CN117377062B - 一种利用通道状态信息进行定位的机器学习样本增强方法 - Google Patents

一种利用通道状态信息进行定位的机器学习样本增强方法 Download PDF

Info

Publication number
CN117377062B
CN117377062B CN202311479477.8A CN202311479477A CN117377062B CN 117377062 B CN117377062 B CN 117377062B CN 202311479477 A CN202311479477 A CN 202311479477A CN 117377062 B CN117377062 B CN 117377062B
Authority
CN
China
Prior art keywords
machine learning
state information
channel state
data
enhancement method
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
CN202311479477.8A
Other languages
English (en)
Other versions
CN117377062A (zh
Inventor
龙真真
刘德生
王斌
王微
周宇
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.)
Zhongke Jingrui Suzhou Technology Co ltd
Original Assignee
Zhongke Jingrui Suzhou 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 Zhongke Jingrui Suzhou Technology Co ltd filed Critical Zhongke Jingrui Suzhou Technology Co ltd
Priority to CN202311479477.8A priority Critical patent/CN117377062B/zh
Publication of CN117377062A publication Critical patent/CN117377062A/zh
Application granted granted Critical
Publication of CN117377062B publication Critical patent/CN117377062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/09—Supervised learning
    • 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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Radio Transmission System (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种利用通道状态信息进行定位的机器学习样本增强方法，涉及室内定位技术领域，所述利用通道状态信息进行定位的机器学习样本增强方法包括下述操作步骤：S1、数据集设置；S2、正交分频复用；S3、天线信号计算；S4、AP随机偏移；S5、模拟测量设备的实际波动；S6、机器学习。该利用通道状态信息进行定位的机器学习样本增强方法，通过针对每个AP为来自用户设备的每个记录的信号添加一个独立的相移和独立的振幅来生成增强的CSI数据，以更加接近真实情况，由此将特定幅度随机添加至测量设备的测量结果中，有利于为训练提供了更多数据，并有效降低样本需求从而降低样本采集成本。

