Figure SMS_155
，其中，/>
Figure SMS_156
表示复数的实部，/>
Figure SMS_157
表示复数的虚部，/>
Figure SMS_158
表示接收天线个数，/>
Figure SMS_159
表示转置。
根据本发明的一个实施方式，所述信号辅助还原网络包括
Figure SMS_160
个全连接层和/>
Figure SMS_161
个隐藏层，第/>
Figure SMS_162
层节点数由表示/>
Figure SMS_163
表示，所述隐藏层中的每一个神经元节点都包含一个线性加权系数、一个偏置系数和一个非线性激活函数，第/>
Figure SMS_164
层节点的输出结果为，
Figure SMS_165
；
其中，
Figure SMS_166
表示第/>
Figure SMS_167
层节点的输出结果；
Figure SMS_168
表示激活函数；
Figure SMS_169
表示第/>
Figure SMS_170
层节点的输出结果；
Figure SMS_171
表示权重系数矩阵；
Figure SMS_172
表示偏置向量；
所述隐藏层的激活函数使用修正线性单元，输出层的激活函数使用归一化指数函数，所述信号辅助还原网络可表示为，
Figure SMS_173
；
其中，
Figure SMS_174
表示信号辅助还原过程中第/>
Figure SMS_175
层神经网络的输出结果；
Figure SMS_176
表示归一化指数函数；
Figure SMS_177
表示第/>
Figure SMS_178
层神经网络的权重系数矩阵的转置参数；
Figure SMS_179
表示修正线性单元；
Figure SMS_180
表示第/>
Figure SMS_181
层神经网络的权重系数矩阵的转置参数；
Figure SMS_182
表示第1层神经网络的权重系数矩阵的转置参数；
Figure SMS_183
表示第1层神经网络的偏置向量参数；
Figure SMS_184
表示第/>
Figure SMS_185
层神经网络的偏置向量参数；
Figure SMS_186
表示第/>
Figure SMS_187
层神经网络的偏置向量参数；
Figure SMS_188
表示神经网络的输入。
根据本发明的一个实施方式，使用自适应矩估计优化器对所述信号辅助还原网络的权重系数和偏置向量进行更新，使用分类交叉熵损失函数计算真实数据与预测数据之间的误差损失，其中，分类交叉熵损失函数可以表示为，
Figure SMS_189
；
其中，
Figure SMS_190
表示交叉熵损失函数；
Figure SMS_191
表示真实标签向量；
Figure SMS_192
表示预测标签向量；
Figure SMS_193
表示对标签向量的第1个元素到第M个元素进行求和运算；
Figure SMS_194
表示真实标签向量的第/>
Figure SMS_195
个元素；
Figure SMS_196
表示预测标签向量的第/>
Figure SMS_197
个元素；
使用自适应矩估计优化器更新算法利用上一时刻的权重系数矩阵来更新下一个时刻的权重系数矩阵，其中公式为，
Figure SMS_198
；
其中，
Figure SMS_199
表示下一时刻的权重系数矩阵；
Figure SMS_200
表示上一时刻的权重系数矩阵；
Figure SMS_201
表示学习速率；
Figure SMS_202
表示求偏导数计算；
Figure SMS_203
表示真实标签向量；
Figure SMS_204
表示预测标签向量。
根据本发明的一个实施方式，使用所述信号辅助还原网络检测所述反相位反射模式的索引与星座图符号索引，每一个输入数据通过所述信号辅助还原网络后得到一个星座符号，其中公式为，
Figure SMS_205
；
其中，
Figure SMS_206
表示与相位反射模式对应的预测符号；
Figure SMS_207
表示使得整体为最大时的取值函数；
Figure SMS_208
表示预测标签向量的第/>
Figure SMS_209
个元素；
根据与所述相位反射模式对应的预测符号还原原始比特信息，其中公式为，
Figure SMS_210
；
其中，
Figure SMS_211
表示与相位反射模式对应的预测符号；
Figure SMS_212
表示原始比特信息；
Figure SMS_213
表示输入数据的数量；
Figure SMS_214
表示接收信号；
Figure SMS_215
表示带有第/>
Figure SMS_216
个反射模式的多级信道；
Figure SMS_217
表示通过信号辅助还原网络后得到的第/>
Figure SMS_218
个通过星座符号。
根据本发明的一个实施例，信号辅助还原网络参数为输入节点为隐藏层，激活函数为ReLu，输出节点为输出层，激活函数为Softmax，隐藏层节点为512-256-128，学习速率为0.001，损失函数为Cross-Entropy，训练集数据量为1e6，优化器为Adma，训练轮回为30。
根据本发明的一个实施例，图3示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输方法与传统技术方法的对比图，如图3所示，将可重构智能表面-反相位索引调制分别与可重构智能表面-反射模式调制和可重构智能表面-正交反射调制在不同参数下进行误码率性能对比。为了进行公平的比较，发射端都只有一个发射天线，接收端天线个数
