CN116865798A - 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法 - Google Patents
高速铁路去蜂窝大规模mimo系统的智能超表面相移方法 Download PDFInfo
- Publication number
- CN116865798A CN116865798A CN202310824829.2A CN202310824829A CN116865798A CN 116865798 A CN116865798 A CN 116865798A CN 202310824829 A CN202310824829 A CN 202310824829A CN 116865798 A CN116865798 A CN 116865798A
- Authority
- CN
- China
- Prior art keywords
- ris
- phase shift
- vehicle
- mobile relay
- representing
- 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
- 230000010363 phase shift Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000010295 mobile communication Methods 0.000 abstract description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 206010040844 Skin exfoliation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000035618 desquamation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种高速铁路去蜂窝大规模MIMO系统的智能超表面相移方法，包括以下步骤：构建RIS赋能的高速铁路去蜂窝大规模MIMO网络；计算每个接入点AP到车载移动中继MR的等效信道以及车载移动中继MR处的信噪比和系统的可达速率；当相移矩阵固定时，采用最大比传输方法获得使车载移动中继MR可达速率最大化的最优波束赋形向量；并基于PPO的RIS相移设计方案，在PPO算法模型中包含有两个神经网络：Actor网络和Critic网络，且PPO算法是通过构造Actor网络的损失函数来提高决策能力。本发明可以更低的运行时间实现高效的可达速率，实现高速铁路环境的实时决策，为高速铁路移动通信的发展提供强有力的支撑。
Description
技术领域
本发明涉及一种无线移动通信方法，具体地说是一种高速铁路去蜂窝大规模MIMO系统的智能超表面相移方法。
背景技术
随着智能铁路的发展，对高速铁路网络的数据传输速率也就提出了更高的要求。然而，高速铁路网络的频繁切换现象严重制约着数据传输速率性能。在此背景下，去蜂窝大规模多输入多输出(MIMO)技术构建了以用户为中心的传输设计，使多个随机分布的接入点(AP)能够在没有小区边界的情况下联合地服务于网络中的所有用户。因此，将去蜂窝大规模MIMO应用到高速铁路场景中，可以规避网络频繁切换的问题，增加高速铁路的网络覆盖，并提高数据传输速率。
而智能超表面(RIS)由于具备调控无线电信号传播的能力，因此受到了工业界和学术界的广泛关注。RIS是由许多低成本的无源元件所组成，通过调整每个元件的幅度和/或相位，塑造无线传播环境，从而能够提高无线信号的传输质量。
去蜂窝大规模MIMO和智能超表面(RIS)是两种提高高速铁路网络数据传输速率的技术。借鉴去蜂窝大规模MIMO和RIS的优势，一些学者将去蜂窝大规模MIMO与RIS集成到无线网络中。但这种集成工作目前还都只能应用在静态或低速的场合中。此外，当前大多RIS相移设计方法依赖于假设的数学模型，但在真实的高速铁路场景中，无线电散射的快速变化，将导致真实场景与假设数学模型的严重失配，使得性能下降，并且其计算复杂度高，难以在真实的高速铁路环境中部署。因此，如何将RIS技术应用于高速铁路去蜂窝大规模MIMO，仍是一个未能加以有效解决的难题。
发明内容
本发明的目的就是提供一种高速铁路去蜂窝大规模MIMO系统的智能超表面相移方法，以能够在较低的运行时间内获得更高的可达速率，从而有助于在动态的高速铁路网络中进行实时决策。
本发明的目的是这样实现的：
一种高速铁路去蜂窝大规模MIMO系统的智能超表面相移方法，包括以下步骤：
S1、构建RIS赋能的高速铁路去蜂窝大规模MIMO网络；所述网络包括：部署在铁路轨道沿线的L个配备N根天线的接入点AP，部署在每趟运行列车顶部的单天线的车载移动中继MR，以及在每个车载移动中继MR旁部署的一个具有M个元素的智能超表面相移RIS。