Description

一种利用通道状态信息进行定位的机器学习样本增强方法
技术领域
本发明涉及室内定位技术领域，具体为一种利用通道状态信息进行定位的机器学习样本增强方法。
背景技术
在室内环境无法使用卫星定位时，使用室内定位技术作为卫星定位的辅助定位，解决卫星信号到达地面时较弱、不能穿透建筑物的问题，最终定位物体当前所处的位置，而当今使用机器学习实现准确室内定位的有效方法之
当前，机器学习需要大型数据集来训练神经网络，室内定位相关的数据收集的成本很高，制作数据集需要针对不同的室内环境进行大量测量和标记，而机器学习模型的效果和样本的数量有着直接的关系，若缺乏充分的样本训练，模型不可能获得很好效果。
于是，有鉴于此，针对现有的结构及缺失予以研究改良，提出一种利用通道状态信息进行定位的机器学习样本增强方法。
发明内容
针对现有技术的不足，本发明提供了一种利用通道状态信息进行定位的机器学习样本增强方法，解决了上述背景技术中提出的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种利用通道状态信息进行定位的机器学习样本增强方法，所述利用通道状态信息进行定位的机器学习样本增强方法包括下述操作步骤：
S1、数据集设置：
设置数据集D即原始数据集DS，数据集D包含N个样本以及承载数据的子载波，且一共有N个AP，而且每个AP有N个RX天线，而CSI在多天线系统下其数据是个矩阵；
S2、正交分频复用：
采用正交分频复用将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输，有m个子载波承载数据；
S3、天线信号计算：
任一AP的某一个天线信号的计算公式如下：
Rk，j(fm；i)＝hk，j(fm)+nk，j；
S4、AP随机偏移：
在无线系统中，不同AP的时钟会受到相位噪声和漂移的影响，由于相位的偏移相对独立，因此让每个AP为来自用户设备的每个记录的信号添加一个独立的相移来生成增强的CSI数据；
S5、模拟测量设备的实际波动：
随机相位向量ejR乘以每个对应AP的信道响应矩阵，形状是[M，NRX]，ejR乘以信道响应矩阵的操作称之为矩阵乘以表示，且每个来自同一AP的样本，都添加相同振幅对应步骤S3信道响应公式中的振幅αl，通过添加随机波动模拟测量设备引起的实际波动；
S6、机器学习：
控制变量自增，设置控制变量i＝1，j＝1，输入参数，参数包括总数N，NAP即总数为N的AP，需要增强的目标数据集总数M，目标数据集DT，DT的初始值为DS。
进一步的，所述步骤S1中，AP即无线接入点，而CSI即信道状态信息。
进一步的，所述步骤S2中，m个子载波承载数据中不包含导频和保护频带的子载波。
进一步的，所述步骤S3中，Rk，j表示接收的第K个AP的第j根天线的信号；
K的范围{1，NAP}，j的范围{1，NRX}；
从位置i传输信号(signal)的频率为fm的子载波，记做si(fm)；
i属于{1，N}，m属于{1，M}；
hk，j(fm)表示第K个AP的第j个天线的第m个子载波的信道频率响应；
其中nk，j是高斯分布的噪音。
进一步的，所述步骤S4中，噪声和漂移在AP之间独立，且与用户设备的相位无关。
进一步的，所述步骤S4中，相位偏移对于连接同一个AP的不同连接设备来说是一样的，因为这个偏移都来自同一个物理设备。
进一步的，所述步骤S5中，的值属于参数，需根据实际情况自行设定，单位为dB。
进一步的，所述步骤S6中，输入的参数数据均为矩阵形态。
一种利用通道状态信息进行定位的机器学习样本增强方法，所述利用通道状态信息进行定位的机器学习样本增强方法用于降低对原始样本的需求。
本发明提供了一种利用通道状态信息进行定位的机器学习样本增强方法，具备以下有益效果：
该利用通道状态信息进行定位的机器学习样本增强方法，通过针对每个AP为来自用户设备的每个记录的信号添加一个独立的相移和独立的振幅来生成增强的CSI数据，这个相位偏移对于连接同一个AP的不同连接设备来说是一样的，以更加接近真实情况，由此将特定幅度随机添加至测量设备的测量结果中，有利于为训练提供了更多数据，并有效降低样本需求从而降低样本采集成本。
附图说明
图1为本发明一种利用通道状态信息进行定位的机器学习样本增强方法的操作步骤流程示意图；
图2为本发明一种利用通道状态信息进行定位的机器学习样本增强方法的操作逻辑流程示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
如图1所示，本发明提供技术方案：一种利用通道状态信息进行定位的机器学习样本增强方法，所述利用通道状态信息进行定位的机器学习样本增强方法包括下述操作步骤：
S1、数据集设置：
设置数据集D即原始数据集DS，数据集D包含N个样本以及承载数据的子载波，且一共有N个AP，而且每个AP有N个RX天线，而CSI在多天线系统下其数据是个矩阵，其中，AP即无线接入点，而CSI即信道状态信息；
S2、正交分频复用：
采用正交分频复用将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输，有m个子载波承载数据，而m个子载波承载数据中不包含导频和保护频带的子载波；
S3、天线信号计算：
任一AP的某一个天线信号的计算公式如下：
Rk，j(fm；i)＝hk，j(fm)+nk，j；