Figure SMS_219
，可重构智能表面元件个数/>
Figure SMS_220
，调制符号使用/>
Figure SMS_221
。在
Figure SMS_222
和/>
Figure SMS_223
的参数配置下，当误码率下降到0.0001时，可重构智能表面-反相位索引调制相比基于可重构智能表面开/关状态反射模式的可重构智能表面-反射模式调制和基于可重构智能表面正交反射模式的可重构智能表面-正交反射调制分别可以获得3dB和6dB的性能增益。其性能差异主要来自于所提可重构智能表面-反相位索引调制的反射模式间的欧式距离可以达到最大化，在相同的激活索引和星座符号下，可重构智能表面-反相位索引调制与可重构智能表面-反射模式调制和可重构智能表面-正交反射调制的都是距离关系为/>
Figure SMS_224
。因此，可重构智能表面-反相位索引调制相比可重构智能表面-正交反射调制和可重构智能表面-反射模式调制可以获得2倍和4倍的性能增益。
根据本发明的一个实施例，图4示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输方法的信号辅助还原网络与传统检测方法的对比图，如图4所示，其中传统低复杂度检测器使用了迫零检测和最小均方误差检测。其中，发射天线个数
Figure SMS_225
。在/>
Figure SMS_226
的参数下，当误码率下降到0.0001时，相比ZF和MMSE检测器信号，辅助还原网络可以获得大约4.5dB和6dB的性能增益。在/>
Figure SMS_227
的参数下，不难看出，所提出的信号辅助还原网络仍保持与最优最大似然检测其非常接近的性能。
不仅如此，为实现上述发明目的，本发明还提供一种基于可重构智能表面反相位索引调制的传输系统，图5示意性表示根据本发明的一种基于可重构智能表面反相位索引调制的传输系统的流程图，如图5所示，根据本发明的一种基于可重构智能表面反相位索引调制的传输系统，该系统包括：
构建反相位反射模式构建模块：在发射端和接收端之间部署可重构智能表面，所述可重构智能表面通过控制器与物联网设备端连接，构建反相位反射模式；
信息比特流分组模块：对每个时隙下输入的信息比特流进行分组；
信道链路建模模块：构建所述发射端、所述可重构智能表面和所述接收端之间的信道链路建模；
数据接收模块：通过所述接收端获取接收信号与信道状态信息；
原始比特信息还原模块：根据所述接收信号还原原始比特信息。
为实现上述发明目的，本发明还提供一种电子设备，该电子设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，计算机程序被处理器执行时实现上述一种基于可重构智能表面反相位索引调制的传输方法。
为实现上述发明目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述一种基于可重构智能表面反相位索引调制的传输方法。
基于此，本发明的有益效果在于，可重构智能表面可以在配置其反射模式增强用户信号接收功率的同时，通过反相反射模式索引为近端物联网设备传输额外的数据位，而不需要任何额外的射频链。基于可重构智能表面反相索引调制解决了可重构智能表面-RPM和可重构智能表面的正交反射调制中反射模式之间的欧式距离没有达到最大化的问题，提调制方法与可重构智能表面的反射模式调制和可重构智能表面的正交反射调制调制方法相比，可以获得更好的误码率性能。为了降低所提调制方法在接收端的检测计算复杂度，本申请提出了一种信号辅助还原网络，它可以对用户信号和物联网信号进行联合检测，与传统的基准低复杂度检测方法相比，所提出的信号辅助还原网络可以获得更好的误码率性能和更低的计算复杂度。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (13)

1.一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，包括：
在发射端和接收端之间部署可重构智能表面，所述可重构智能表面通过控制器与物联网设备端连接，构建反相位反射模式；
对每个时隙下输入的信息比特流进行分组；
构建所述发射端、所述可重构智能表面和所述接收端之间的信道链路建模；
通过所述接收端获取接收信号与信道状态信息；
根据所述接收信号还原原始比特信息。
2.根据权利要求1所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，所述可重构智能表面包含
Figure QLYQS_1
个反射元件，将所述反射元件平均分为/>
Figure QLYQS_2
组，每组由
Figure QLYQS_3
个相邻元件组成以共享相同的反射相位，所述反相位反射模式从/>
Figure QLYQS_4
组中选择至少/>
Figure QLYQS_5
组的所述反射元件进行同相位传输，从/>
Figure QLYQS_6
组中选择/>
Figure QLYQS_7
组的所述反射元件进行反相位传输，其中表达式为，
Figure QLYQS_8
；
其中，
Figure QLYQS_9
表示可重构智能表面的反射模式分区；
Figure QLYQS_10
表示第/>
Figure QLYQS_11
个反射模式分区；
Figure QLYQS_12
表示用于同相位传输的索引集合；
Figure QLYQS_13
表示将信号相位旋转/>