S2、从每个接入点AP到车载移动中继MR的等效信道为：
其中，代表第l个接入点AP与车载移动中继MR之间的信道，/>代表RIS与车载移动中继MR之间的信道，/>代表第l个接入点AP与RIS之间的信道。
S3、RIS的相移矩阵Φ为：其中，θm∈[0,2π)表示第m个元素的相移。
S4、车载移动中继MR接收到的信号为：
其中，表示噪声，x表示发送到车载移动中继MR的信号，并且满足E{|x|2}＝1，wl表示车载移动中继MR与第l个接入点AP的波束赋形向量，并且满足||wl||2≤Pl,max；这里，Pl,max表示第l个接入点AP的最大传输功率。
S5、车载移动中继MR处的信噪比为：
S6、系统的可达速率为：
Ra＝log2(1+γ)
S7、当相移矩阵Φ固定时，采用最大比传输方法获得使车载移动中继MR可达速率最大化的最优波束赋形向量为：
S8、将可达速率最大化的优化目的转化为：
s.t.|θm|＝1,m＝1,…,M
S9、基于PPO的RIS相移设计，包括以下子步骤：
S9-1基于PPO的RIS相移设计方案的组成部分包括：
状态空间：当前RIS赋能的高速铁路去蜂窝大规模MIMO通信系统状态st为：
其中，γ(t-1)表示上一时间t-1的信噪比。
动作空间：智能体根据观察到的状态选择调整RIS相移的动作；定义的动作空间at为：
其中，表示t时刻的RIS相移。
奖励函数：以求取系统的最大化可达速率，奖励函数rt定义为：
其中，表示t时刻RIS赋能高速铁路去蜂窝大规模MIMO系统的可达速率。
S9-2在PPO算法模型中包含有两个神经网络：Actor网络和Critic网络，并且，PPO算法是通过构造Actor网络的损失函数J(θA)来提高决策能力：
其中，表示Actor网络更新前的参数，/>代表参数更新幅度，/>为优势函数，其表示为：
其中，γ∈[0,1)表示折扣因子，表示Critic网络更新前的参数。
S9-3 Actor网络的损失函数J(θA)由以下函数取得：
其中，ρt(θA)代表参数更新幅度，clip函数负责将ρt(θA)限制于置信区间(1-ε,1+ε)内。
S9-4在PPO算法模型中，θA通过下式更新：
其中，αA表示学习速率，为在第b次转换序列中实现的JCLIP(θA)。
θC通过下式更新：
其中，αB代表学习速率，并且Vtar(sb)表示为：
针对高速铁路网络的高度动态性，本发明提出了一种RIS赋能的高速铁路去蜂窝大规模MIMO网络架构，制定了RIS相移优化策略；通过基于深度强化学习(DRL)的方案，即基于近端策略优化(PPO)的RIS相移设计方案，实现了高效的RIS相移控制，从而实现了最大化的可达速率。
本发明通过构建RIS赋能的高速铁路去蜂窝大规模MIMO网络，计算每个接入点AP到车载移动中继MR的等效信道以及车载移动中继MR处的信噪比和系统的可达速率；当相移矩阵Φ固定时，采用最大比传输方法获得使车载移动中继MR可达速率最大化的最优波束赋形向量；并基于PPO的RIS相移设计方案，在PPO算法模型中包含有两个神经网络：Actor网络和Critic网络，且PPO算法是通过构造Actor网络的损失函数J(θA)来提高决策能力。
本发明是一种适用于高速铁路去蜂窝大规模MIMO场景的RIS相移设计方法，可以以更低的运行时间实现高效的可达速率，实现高速铁路环境的实时决策，为高速铁路移动通信的发展提供强有力的支撑。
附图说明
图1是RIS赋能的高速铁路去峰窝大规模MIMO网络示意图。
图2是基于近端策略优化的相移RIS设计架构图。
具体实施方式
如图1所示，在智能超表面相移RIS赋能的高速铁路去蜂窝大规模MIMO网络中，L个配备N根天线的接入点AP沿着铁路轨道部署。为了避免列车车体造成的穿透损失，在列车顶部部署了单天线的车载移动中继MR，其作为为乘客提供服务的中继。此外，在距离车载移动中继MR距离为0.6m处部署一个具有M个元素的智能超表面相移RIS，进一步提高数据传输速率性能。值得注意的是，因为高速铁路通信的主要性能瓶颈位于车载移动中继MR和接入点AP之间的链路，所以，关注于车载移动中继MR和接入点AP之间的链路传输，就有可能使得系统的可达速率最大化。
令表示从每个接入点AP到车载移动中继MR的等效信道，其可表示为：
其中，代表第l个接入点AP与车载移动中继MR之间的信道，/>代表RIS与车载移动中继MR之间的信道，/>代表第l个接入点AP与RIS之间的信道。
RIS的相移矩阵Φ为：
其中，θm∈[0,2π)表示第m个元素的相移。
在高速铁路去蜂窝大规模MIMO系统中，车载移动中继MR接收到的信号可表示为：
其中，表示噪声，x表示发送到车载移动中继MR的信号，并且满足E{|x|2}＝1，wl表示车载移动中继MR与第l个接入点AP的波束赋形向量，并且满足||wl||2≤Pl,max。这里，Pl,max表示第l个接入点AP的最大传输功率。
然后，可以获得车载移动中继MR处的信噪比，可表示为：
至此，系统的可达速率为：
Ra＝log2(1+γ)
