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！

龙图腾网获悉东南大学申请的专利低空立体覆盖场景下网络辅助全双工模式优化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：CN116437370B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202310413764.2，技术领域涉及：H04W24/02；该发明授权低空立体覆盖场景下网络辅助全双工模式优化方法是由李佳珉;刘蕊;潘琪君;王东明;朱鹏程;尤肖虎设计研发完成，并于2023-04-18向国家知识产权局提交的专利申请。

本低空立体覆盖场景下网络辅助全双工模式优化方法在说明书摘要公布了：本发明公开了低空立体覆盖场景下网络辅助全双工模式优化方法，该方法针对低空立体覆盖中用户上下行数据需求不同的实际问题，设计了上行P‑MMSE接收机和下行P‑RZF预编码进行可扩展的联合传输，确定了基于香农信道理论的上行频谱效率和基于有限块长机制的下行频谱效率，并给出了基于DQN强化学习算法的RRU上下行链路选择方法。本发明提出的双工模式优化方法在满足下行短包传输的差错概率和传输功率的约束下，实现了系统频谱效率最大化。

本发明授权低空立体覆盖场景下网络辅助全双工模式优化方法在权利要求书中公布了：1.一种低空立体覆盖场景下网络辅助全双工模式优化方法，其特征在于，包括如下步骤： 步骤S1，在网络辅助全双工CFRAN系统中，基于以用户为中心的关联策略，考虑非理想信道状态信息，设计PRZF下行预编码向量，确定下行CNPC链路下基于有限块长机制传输的频谱效率； 步骤S2，根据步骤S1中采用的P-RZF下行预编码，考虑存在残余下行干扰的情况，设计上行PMMSE接收机，确定上行有效载荷通信下基于香农信道理论的频谱效率； 步骤S3，根据步骤S2中的结果，设计上下行频谱效率联合优化问题，基于DQN强化学习算法原理确定系统状态函数、动作函数和奖励函数； 步骤S4，根据步骤S3设计的联合优化问题，利用智能DQN算法求解，保存算法最后的状态集和奖励，作为最优的RRU双工模式和最大化的系统频谱效率； 其中： 所述步骤S1，其具体包括： 步骤S101，考虑在一个低空覆盖的CFRAN系统中，配备有一个CCU，若干UCDU和交换机，个具有缓存和计算能力的EDU，个配置有根天线的双工RRU，假设个为上行接收RRU，个为下行发送RRU，个无人机和地面用户，用户位置均随机分布，其中个为上行发送用户，个为下行接收用户；系统中每个RRU都可以根据用户需求分别选择上行接收或者下行发送，通过EDU和UCDU选择合适的模式，在下行传输阶段，第个用户接收到的信号为： 1， 在公式1中，表示下行RRU与第个下行活跃用户之间的关联向量，表示下行RRU与下行活跃用户之间的信道向量，为第个下行RRU与第个下行活跃用户之间的信道向量，是下行发送RRU与第个下行用户之间的信道预编码，为下行RRU给第个下行活跃用户发送的信号，是下行发送RRU与下行用户之间的信道预编码，为下行RRU给下行活跃用户发送的信号，表示第个上行活跃用户的传输功率，为第个上行发送用户到第个下行接收用户间的交叉链路干扰，为第个上行活跃用户发送的信号，满足，为复加性高斯白噪声； 每个下行传输RRU满足的功率约束为： 2， 在公式2中，为第个下行传输RRU的预编码矩阵，为每根天线的功率约束，为第列不为零的单位矩阵； 步骤S102，在边缘分布单元EDU上采用可扩展的PRZF线性预编码消除用户间干扰，下行发送RRU到第个下行接收用户的P-RZF预编码向量为： 3， 4， 在公式3和公式4中，是一个满足功率约束公式2得到的归一化系数，，表示与下行用户关联到部分相同RRU的下行用户集合，则表示集合中的所有用户到下行RRU的信道估计矩阵，表示正则化系数，表示阶单位矩阵，为第个下行传输RRU的P-RZF预编码矩阵； 步骤S103，在无人机下行CNPC链路中，采用短报文控制信令以满足低时延高可靠的传输需求，基于公式3中的PRZF下行预编码，确定在有限块长机制FBLC下第个下行用户的频谱效率为： 5， 6， 在公式5和公式6中，为导频估计序列的长度，是相干时隙，是下行用户的P-RZF预编码向量，是下行用户的P-RZF预编码向量，是下行用户的信干噪比，是信道散射，是块差错概率，是自然对数，是标准高斯随机变量的互补累积分布函数Q-函数的逆函数，是每个信道使用的比特数，表示系统带宽，表示下行噪声功率； 所述步骤S2，其具体包括： 