Figure QLYQS_14
进行反相传输；
Figure QLYQS_15
表示反相位传输的索引集合；
Figure QLYQS_16
表示可重构智能表面中反射元件的组别。
3.根据权利要求2所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，在每个时隙下对所述发射端和所述物联网设备端的比特流进行分组，所述发射端的比特流被划分为
Figure QLYQS_17
位比特，所述物联网设备端的比特流被划分为/>
Figure QLYQS_18
位比特，在每个时隙下通过所述发射端和所述可重构智能表面进行传输的最大信息比特数为/>
Figure QLYQS_19
。
4.根据权利要求3所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，所述发射端和所述可重构智能表面之间的第一信道矩阵表示为
Figure QLYQS_20
，所述接收端和所述可重构智能表面之间的第二信道矩阵表示为/>
Figure QLYQS_21
，所述第一信道矩阵和所述第二信道矩阵为瑞利衰落信道，所述第一信道矩阵和所述第二信道矩阵中的元素都遵循零均值和单位方差的复高斯分布。
5.根据权利要求4所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，通过所述接收端获取所述接收信号的公式为，
Figure QLYQS_22
；
其中，
Figure QLYQS_23
表示接收信号；
Figure QLYQS_24
表示第一信道矩阵；
Figure QLYQS_25
表示主对角元素的对角矩阵；
Figure QLYQS_26
表示可重构智能表面相位矩阵；
Figure QLYQS_27
表示第二信道矩阵；
Figure QLYQS_28
表示星座图符号；
Figure QLYQS_29
表示具有噪声功率为的加性高斯白噪声向量。
6.根据权利要求5所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，使用最大似然检测方法将十进制索引转化为相应的二进制比特，其中公式为，
Figure QLYQS_30
；
其中，
Figure QLYQS_31
表示接收信号；
Figure QLYQS_32
表示第一信道矩阵；
Figure QLYQS_33
表示主对角元素的对角矩阵；
Figure QLYQS_34
表示可重构智能表面相位矩阵；
Figure QLYQS_35
表示第二信道矩阵；
Figure QLYQS_36
表示星座图符号；
Figure QLYQS_37
表示具有噪声功率为的加性高斯白噪声向量；
Figure QLYQS_38
表示信息矢量；
Figure QLYQS_39
表示复合信道，复合信道由第一信道矩阵和第二信道矩阵组成；
使用所述最大似然检测方法对发送的初始二进制比特进行还原，其中公式为，
Figure QLYQS_40
；
其中，
Figure QLYQS_41
表示通过最大似然检测方法检测出来的信息矢量；
Figure QLYQS_42
表示使得整体为最小时的取值函数；
Figure QLYQS_43
表示Frobenius范数运算；
Figure QLYQS_44
表示所有信息矢量。
7.根据权利要求6所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，使用信号辅助还原网络对所述接收信号还原原始比特信息，对所述接受信号和含有所述反相位反射模式的级联信道进行预处理，得到所述信号辅助还原网络的输入数据，含有所述反相位反射模式的级联信道可表示为
Figure QLYQS_45
，输入数据可表示为
Figure QLYQS_46
，其中，/>
Figure QLYQS_47
表示复数的实部，/>
Figure QLYQS_48
表示复数的虚部，/>
Figure QLYQS_49
表示接收天线个数，/>
Figure QLYQS_50
表示转置。
8.根据权利要求7所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，所述信号辅助还原网络包括
Figure QLYQS_51
个全连接层和/>
Figure QLYQS_52
个隐藏层，第/>
Figure QLYQS_53
层节点数由表示
Figure QLYQS_54
表示，所述隐藏层中的每一个神经元节点都包含一个线性加权系数、一个偏置系数和一个非线性激活函数，第/>
Figure QLYQS_55
层节点的输出结果为，
Figure QLYQS_56
；
其中，
Figure QLYQS_57
表示第/>
Figure QLYQS_58
层节点的输出结果；
Figure QLYQS_59
表示激活函数；
Figure QLYQS_60
表示第/>
Figure QLYQS_61
层节点的输出结果；
Figure QLYQS_62
表示权重系数矩阵；
Figure QLYQS_63
表示偏置向量；
所述隐藏层的激活函数使用修正线性单元，输出层的激活函数使用归一化指数函数，所述信号辅助还原网络可表示为，
Figure QLYQS_64
；
其中，
Figure QLYQS_65
表示信号辅助还原过程中第/>
Figure QLYQS_66
层神经网络的输出结果；
Figure QLYQS_67
表示归一化指数函数；