当相移矩阵Φ固定时，可以采用最大比传输方法来获得使车载移动中继MR可达速率最大化的最优波束赋形向量其表示为：
本发明旨在设计有效的相移矩阵，使得RIS赋能高速铁路去蜂窝大规模MIMO系统的可达速率最大化。因此，可达速率最大化的优化问题就可以转化为：
s.t.|θm|1,m＝1,…,M
由于RIS赋能的高速铁路去蜂窝大规模MIMO系统是高度时变的，使得基于传统优化算法难以得出高效的RIS相移设计方案。因此，本发明提出了一种基于近端策略优化(PPO)的算法来学习RIS赋能的高速铁路去蜂窝大规模MIMO环境，并做出高效的RIS相移设计决策。
基于PPO的RIS相移设计：
图2显示了PPO智能体与RIS赋能的高速铁路去蜂窝大规模MIMO环境之间的交互。
在当前时间t，基于PPO的RIS相移设计方案的关键组成部分如下：
状态空间：当前RIS赋能的高速铁路去蜂窝大规模MIMO通信系统状态st为：
其中，γ(t-1)表示上一时间t-1的信噪比。
动作空间：PPO智能体根据观察到的状态选择调整RIS相移的动作。定义的动作空间at为：
其中，表示t时刻的RIS相移。
奖励函数：以求取系统的最大化可达速率。因此，奖励函数rt定义为：
其中，表示t时刻RIS赋能高速铁路去蜂窝大规模MIMO系统的可达速率。
在PPO算法模型中包含有两个神经网络：Actor网络和Critic网络，并且，PPO算法主要通过构造Actor网络的损失函数J(θA)来提高决策能力：
其中，表示Actor网络更新前的参数，/>代表参数更新幅度，/>为优势函数，其表示为：
其中，γ∈[0,1)表示折扣因子，表示Critic网络更新前的参数。
Actor网络的损失函数J(θA)可由以下函数取得：
其中，ρt(θA)代表参数更新幅度，clip函数负责将ρt(θA)限制于置信区间(1-ε,1+ε)内。
在PPO算法模型中，θA通过下式更新：
其中，αA表示学习速率，为在第b次转换序列中实现的JCLIP(θA)。
θC通过下式更新：
其中，αB代表学习速率，并且Vtar(sb)表示为：
本发明可以以更低的运行时间实现高效的可达速率，有利于实现高速铁路环境的实时决策，为高速铁路移动通信的发展提供强有力的支撑。
如图2所示，分别对Actor网络和Critic网络参数等进行初始化；然后，采集RIS赋能的高速铁路去蜂窝大规模MIMO通信系统的初始状态。之后，选择动作，决策出RIS相移设计方案。在执行所设计的RIS相移之后，获得的相应奖励。随后，RIS赋能的高速铁路去蜂窝大规模MIMO系统的状态演变为下一状态。PPO智能体将转换序列保存到经验池中。之后，将随机采样B个转换序列，用于训练PPO模型。
基于PPO的智能超表面相移设计伪代码如下表所示：
Claims (1)
1.一种高速铁路去蜂窝大规模MIMO系统的智能超表面相移方法，其特征是，包括以下步骤：
S1、构建RIS赋能的高速铁路去蜂窝大规模MIMO网络；所述网络包括：部署在铁路轨道沿线的L个配备N根天线的接入点AP，部署在每趟运行列车顶部的单天线的车载移动中继MR，以及在每个车载移动中继MR旁部署的一个具有M个元素的智能超表面相移RIS；
S2、从每个接入点AP到车载移动中继MR的等效信道为：
其中，代表第l个接入点AP与车载移动中继MR之间的信道，/>代表RIS与车载移动中继MR之间的信道，/>代表第l个接入点AP与RIS之间的信道；
S3、RIS的相移矩阵Φ为：其中，θm∈[0,2π)表示第m个元素的相移；
S4、车载移动中继MR接收到的信号为：
其中，表示噪声，x表示发送到车载移动中继MR的信号，并且满足E{|x|2}＝1，wl表示车载移动中继MR与第l个接入点AP的波束赋形向量，并且满足||wl||2≤Pl,max；这里，Pl,max表示第l个接入点AP的最大传输功率；
S5、车载移动中继MR处的信噪比为：
S6、系统的可达速率为：
Ra＝log2(1+γ)
S7、当相移矩阵Φ固定时，采用最大比传输方法获得使车载移动中继MR可达速率最大化的最优波束赋形向量为：
S8、将可达速率最大化的优化目的转化为：
s.t.|θm|＝1,m＝1,…,M
S9、基于PPO的RIS相移设计，包括以下子步骤：
S9-1基于PPO的RIS相移设计方案的组成部分包括：
状态空间：当前RIS赋能的高速铁路去蜂窝大规模MIMO通信系统状态st为：
其中，γ(t-1)表示上一时间t-1的信噪比；
动作空间：智能体根据观察到的状态选择调整RIS相移的动作；定义的动作空间at为：
其中，表示t时刻的RIS相移；
奖励函数：以求取系统的最大化可达速率，奖励函数rt定义为：
其中，表示t时刻RIS赋能高速铁路去蜂窝大规模MIMO系统的可达速率；
S9-2在PPO算法模型中包含有两个神经网络：Actor网络和Critic网络，并且，PPO算法是通过构造Actor网络的损失函数J(θA)来提高决策能力：
其中，表示Actor网络更新前的参数，/>代表参数更新幅度，/>为优势函数，其表示为：