其中，Rk，j表示接收的第K个AP的第j根天线的信号；
K的范围{1，NAP}，j的范围{1，NRX}；
从位置i传输信号(signal)的频率为fm的子载波，记做si(fm)；
i属于{1，N}，m属于{1，M}；
hk，j(fm)表示第K个AP的第j个天线的第m个子载波的信道频率响应；
其中nk，j是高斯分布的噪音；
S4、AP随机偏移：
在无线系统中，不同AP的时钟会受到相位噪声和漂移的影响，由于相位的偏移相对独立，因此让每个AP为来自用户设备的每个记录的信号添加一个独立的相移来生成增强的CSI数据；
其中，噪声和漂移在AP之间独立，且与用户设备的相位无关，相位偏移对于连接同一个AP的不同连接设备来说是一样的，因为这个偏移都来自同一个物理设备；
S5、模拟测量设备的实际波动：
随机相位向量ejR乘以每个对应AP的信道响应矩阵，形状是[M，NRX]，ejR乘以信道响应矩阵的操作称之为矩阵乘以表示，且每个来自同一AP的样本，都添加相同振幅对应步骤S3信道响应公式中的振幅αl，通过添加随机波动模拟测量设备引起的实际波动，而/>的值属于参数，需根据实际情况自行设定，单位为dB；
S6、机器学习：
控制变量自增，设置控制变量i＝1，j＝1，输入参数，参数包括总数N，NAP即总数为N的AP，需要增强的目标数据集总数M，目标数据集DT，DT的初始值为DS，输入的参数数据均为矩阵形态。
一种利用通道状态信息进行定位的机器学习样本增强方法，所述利用通道状态信息进行定位的机器学习样本增强方法用于降低对原始样本的需求。
如图2所示，{Xi，Yi}是数据集N个样本中的第i个，Xi是一个向量Rd(d维的实数向量)，包含CSI的信息.维数d取决于多个因素，例如锚点的数量、接收天线的数量、子载波的数量等，复值CSI数据可以拆分为实数和复数部分，然后连接为实数向量，作为神经网络中的输入张量tensor，Yi是用户设备的位置信息，作为监督学习的训练样本，Yi属于标记数据，Yi属于需要预测的数据，可以是一个标量或者向量；
在无线系统中，不同AP的时钟会受到相位噪声和漂移的影响，这些噪声和漂移在AP之间独立，且与用户设备的相位无关，于相位的偏移相对独立，让每个AP为来自用户设备的每个记录的信号添加一个独立的相移来生成增强的CSI数据，这个相位偏移，对于连接同一个AP的不同连接设备来说是一样的，因为这个偏移都来自同一个物理设备；
操作表示矩阵乘，随机相位向量ejR乘以每个对应AP的信道响应矩阵，形状是[M，NRX]，针对相位偏移做增强，之后再针对潜在的振幅波动做增强，对于每个AP，生成一个随机的/>a的值属于参数需自行设定，单位dB，通过添加这种随机波动，模拟测量设备引起的实际波动，与随机噪声注入有根本不同，对应信道响应公式里的振幅αl；
由此该利用通道状态信息进行定位的机器学习样本增强方法通过针对每个AP为来自用户设备的每个记录的信号添加一个独立的相移和独立的振幅来生成增强的CSI数据，这个相位偏移对于连接同一个AP的不同连接设备来说是一样的，以更加接近真实情况，由此将特定幅度随机添加至测量设备的测量结果中，有利于为训练提供了更多数据，并有效降低样本需求从而降低样本采集成本。
综上，如图1-图2所示，该利用通道状态信息进行定位的机器学习样本增强方法，使用时，首先设置数据集D即原始数据集DS，数据集D包含N个样本以及承载数据的子载波，且一共有N个AP，而且每个AP有N个RX天线，而cSI在多天线系统下其数据是个矩阵，其中，AP即无线接入点，而CSI即信道状态信息；
采用正交分频复用将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输，有m个子载波承载数据，而m个子载波承载数据中不包含导频和保护频带的子载波；
任一AP的某一个天线信号的计算公式如下：
Rk，j(fm；i)＝hx，j(fm)+nk，j；
其中，Rk，j表示接收的第K个AP的第j根天线的信号；K的范围{1，NAP}，j的范围{1，NRX}；从位置i传输信号(signal)的频率为fm的子载波，记做si(fm)；i属于{1，N}，m属于{1，M}；hk，j(fm)表示第K个AP的第j个天线的第m个子载波的信道频率响应；其中nk，j是高斯分布的噪音；
在无线系统中，不同AP的时钟会受到相位噪声和漂移的影响，由于相位的偏移相对独立，因此让每个AP为来自用户设备的每个记录的信号添加一个独立的相移来生成增强的CSI数据；其中，噪声和漂移在AP之间独立，且与用户设备的相位无关，相位偏移对于连接同一个AP的不同连接设备来说是一样的，因为这个偏移都来自同一个物理设备；
随机相位向量ejR乘以每个对应AP的信道响应矩阵，形状是[M，NRX]，ejR乘以信道响应矩阵的操作称之为矩阵乘以表示，且每个来自同一AP的样本，都添加相同振幅对应步骤S3信道响应公式中的振幅αl，通过添加随机波动模拟测量设备引起的实际波动，而a的值属于参数，需根据实际情况自行设定，单位为dB；
控制变量自增，设置控制变量i＝1，j＝1，输入参数，参数包括总数N，NAP即总数为N的AP，需要增强的目标数据集总数M，目标数据集DT，DT的初始值为DS，输入的参数数据均为矩阵形态。
本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (8)

