申请/专利权人:南通大学
申请日:2022-06-15
公开(公告)日:2022-09-20
公开(公告)号:CN115085782A
主分类号:H04B7/0456
分类号:H04B7/0456;H04B7/06;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2023.06.16#授权;2022.10.11#实质审查的生效;2022.09.20#公开
摘要:本发明公开了基于深度学习的智能反射面联合反馈和混合预编码方法,离线训练阶段中,首先根据信道计算模拟、数字预编码矩阵,并输入深度学习模型训练,然后将模型的信道压缩网络和混合预编码网络分别部署在用户端和基站端。在线预测阶段中,用户端将实时信道输入信道压缩网络,并将压缩信息反馈回基站端,基站端将反馈信息输入混合预编码网络,得到模拟、数字预编码矩阵,然后根据数字预编码矩阵对发送信号进行数字预编码,将数字预编码信号通过馈源传输至智能反射面,智能反射面根据模拟预编码矩阵对数字预编码信号进行相移处理,并发送至用户端。本发明利用深度学习技术,实现多用户的信道反馈和基于智能反射面的混合预编码,降低系统的功耗。
主权项:1.基于深度学习的智能反射面联合反馈和混合预编码方法,由离线训练阶段和在线预测阶段两部分实现;其特征在于,离线训练阶段包括如下步骤:S11:用户端接收到信道状态信息,根据信道计算基站的数字预编码矩阵和智能反射面的模拟预编码矩阵;S12:构建智能反射面的联合反馈和混合预编码的深度学习模型,将信道和基站的数字预编码矩阵、智能反射面的模拟预编码矩阵制作成数据集,对智能反射面的联合反馈和混合预编码的深度学习模型进行训练;S13:将训练完成的智能反射面的联合反馈和混合预编码的深度学习模型拆分为混合预编码网络和K个信道压缩网络,其中混合预编码网络为智能反射面的联合反馈和混合预编码的深度学习模型的4-10层,第k个信道压缩网络为智能反射面的联合反馈和混合预编码的深度学习模型中1-3层的K个网络中的第k个网络,k=1,...,K,K为用户数,将K个信道压缩网络及其权重依次部署在K个用户端,将混合预编码网络及其权重部署在基站端;在线预测阶段包括如下步骤:S21:K个用户端获取实时的信道状态信息,将实时信道输入信道压缩网络,得到压缩的信道状态信息,并反馈回基站端;S22:基站端将K个用户的反馈信息输入混合预编码网络,根据混合预编码网络的输出得到数字预编码矩阵和模拟预编码矩阵,将模拟预编码矩阵通过馈源传输至智能反射面;S23:基站端根据数字预编码矩阵对发送信号进行数字预编码,得到数字预编码信号;S24:将数字预编码信号通过馈源传输至智能反射面的子表面上,子表面上的无源反射元件根据模拟预编码矩阵对数字预编码信号进行相移处理,并将相移后的信号发送至用户端。
全文数据:
权利要求:
百度查询: 南通大学 基于深度学习的智能反射面联合反馈和混合预编码方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。