其中，γ∈[0,1)表示折扣因子，表示Critic网络更新前的参数；
S9-3Actor网络的损失函数J(θA)由以下函数取得：
其中，ρt(θA)代表参数更新幅度，clip函数负责将ρt(θA)限制于置信区间(1-ε,1+ε)内；S9-4在PPO算法模型中，θA通过下式更新：
其中，αA表示学习速率，为在第b次转换序列中实现的JCLIP(θA)；
θC通过下式更新：
其中，αB代表学习速率，并且Vtar(sb)表示为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310824829.2A CN116865798B (zh) | 2023-07-06 | 2023-07-06 | 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310824829.2A CN116865798B (zh) | 2023-07-06 | 2023-07-06 | 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116865798A true CN116865798A (zh) | 2023-10-10 |
| CN116865798B CN116865798B (zh) | 2024-01-05 |
Family
ID=88233561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310824829.2A Active CN116865798B (zh) | 2023-07-06 | 2023-07-06 | 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116865798B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9571199B1 (en) * | 2014-05-12 | 2017-02-14 | Google Inc. | In-band control of network elements |
| CN113364501A (zh) * | 2021-06-04 | 2021-09-07 | 大连海事大学 | 一种莱斯信道下基于低精度adc去蜂窝大规模mimo系统的功率控制方法 |
| CN114629535A (zh) * | 2022-03-14 | 2022-06-14 | 天津大学 | 智能反射面无蜂窝大规模mimo网络容量优化方法 |
| CN114745032A (zh) * | 2022-04-06 | 2022-07-12 | 东南大学 | 一种无蜂窝大规模mimo智能分布式波束选择方法 |
| WO2023027560A1 (ko) * | 2021-08-27 | 2023-03-02 | 삼성전자 주식회사 | 무선 통신 시스템에서 빔 운용 방법 및 장치 |
| CN115865148A (zh) * | 2023-02-20 | 2023-03-28 | 南京信息工程大学 | 一种非理想信道下的去蜂窝mimo鲁棒性波束赋形方法 |
| CN116321236A (zh) * | 2023-04-07 | 2023-06-23 | 重庆邮电大学 | Ris辅助的安全无蜂窝大规模mimo系统能效优化方法 |
| WO2023124453A1 (zh) * | 2021-12-27 | 2023-07-06 | 南京邮电大学 | 一种去蜂窝大规模mimo网络低功耗大连接方法 |
-
2023
- 2023-07-06 CN CN202310824829.2A patent/CN116865798B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9571199B1 (en) * | 2014-05-12 | 2017-02-14 | Google Inc. | In-band control of network elements |
| CN113364501A (zh) * | 2021-06-04 | 2021-09-07 | 大连海事大学 | 一种莱斯信道下基于低精度adc去蜂窝大规模mimo系统的功率控制方法 |
| WO2023027560A1 (ko) * | 2021-08-27 | 2023-03-02 | 삼성전자 주식회사 | 무선 통신 시스템에서 빔 운용 방법 및 장치 |
| WO2023124453A1 (zh) * | 2021-12-27 | 2023-07-06 | 南京邮电大学 | 一种去蜂窝大规模mimo网络低功耗大连接方法 |
| CN114629535A (zh) * | 2022-03-14 | 2022-06-14 | 天津大学 | 智能反射面无蜂窝大规模mimo网络容量优化方法 |