步骤S201，在低空立体覆盖CFRAN系统中，通过EDU间的协作对上行基带信号和下行基带信号进行协作处理，缓解RRU间下行链路对上行链路的干扰；当下行传输采用上述P-RZF预编码时，考虑不完全信道状态信息，下行RRU到上行RRU的信道干扰不能完全消除；在上行传输阶段，第个EDU接收到的信号为： 7， 在公式7中，表示第个EDU和RRU之间的关联向量，表示上行活跃用户与上行RRU之间的关联向量，表示上行活跃用户与上行RRU之间的关联向量，为第个上行活跃用户到上行接收RRU之间的信道向量，为第个上行活跃用户到上行接收RRU之间的信道向量，表示第个上行活跃用户的传输功率，表示第个上行活跃用户的传输功率，为第个上行活跃用户发送的信号，为第个上行活跃用户发送的信号，为下行RRU与上行RRU之间信道的估计误差，是第个下行用户的P-RZF预编码向量，为第个下行活跃用户的传输信号，为残余干扰项，为复加性高斯白噪声； 步骤S202，在接收端采用可拓展的P-MMSE接收机，第个上行用户的接收向量表示为： 8， 9， 在公式8和公式9中，定义表示残余干扰和噪声的协方差矩阵，为上行活跃用户与上行RRU之间的信道估计矩阵，表示与上行用户关联到部分相同RRU的所有上行用户的集合，为集合中上行活跃用户到上行RRU之间的信道估计矩阵，表示与上行用户关联到部分相同RRU的所有下行用户的集合，表示阶单位矩阵，表示上行噪声功率； 步骤S203，无人机用户的上行传输主要为有效载荷通信，对信道容量和数据传输速率需求大，因此采用传统香农信道理论对频谱效率进行分析；采用公式8中的PMMSE上行接收机，确定第个上行用户的频谱效率为： 10， 11， 在公式10和公式11中，为导频估计序列的长度，是相干时隙，是第个上行用户的信干噪比，表示EDU和RRU之间的关联矩阵； 所述步骤S3，其具体包括： 步骤S301，在网络辅助全双工系统中，单个基站只需要实现半双工功能，根据无人机和地面用户的实时需求，进行RRU上下行的灵活调度，节省资源开销，提升系统性能，设定上行频谱效率的优化目标： 12， 在公式12中，，，为可以提供上下行选择的RRU的总数，和表示第个RRU的上下行选择，当时，，则第个RRU负责上行传输，反之，当时，，则第个RRU为负责下行传输，每个RRU只能选择一种模式，表示上行用户的信干噪比，表示上行用户需要达到的最小信干噪比，表示第个上行活跃用户的传输功率，为用户上行传输功率的最大值； 步骤S302，设定基于有限块长传输机制的下行频谱效率的优化目标： 13， 在公式13中，表示下行用户的信干噪比，表示下行用户需要达到的最小信干噪比，表示块差错概率，表示可以容忍的最大差错概率，是下行发送RRU与第个下行用户之间的信道预编码，为下行用户传输功率的阈值，表示第个下行活跃用户的传输功率； 步骤S303，在网络辅助全双工CF-RAN系统中，当上行需求量大时，可以增加上行服务RRU的数量以提高上行频谱效率，当下行需求量大时，增加下行服务RRU的数量以提高下行频谱效率；由于在某个特定时刻，第个RRU只能选择上行或下行一种模式，公式12和公式13的优化目标是相互矛盾的，设定RRU上下行模式选择的多目标优化问题： 14， 考虑通过多目标优化，设计RRU的上下调度方案以在两个问题中取得折衷，最大化系统的增益； 步骤S304，所述的基于DQN的智能模式选择算法为： DQN算法将深度学习和强化学习结合，对于求解基于离散变量的动作选择问题具有高可靠性，在DQN算法中，智能体基于状态-动作价值函数Q和贪心方案，根据固定的概率选择Q值最高的动作，得到奖励函数，并进入下一个状态，通过将采取的动作和获得的奖励存储到记忆中，智能体可以不断的训练自身的神经网络模型以得到最优解； 其中，智能体的神经网络参数的最小化平方误差损失函数为： 15， 在公式15中，是第步动作的奖励函数，为折扣因子，为最大化下一状态的Q-值函数，为动作集合，是在状态下选择动作的Q-值函数； 在基于DQN的智能上下行模式选择算法中，将CCU视为智能体，状态空间函数定义为，表示在步中RRU的上下行选择向量；动作空间函数定义为，表示在步中RRU的上下行选择的变化； 奖励函数定义为： 16， 在公式16中，表示上行用户的总频谱效率，表示有限块长传输机制下下行用户的总频谱效率，是保证网络收敛性的一个正则化参数，是与上下行用户频谱效率总和相关的一个恒定参量。

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：211102 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”。

以上内容由龙图腾AI智能生成。