1.一种利用通道状态信息进行定位的机器学习样本增强方法，其特征在于：所述利用通道状态信息进行定位的机器学习样本增强方法包括下述操作步骤：
S1、数据集设置：
设置数据集D即原始数据集DS，数据集D包含N个样本以及承载数据的子载波，且一共有N个AP，而且每个AP有N个RX天线，而CSI在多天线系统下其数据是个矩阵；
S2、正交分频复用：
采用正交分频复用将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输，有m个子载波承载数据；
S3、天线信号计算：
任一AP的某一个天线信号的计算公式如下：
Rk，j(fm；i)＝hk，j(fm)+nk，j；
其中，Rk，j表示接收的第K个AP的第j根天线的信号；
K的范围{1，NAP}，j的范围{1，NRX}；
从位置i传输信号(signal)的频率为fm的子载波，记做si(fm)；
i属于{1，N}，m属于{1，M}；
hk，j(fm)表示第K个AP的第j个天线的第m个子载波的信道频率响应；
其中nk，j是高斯分布的噪音；
S4、AP随机偏移：
在无线系统中，不同AP的时钟会受到相位噪声和漂移的影响，由于相位的偏移相对独立，因此让每个AP为来自用户设备的每个记录的信号添加一个独立的相移来生成增强的CSI数据；
S5、模拟测量设备的实际波动：
随机相位向量ejR乘以每个对应AP的信道响应矩阵，形状是[M，NRX]，ejR乘以信道响应矩阵的操作称之为矩阵乘以表示，且每个来自同一AP的样本，都添加相同振幅对应步骤S3信道响应公式中的振幅αl，通过添加随机波动模拟测量设备引起的实际波动；
S6、机器学习：
控制变量自增，设置控制变量i＝1，j＝1，输入参数，参数包括总数N，NAP即总数为N的AP，需要增强的目标数据集总数M，目标数据集DT，DT的初始值为DS。
2.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法，其特征在于：所述步骤S1中，AP即无线接入点，而CSI即信道状态信息。
3.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法，其特征在于：所述步骤S2中，m个子载波承载数据中不包含导频和保护频带的子载波。
4.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法，其特征在于：所述步骤S4中，噪声和漂移在AP之间独立，且与用户设备的相位无关。
5.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法，其特征在于：所述步骤S4中，相位偏移对于连接同一个AP的不同连接设备来说是一样的，因为这个偏移都来自同一个物理设备。
6.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法，其特征在于：所述步骤S5中，的值属于参数，单位为dB。
7.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法，其特征在于：所述步骤S6中，输入的参数数据均为矩阵形态。
8.根据权利要求1-7任一项所述的一种利用通道状态信息进行定位的机器学习样本增强方法，其特征在于：所述利用通道状态信息进行定位的机器学习样本增强方法用于降低对原始样本的需求。
CN202311479477.8A 2023-11-08 2023-11-08 一种利用通道状态信息进行定位的机器学习样本增强方法 Active CN117377062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311479477.8A CN117377062B (zh) 2023-11-08 2023-11-08 一种利用通道状态信息进行定位的机器学习样本增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311479477.8A CN117377062B (zh) 2023-11-08 2023-11-08 一种利用通道状态信息进行定位的机器学习样本增强方法

