买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种知识驱动深度学习的TSN高维信道快速估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118300927B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410108297.7，技术领域涉及：H04L25/02；该发明授权一种知识驱动深度学习的TSN高维信道快速估计方法是由高镇;王馗宇;张恒玮;乔力;郑德智;王瑞琪;王其飞;万子维;谈树峰;毛天奇设计研发完成，并于2024-01-25向国家知识产权局提交的专利申请。

本一种知识驱动深度学习的TSN高维信道快速估计方法在说明书摘要公布了：本发明涉及一种知识驱动深度学习的TSN高维信道快速估计方法，属于无线通信信道估计技术领域。本发明设计了一种基于知识驱动的GMMV‑LAMP高维信道快速估计网络，以及一种信道估计中的频率选择性的宽带冗余字典设计方法。GMMV‑LAMP网络能够快速、准确地进行宽带高维信道估计。频率选择性的宽带冗余字典，能够在毫米波UM‑MIMO纯远场、近场、远近场混合场景下，精准地获取信道的稀疏域表示，并且克服频率平坦性字典带来的波束斜视效应。本发明通过将冗余字典应用到GMMV‑LAMP网络中，在远、近场混合场景下准确、快速地进行毫米波宽带大规模MIMO信道估计，以发挥毫米波UM‑MIMO技术为TSN带来的低延迟、高带宽等优势。本发明提高了UM‑MIMO高维信道估计的精度，并且具有更快的收敛速度。

本发明授权一种知识驱动深度学习的TSN高维信道快速估计方法在权利要求书中公布了：1.一种知识驱动深度学习的TSN高维信道快速估计方法，其特征在于，包括： 设计一种基于知识驱动的GMMV-LAMP信道快速估计网络，具体如下； 将AMP算法中固定的观测矩阵替换为可训练矩阵B[k]，将确定先验参数θt的收缩函数η·；θt,·改为带有可训练先验非零概率γ与可训练方差ε的MMSE去噪器ηCS·；γ,ε,·； 对AMP算法的每次迭代进行深度展开，对不同的子载波采用不同的观测矩阵，并引入数个全连接层，得到GMMV-LAMP网络； 该网络的输入接收信号Y，输出估计的天线-频率域信道矩阵 GMMV-LAMP网络的计算流程如下： 首先，对矩阵进行初始化，将初始残差V0初始化为接收信号Y，初始稀疏估计Hsparse,0为零矩阵，每个子载波的可训练观测矩阵B[k]被初始化为A[k]； 之后，进行网络迭代求解；网络共有TN层，其中第t层网络的正向传播步骤如下： 第一步：更新第t层网络稀疏矩阵的含噪估计值；对于每个子载波k，计算第t层网络稀疏矩阵的含噪估计值 第二步：更新第t层网络稀疏矩阵的估计值；计算接收时隙上本层网络的输入残差vt-1[k]的平均值与上一步计算得到的含噪估计值输入收缩函数ηCS中，利用公共支撑集稀疏性，计算第t层网络稀疏矩阵估计值 第三步：更新第t网络的残差值vt[k]；根据第k个子载波的接收信号Y[k]，第t层网络稀疏矩阵估计值以及第t-1层网络的残差vt-1[k]，计算本层的残差vt[k]； 第四步：将第t层网络的稀疏域信道估计矩阵变换得到天线-频率域信道矩阵完成本层的正向传播；计算NMSE损失函数，进行反向传播与参数更新；经过TN层网络迭代收敛后，输出估计的天线-频率域信道矩阵在GMMV-LAMP网络中，采用宽带冗余字典的方法，即：对于纯远场、远近混合场及近场情况下使用的宽带冗余字典，通过以下方式生成： 对于纯远场的情况，在每个子载波上采用DFT冗余字典，各个子载波上的DFT冗余字典共同构成宽带冗余字典； 对于近场、远近场混合的情况，宽带冗余字典通过数据驱动深度学习的方法生成，步骤如下： 第一步：在给定的UM-MIMO天线阵列的瑞利距离内，以极坐标的形式，随机生成V个点，V为生成稀疏域矢量的维度，d表示极坐标中的距离，表示极坐标中的方位角； 第二步：将初始坐标带入球面波导向矢量中，计算得到各个子载波上数据驱动宽带冗余字典的初值；将V个点的坐标作为可训练参数，把生成的宽带冗余字典应用到上述GMMV-LAMP网络中，随着GMMV-LAMP网络的训练一并优化更新； 第三步：经过多层网络的迭代更新，得到生成的冗余字典DLearn； 将数据驱动的宽带冗余字典应用到GMMV-LAMP网络中进行信道估计； 其中，根据远场、远近场混合以及近场的不同场景，分别计算纯远场、远近场混合以及近场场景中的GMMV-LAMP网络中的宽带冗余字典，包括以下步骤： 步骤1：生成DFT宽带冗余字典； 当散射体位于纯远场区域，虚拟角度域具有稀疏性；此时，采用DFT冗余字典作为GMMV-LAMP网络中的宽带冗余字典，第k个子载波上的DFT冗余字典DAD[ρ,k]计算方法如下： 其中，ρ表示设定的冗余因子；即阵列远场导向矢量中的替换成0, 步骤2：生成数据驱动的宽带冗余字典初始值； 当散射体位于近场或远、近混合场区域时，信道矩阵虚拟角度域的稀疏性下降； 步骤2.1：随机生成V个点的极坐标0≤v≤V作为初始值，将上述V个点的距离与角度分量组合成可训练向量cd＝[d0,d1,…,dV-1]T与计算得到数据驱动宽带冗余字典的初始值其中数据驱动宽带冗余字典Dlearn的第v列为可训练向量中第v个点的笛卡尔坐标对应的近场导向矢量； 步骤2.2：以上述冗余字典作为初始稀疏域变换字典，计算GMMV-LAMP网络中的观测矩阵： A[k]＝S[k]DLearn[k] 其中，S[k]对UE已知；迭代收敛后，由观测矩阵和S[k]再计算得到DLearn[k]。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。