Figure QLYQS_68
表示第/>
Figure QLYQS_69
层神经网络的权重系数矩阵的转置参数；
Figure QLYQS_70
表示修正线性单元；
Figure QLYQS_71
表示第/>
Figure QLYQS_72
层神经网络的权重系数矩阵的转置参数；
Figure QLYQS_73
表示第1层神经网络的权重系数矩阵的转置参数；
Figure QLYQS_74
表示第1层神经网络的偏置向量参数；
Figure QLYQS_75
表示第/>
Figure QLYQS_76
层神经网络的偏置向量参数；
Figure QLYQS_77
表示第/>
Figure QLYQS_78
层神经网络的偏置向量参数；
Figure QLYQS_79
表示神经网络的输入。
9.根据权利要求8所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，使用自适应矩估计优化器对所述信号辅助还原网络的权重系数和偏置向量进行更新，使用分类交叉熵损失函数计算真实数据与预测数据之间的误差损失，其中，分类交叉熵损失函数可以表示为，
Figure QLYQS_80
；
其中，
Figure QLYQS_81
表示交叉熵损失函数；
Figure QLYQS_82
表示真实标签向量；
Figure QLYQS_83
表示预测标签向量；
Figure QLYQS_84
表示对标签向量的第1个元素到第M个元素进行求和运算；
Figure QLYQS_85
表示真实标签向量的第/>
Figure QLYQS_86
个元素；
Figure QLYQS_87
表示预测标签向量的第/>
Figure QLYQS_88
个元素；
使用自适应矩估计优化器更新算法利用上一时刻的权重系数矩阵来更新下一个时刻的权重系数矩阵，其中公式为，
Figure QLYQS_89
；
其中，
Figure QLYQS_90
表示下一时刻的权重系数矩阵；
Figure QLYQS_91
表示上一时刻的权重系数矩阵；
Figure QLYQS_92
表示学习速率；
Figure QLYQS_93
表示求偏导数计算；
Figure QLYQS_94
表示真实标签向量；
Figure QLYQS_95
表示预测标签向量。
10.根据权利要求9所述的一种基于可重构智能表面反相位索引调制的传输方法，其特征在于，使用所述信号辅助还原网络检测所述反相位反射模式的索引与星座图符号索引，每一个输入数据通过所述信号辅助还原网络后得到一个星座符号，其中公式为，
Figure QLYQS_96
；
其中，
Figure QLYQS_97
表示与相位反射模式对应的预测符号；
Figure QLYQS_98
表示使得整体为最大时的取值函数；
Figure QLYQS_99
表示预测标签向量的第/>
Figure QLYQS_100
个元素；
根据与所述相位反射模式对应的预测符号还原原始比特信息，其中公式为，
Figure QLYQS_101
；
其中，
Figure QLYQS_102
表示与相位反射模式对应的预测符号；
Figure QLYQS_103
表示原始比特信息；
Figure QLYQS_104
表示输入数据的数量；
Figure QLYQS_105
表示接收信号；
Figure QLYQS_106
表示带有第/>
Figure QLYQS_107
个反射模式的多级信道；
Figure QLYQS_108
表示通过信号辅助还原网络后得到的第/>
Figure QLYQS_109
个通过星座符号。
11.一种基于可重构智能表面反相位索引调制的传输系统，其特征在于，包括：
构建反相位反射模式构建模块：在发射端和接收端之间部署可重构智能表面，所述可重构智能表面通过控制器与物联网设备端连接，构建反相位反射模式；
信息比特流分组模块：对每个时隙下输入的信息比特流进行分组；
信道链路建模模块：构建所述发射端、所述可重构智能表面和所述接收端之间的信道链路建模；
数据接收模块：通过所述接收端获取接收信号与信道状态信息；
原始比特信息还原模块：根据所述接收信号还原原始比特信息。
12.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至10中任一项所述的一种基于可重构智能表面反相位索引调制的传输方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的一种基于可重构智能表面反相位索引调制的传输方法。
CN202310543230.1A 2023-05-15 2023-05-15 一种基于可重构智能表面反相位索引调制的传输方法 Active CN116318311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310543230.1A CN116318311B (zh) 2023-05-15 2023-05-15 一种基于可重构智能表面反相位索引调制的传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310543230.1A CN116318311B (zh) 2023-05-15 2023-05-15 一种基于可重构智能表面反相位索引调制的传输方法

Publications (2)

Publication Number Publication Date
CN116318311A true CN116318311A (zh) 2023-06-23