Publications (2)

Publication Number Publication Date
CN117377062A CN117377062A (zh) 2024-01-09
CN117377062B true CN117377062B (zh) 2024-04-09

Family

ID=89389198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311479477.8A Active CN117377062B (zh) 2023-11-08 2023-11-08 一种利用通道状态信息进行定位的机器学习样本增强方法

Country Status (1)

Country Link
CN (1) CN117377062B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008062131A1 (fr) * 2006-11-24 2008-05-29 France Telecom Procedes et modules d'emission/reception pour un systeme multi-antennes multi-porteuses a sequence d'apprentissage
WO2018119949A1 (zh) * 2016-12-29 2018-07-05 深圳天珑无线科技有限公司 信道状态信息相位的校正方法及装置
CN111854732A (zh) * 2020-07-27 2020-10-30 天津大学 一种基于数据融合和宽度学习的室内指纹定位方法
CN112147573A (zh) * 2020-09-14 2020-12-29 山东科技大学 一种基于csi的幅值和相位信息的无源定位方法
KR20210082749A (ko) * 2019-12-26 2021-07-06 한국과학기술원 실내측위장치 및 실내측위방법
CN114844538A (zh) * 2022-04-29 2022-08-02 东南大学 一种基于宽学习的毫米波mimo用户增量协作波束选择方法
CN117014256A (zh) * 2023-08-04 2023-11-07 同济大学 一种基于波束倾斜效应的宽带毫米波mimo-ofdm系统信道估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008062131A1 (fr) * 2006-11-24 2008-05-29 France Telecom Procedes et modules d'emission/reception pour un systeme multi-antennes multi-porteuses a sequence d'apprentissage
WO2018119949A1 (zh) * 2016-12-29 2018-07-05 深圳天珑无线科技有限公司 信道状态信息相位的校正方法及装置
KR20210082749A (ko) * 2019-12-26 2021-07-06 한국과학기술원 실내측위장치 및 실내측위방법
CN111854732A (zh) * 2020-07-27 2020-10-30 天津大学 一种基于数据融合和宽度学习的室内指纹定位方法
CN112147573A (zh) * 2020-09-14 2020-12-29 山东科技大学 一种基于csi的幅值和相位信息的无源定位方法
CN114844538A (zh) * 2022-04-29 2022-08-02 东南大学 一种基于宽学习的毫米波mimo用户增量协作波束选择方法
CN117014256A (zh) * 2023-08-04 2023-11-07 同济大学 一种基于波束倾斜效应的宽带毫米波mimo-ofdm系统信道估计方法

Also Published As

Publication number Publication date
CN117377062A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
Jiang et al. Deep neural networks for channel estimation in underwater acoustic OFDM systems
CN103298124A (zh) 基于空间正交性的大规模mimo系统导频分配方法
CN109104252A (zh) 多输入多输出方式系统的测试装置以及测试方法
CN113542162B (zh) 基于块稀疏贝叶斯算法的上下链路通信感知一体化方法
CN104683051B (zh) 一种无线多径衰落信道仿真方法及信道仿真器
CN105141562B (zh) 通信系统及其同步方法
CN105022034B (zh) 集中式mimo雷达的发射ofdm波形的优化设计方法
CN104243387B (zh) 一种ofdm系统的通道校正方法及装置
CN110213185A (zh) 一种基于原子范数最小化的三维信道参数估计方法
US20170265202A1 (en) Time domain pilot of single-carrier mimo system and synchronization method thereof
Wu et al. Joint optimization of PAPR reduction based on modified TR scheme for MIMO-OFDM radar
CN103139111B (zh) 一种ofdm系统中的低复杂度信号检测方法和设备
CN117377062B (zh) 一种利用通道状态信息进行定位的机器学习样本增强方法
CN101895487B (zh) 基于置信度的抑制信道估计结果中噪声的方法及装置
CN101989971B (zh) 一种带外功率抑制方法及装置
CN104243366B (zh) 一种多用户接入下的频偏估计方法和装置
CN105182278A (zh) 一种基于sc-fdma符号的lte上行信号doa估计方法
CN102487364B (zh) 一种信道估计方法及装置
CN105827274A (zh) 一种无线信号的干扰抑制方法和系统
WO2022248446A1 (en) Transmitter and receiver for and method of transmitting and receiving symbols over an orthogonal time frequency space communication channel subject to doppler spread and multipath
CN108206718A (zh) 多输入多输出方式系统的测试装置以及测试方法
CN101997805B (zh) 导频符号的处理方法和装置
Chen et al. Estimation of Pilot-assisted OFDM Channel Based on Multi-Resolution Deep Neural Networks
Lai et al. Basis expansion model for fast time-varying channel estimation in high mobility scenarios
CN103973603A (zh) 一种信道估计方法和装置

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