| CN114745032A (zh) * | 2022-04-06 | 2022-07-12 | 东南大学 | 一种无蜂窝大规模mimo智能分布式波束选择方法 |
| CN115865148A (zh) * | 2023-02-20 | 2023-03-28 | 南京信息工程大学 | 一种非理想信道下的去蜂窝mimo鲁棒性波束赋形方法 |
| CN116321236A (zh) * | 2023-04-07 | 2023-06-23 | 重庆邮电大学 | Ris辅助的安全无蜂窝大规模mimo系统能效优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 章嘉懿;: "去蜂窝大规模MIMO系统研究进展与发展趋势", 重庆邮电大学学报(自然科学版), no. 03 * |
| 艾渤;章嘉懿;何睿斯;马国玉;钟章队;: "面向智能高铁业务和应用的5G基础理论与关键技术", 中国科学基金, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116865798B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108777872B (zh) | 一种基于深度q神经网络抗干扰模型的智能抗干扰方法及智能抗干扰系统 | |
| CN109743210B (zh) | 基于深度强化学习的无人机网络多用户接入控制方法 | |
| CN109617590B (zh) | 多输入单输出无线携能通信系统的物理层安全通信方法 | |
| CN113115344B (zh) | 基于噪声优化的无人机基站通信资源分配策略预测方法 | |
| CN113422745B (zh) | 一种基于深度学习的空海无线信道估计方法 | |
| CN109995403A (zh) | 大规模mimo系统中基于模拟退火思想改进的las检测算法 | |
| CN112367638A (zh) | 城市轨道交通车车通信智能频谱选择方法 | |
| CN112702097A (zh) | 一种用于uav辅助蜂窝网络的联合波束成形和功率控制方法 | |
| CN116600267A (zh) | 一种高铁无蜂窝系统中基于深度强化学习的抗多普勒方法 | |
| CN110768704B (zh) | 基于残差神经网络的混合波束赋形矩阵优化方法 | |
| CN116865798B (zh) | 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法 | |
| CN114040415A (zh) | 智能反射面辅助的基于dqn-ddpg的资源分配方法 | |
| CN113162667B (zh) | 混合预编码方法、系统、介质及通信设备 | |
| Tang et al. | Trajectory planning aided unmanned surface vehicle optimization communication method with hierarchical reinforcement learning | |
| CN1281003C (zh) | 基于导频矩阵的时域自适应信道估计方法 | |
| CN108923831B (zh) | 一种发射信号的预编码方法和装置 | |
| CN116684851A (zh) | 基于mappo的多ris辅助车联网吞吐量提升方法 | |
| CN108023843A (zh) | 基于1比特adc的大规模mimo系统的自适应量化信道估计方法 | |
| Zhou et al. | Neural network joint capacity-power control strategy based on NSGAII-BP for interference suppression in LEO satellite uplinks | |
| CN102185808B (zh) | 一种快速收敛的免疫克隆正交小波变换盲均衡方法 | |
| CN103973617A (zh) | 多果蝇群协同优化小波常模盲均衡方法 | |
| Xu et al. | Deep Reinforcement Learning for RIS-Empowered High-Speed Railway Cell-Free Networks | |
| CN117295077B (zh) | 一种多小区协同多址地空数据传输方法 | |
| CN113890797B (zh) | 一种基于短包通信传输过程的信道估计方法 | |
| CN116761150B (zh) | 一种基于ap和star-ris单元选择的高铁无线通信方法 |
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 |