CN116318311B CN116318311B (zh) 2023-08-22

Family

ID=86796226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310543230.1A Active CN116318311B (zh) 2023-05-15 2023-05-15 一种基于可重构智能表面反相位索引调制的传输方法

Country Status (1)

Country Link
CN (1) CN116318311B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117560662A (zh) * 2024-01-10 2024-02-13 鹏城实验室 基于可重构智能表面的隐私保护方法、装置及设备
CN117560048A (zh) * 2024-01-12 2024-02-13 浙江香农通信科技有限公司 一种基于可重构智能表面的多址接入传输方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210013619A1 (en) * 2019-07-12 2021-01-14 Arizona Board Of Regents On Behalf Of Arizona State University Large intelligent surfaces with sparse channel sensors
CN112564752A (zh) * 2020-11-13 2021-03-26 西安电子科技大学 一种优化稀疏天线激活可重构智能表面辅助通信方法
WO2022052879A1 (zh) * 2020-09-10 2022-03-17 维沃移动通信有限公司 调制方法及装置、通信设备和可读存储介质
CN114584448A (zh) * 2022-02-16 2022-06-03 山东大学 基于深度神经网络的sm-ofdm信号分组检测方法
CN115102821A (zh) * 2022-06-21 2022-09-23 中国计量大学 一种联合智能反射表面分组规划映射的广义正交反射调制方法
CN115189789A (zh) * 2022-06-14 2022-10-14 北京理工大学长三角研究院(嘉兴) 面向物理层安全通信的低复杂度智能超表面相位控制方法
CN115767581A (zh) * 2022-09-13 2023-03-07 中国计量大学 一种基于深度强化学习的无人机辅助智能反射表面主被动传输优化方法
CN115865597A (zh) * 2022-11-24 2023-03-28 浙江香农通信科技有限公司 一种空间移位键控反射调制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210013619A1 (en) * 2019-07-12 2021-01-14 Arizona Board Of Regents On Behalf Of Arizona State University Large intelligent surfaces with sparse channel sensors
WO2022052879A1 (zh) * 2020-09-10 2022-03-17 维沃移动通信有限公司 调制方法及装置、通信设备和可读存储介质
CN112564752A (zh) * 2020-11-13 2021-03-26 西安电子科技大学 一种优化稀疏天线激活可重构智能表面辅助通信方法
CN114584448A (zh) * 2022-02-16 2022-06-03 山东大学 基于深度神经网络的sm-ofdm信号分组检测方法
CN115189789A (zh) * 2022-06-14 2022-10-14 北京理工大学长三角研究院(嘉兴) 面向物理层安全通信的低复杂度智能超表面相位控制方法
CN115102821A (zh) * 2022-06-21 2022-09-23 中国计量大学 一种联合智能反射表面分组规划映射的广义正交反射调制方法
CN115767581A (zh) * 2022-09-13 2023-03-07 中国计量大学 一种基于深度强化学习的无人机辅助智能反射表面主被动传输优化方法
CN115865597A (zh) * 2022-11-24 2023-03-28 浙江香农通信科技有限公司 一种空间移位键控反射调制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ELVAN KUZUCU HIDIR ET AL: "On Practical RIS-Aided OFDM With Index Modulation", IEEE ACCESS *
XIAOPING JIN ET AL: "Joint RIS Grouping Design Assisted Generalized Quadrature Reflection Modulation", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, vol. 72, no. 4, XP011938859, DOI: 10.1109/TVT.2022.3226181 *
