申请/专利权人：东南大学

申请日：2022-11-16

公开（公告）日：2023-03-17

公开（公告）号：CN115811744A

主分类号：H04W16/28

分类号：H04W16/28;G06N3/08;G06N3/0464;H04W24/02;H04W24/08;H04L5/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.04.04#实质审查的生效;2023.03.17#公开

摘要：本发明公开一种基于深度学习的上行超大规模智能反射表面波束训练方法。基站端构建并训练以深度残差网络为基础的Resnet估计模型。基于训练好的Resnet估计模型，基站端可以仅依据部分码字的接收信号就能准确估计出近场码本中的最优码字。因此在用户发送导频的阶段，超大规模智能反射表面仅需要测试部分的码字，从而大幅减少了导频开销。最后，基于估计概率的额外码字测试可以大幅提高最优码字的估计精度。本发明通过利用深度残差网络，在仅测试部分码字的基础上估计出最优码字，在减少导频开销的同时提高了估计精度。

主权项：1.一种基于深度学习的上行超大规模智能反射表面波束训练方法，其特征在于，包括如下步骤：步骤S1、基站端构建并训练以深度残差网络为基础的Resnet估计模型，获得模型参数；步骤S2、基站配置有M根天线，超大规模智能反射表面配置有N个可重构反射相位的反射单元，用户配置单根天线；用户向超大智能反射表面发送导频信号，超大智能反射表面选择预定义码本中的部分码字来构成反射相位系数并反射导频信号到基站端；基站端获得相应的部分码字的接收信号并将其构成向量形式；步骤S3、基站端将获得的接收信号向量输入到Resnet估计模型，输出得到码本中每个码字的估计概率，估计概率越大，该码字为最优码字的可能性越大；步骤S4、基站端基于估计概率对所有码字降序排列，并将估计概率靠前的码字序号通过单独的控制链路反馈给超大规模智能反射表面，超大规模智能反射表面对基站端传达的码字进行额外测试，基站端通过测量信号能量得到最终的最优码字；步骤S5、基站端将计算所得的最优码字序号通过单独的控制链路反馈给超大规模智能反射表面，超大规模智能表面以最优码字构建相位系数，进行上行链路的信号传输。

全文数据：

权利要求：

百度查询： 东南大学 基于深度学习的上行超大规模智能反射表面波束训练方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD