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！

龙图腾网恭喜东南大学申请的专利一种基于深度学习的毫米波MIMO码本搜索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：CN115801070B 。

龙图腾网通过国家知识产权局官网在2025-04-25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：202210518234.X，技术领域涉及：H04B7/0413；该发明授权一种基于深度学习的毫米波MIMO码本搜索方法是由黄永明;胡梓炜;陆昀程;张铖设计研发完成，并于2022-05-12向国家知识产权局提交的专利申请。

本一种基于深度学习的毫米波MIMO码本搜索方法在说明书摘要公布了：本发明公开了一种基于深度学习的毫米波MIMO码本搜索方法，通过引入深度学习的方法将码本搜索问题转化为了多分类问题，采用了两种模型结构，将问题具体转化为了多标签分类问题与单标签多分类问题。在神经网络的训练阶段，将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引，此索引便为对应信道信息的标签。将信道信息作为深度学习模型的输入，对应的模拟预编码器与组合器的索引作为模型的输出，对深度学习模型进行训练，直到训练完成。本发明不依赖于特定的码本，取得了接近于码本遍历方法的频谱效率，且能有效的减少计算复杂度，提高系统实时性。

本发明授权一种基于深度学习的毫米波MIMO码本搜索方法在权利要求书中公布了：1.一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，所述码本搜索方法包括如下步骤：步骤S1、构建用于训练码本搜索深度神经网络模型的训练集，该训练集包括：在发射端采集到的发射端与接收端之间的信道信息，以及该信道信息对应的标签，其中，该标签为将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引；所述被训练的码本搜索深度神经网络模型包括：单标签多分类模型和多标签多分类模型；步骤S2、对步骤S1中构建的训练集，执行预处理操作；步骤S3、使用经过预处理之后的训练集对码本搜索深度神经网络模型进行训练，其中，以预处理好的的信道信息作为模型输入，以对应的模拟预编码器与组合器的索引形式作为模型的输出；分别对单标签多分类模型和多标签多分类模型进行训练；步骤S4、将训练好的码本搜索深度神经网络模型上线进行运行使用；在所述步骤S1中，针对一个毫米波MIMO通信系统，在其发射端配备有一条射频电路与Nt根发射天线，相应的，在其接收端配备有一条射频电路与Nr根接收天线；在毫米波频段的无线通信场景下，采用Saleh-Valenzuela模型的窄带集群信道来模拟发射端和接收端之间的传输环境，则从发射端到接收端的信道矩阵表示为： 公式中，L代表散射路径数，αl代表第l条路径的复数增益，增益是独立且均匀分布的复高斯随机变量，其为零均值和单位方差；与分别代表第l条路径的到达角与离开角，与分别表示收发端的天线阵列响应向量；在所述步骤S1中，所述将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引，其具体包括：步骤S101、初始化频谱效率值为R＝0，最佳的模拟预编码器与组合器的索引为p1＝0,p2＝0；模拟预编码码本码字集合为W＝{w0,…,wm,…,wM-1}，总共有M个码字，当前选择的码字索引为m；判断m＜M，若为真执行步骤S102，若为假执行步骤S104；步骤S102、模拟组合器码本码字集合为F＝{f0,…,fn,…,fN-1}，总共有N个码字，当前选择的码字索引为n；判断n＜N，若为真执行步骤S103，若为假执行步骤S101；步骤S103、计算其中，γ为信噪比，H为发射端到接收端的信道矩阵，fn为模拟预编码向量，wm为模拟组合器向量；执行判断Rn＜R，若为假，记录下此时得模拟预编码码字索引以及模拟组合器码本索引，使得p1＝m,p2＝n，且R＝Rn，再执行步骤S102；若为真，执行步骤S104；步骤S104、得到最佳的模拟预编码器与组合器的索引p1与p2；在所述步骤S2中，针对信道信息，具体执行如下的预处理：步骤S201、将发射端与接收端之间的信道向量H的实部与虚部分别取出，然后横向拼接合并成一个新的向量，表示为：Hn＝[ReHn,ImHn]在公式中，Re·，Im·分别表示取实部与虚部，Hn是经过第一步预处理后的新矩阵；步骤S202、将Hn经过Flatten函数将Hn从多维变为一维hn；在所述步骤S2中，针对标签，具体执行如下的预处理：假设预编码器码本码字总数量为T，组合器码本码字总数量为R；在单标签多分类模型中，其具有两个输出通道，输出通道数分别为T与R；单标签多分类模型的预编码器与组合器的设置是相同的，针对预编码器，具体设置如下：码本的每一个码字对应于1个标签，即标签总数为发射端码本码字的数量T，且深度学习模型输出通道数量等于码本码字数量；将在步骤S1中所得到模拟预编码器索引的位置设置为1，其他设置为0；在多标签分类模型中，其输出通道数为T+R个，则具体设置如下：将在步骤S1中所得到模拟预编码器与组合器索引的位置设置为1，其他位置设置为0，即前T个序列上只有一个位置为1，后R个序列上也只有一个位置为1；所述的单标签多分类模型为一个单输入多输出模型，输入为预处理之后的信道状态信息，有两个输出，训练阶段时，分别为单标签多分类模型的预编码器与组合器的设置；网络总共由三层结构组成，前两层的激活函数为Relu，其输出分别通过两个输出层输出，其激活函数都为Softmax函数；模型的Loss函数为categorical_crossentropy： 在公式中，N代表代表样本总数，yn与分别是真实值与预测值；所述多标签多分类模型为单输入单输出模型，输入为预处理之后的信道状态信息，训练阶段时，输出为多标签分类模型预编码器与组合器的设置；网络由三层结构组成，前两层的激活函数为relu，最后一层的激活函数为sigmiod函数；模型的Loss函数为binary_crossentropy： 在公式中，N代表代表样本总数，yn与分别是真实值与预测值。

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东南大学，其通讯地址为：211189 江苏省南京市江宁区东南大学路2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”。