伍明江;类先富;李里;唐小虎;: "面向6G物联网的主被动互惠传输关键技术", 物联网学报, no. 01 *
胡向东;周巧;: "基于深度学习的工业物联网智能入侵检测", 计算机系统应用, no. 09 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117560662A (zh) * 2024-01-10 2024-02-13 鹏城实验室 基于可重构智能表面的隐私保护方法、装置及设备
CN117560662B (zh) * 2024-01-10 2024-05-10 鹏城实验室 基于可重构智能表面的隐私保护方法、装置及设备
CN117560048A (zh) * 2024-01-12 2024-02-13 浙江香农通信科技有限公司 一种基于可重构智能表面的多址接入传输方法及装置
CN117560048B (zh) * 2024-01-12 2024-04-05 浙江香农通信科技有限公司 一种基于可重构智能表面的多址接入传输方法及装置

Also Published As

Publication number Publication date
CN116318311B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN116318311B (zh) 一种基于可重构智能表面反相位索引调制的传输方法
CN114051701B (zh) 用于机器学习辅助预编码的设备和方法
Wang et al. Pilot-assisted channel estimation and signal detection in uplink multi-user MIMO systems with deep learning
CN108989262B (zh) 一种基于apsk调制的低复杂度非相干空间调制检测方法
US20080137763A1 (en) Candidate list generation and interference cancellation framework for mimo detection
CN114584448A (zh) 基于深度神经网络的sm-ofdm信号分组检测方法
CN109787926A (zh) 一种数字信号调制方式识别方法
Marseet et al. Application of complex-valued convolutional neural network for next generation wireless networks
CN110300077A (zh) 基于极端学习机的空间相关mimo系统的盲调制识别算法
Hua et al. Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning
CN110098870A (zh) 基于ob-mmse检测算法的光广义空间调制方法
CN112583458A (zh) 基于深度学习和无线变换网络的mimo端到端传输系统
WO2009075456A1 (en) Method for transmission interference cancellation for mu-mimo
Meenalakshmi et al. Enhancing channel estimation accuracy in polar-coded MIMO–OFDM systems via CNN with 5G channel models
CN114205048A (zh) 基于ris的无线单输入单输出矢量合成安全传输方法
Wang et al. Deep Transfer Learning for Model-Driven Signal Detection in MIMO-NOMA Systems
CN116260502B (zh) 一种基于可重构智能表面的双域索引调制通信方法
Huang et al. Deep learning based parallel detector for MIMO systems
Omondi et al. Variational autoencoder-enhanced deep neural network-based detection for MIMO systems
US6693976B1 (en) Method of wireless communication using structured unitary space-time signal constellations
CN109818663A (zh) 一种低复杂度差分正交空间调制检测方法
CN116249128A (zh) 多ris辅助通信系统中基于端到端学习的联合波束成形方法
Hossienzadeh et al. Deep learning based interference exploitation in 1-bit massive MIMO precoding
CN107248876B (zh) 基于稀疏贝叶斯学习的广义空间调制符号检测方法
Althahab et al. A comprehensive review on various estimation techniques for multi input multi output channel

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