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基于sub6GHz信道以及部分毫米波导频的通信波束选择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：CN114844545B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202210480587.5，技术领域涉及：H04B7/06；该发明授权基于sub6GHz信道以及部分毫米波导频的通信波束选择方法是由杨绿溪;张明寒;邓淼佩;周婷;俞菲;徐琴珍设计研发完成，并于2022-05-05向国家知识产权局提交的专利申请。

本基于sub6GHz信道以及部分毫米波导频的通信波束选择方法在说明书摘要公布了：本发明公开了一种基于sub6GHz信道以及部分毫米波导频的通信波束选择方法，通过上行sub6GHz信道和由少量激活天线发送的下行毫米波导频对用户的最佳波束进行预测。具体地说，本发明设计了一种新的双输入神经网络架构，可以融合sub‑6GHz频段信道信息和毫米波频段信道的部分信息，输出各个波束为最优波束的概率。同时，为了使模型具备快速泛化到不同基站场景的能力，采用元学习MAML算法更新模型参数，使得预训练模型具备更强大的学习能力，能够在新基站场景中通过少量样本快速收敛到理想性能。本发明提出的算法相比传统的波束扫描降低了时间开销，同时也避免了获取毫米波完整信道CSI所带来的巨大训练开销。

本发明授权基于sub6GHz信道以及部分毫米波导频的通信波束选择方法在权利要求书中公布了：1.一种基于sub6GHz信道以及部分毫米波导频的通信波束选择方法，其特征在于，包括如下步骤：步骤1：构建ntask个子任务，每个子任务对应一个基站的通信环境，每个Task包括了一个支撑集和一个查询集；搭建波束选择预测模型，包括sub6模块、天线选择模块、毫米波模块、分类模块，初始化模型参数；步骤2：对于子任务Ti，将支撑集中的sub6信道CSI输入到sub6模块，得到sub6特征向量；将sub6特征向量输入到天线选择模块，得到激活的毫米波天线索引；获取支撑集中激活天线的导频，输入毫米波模块，得到毫米波特征向量；将sub6特征向量与毫米波特征向量融合，输入到分类模块，得到各个波束为最优波束的概率；步骤3：计算支撑集的损失函数，反向更新模型参数；经过L次梯度更新，得到更新后的模型参数步骤4：基于模型参数在查询集上进行预测，计算损失函数；基于Batch内全部任务的损失函数进行反向梯度下降，更新模型参数Θt+1；读取下一个Batch的子任务，循环步骤2到步骤4，直到模型收敛；步骤5：根据模型输出的概率向量，得到Top-1最优波束和Top-3最优波束；所述步骤1的具体步骤包括：1.1子任务划分：元学习的基本训练单元是Task，即子任务；每一个子任务对应一种基站所处的通信场景；每个子任务内划分出支撑集和查询集；1.2支撑集由组成，其中表示用户和基站之间的sub6GHz信道矩阵，Ns表示sub6频段基站天线数量，Nc表示载波数量；表示用户和基站之间的毫米波信道信息，Nm表示毫米波频段基站天线数量；yspt表示用户和基站之间最佳波束对应的码字索引；查询集由组成，各部分含义与支撑集同理；支撑集用于模型进行innerloop训练，查询集用于评估innerloop后模型的推理能力，并对模型进行outerloop训练；所述步骤2的具体步骤包括：2.1sub6模块：将Xsub6转换成1维向量，输入sub6模块，输出特征向量ys；模块由Ls层全连接网络组成，表示为 其中Θs＝{Ws，bs}表示全连接层的权重和偏置，表示模型的非线性函数，写成 其中表示Relu激活函数；2.2天线选择模块：天线选择模块用于选择激活少量毫米波天线，辅助sub6信道信息进行波束选择；模块输入sub6特征向量ys，输出天线选择向量v；将向量n与毫米波信道矩阵Xmm相乘，得到所选天线对应的部分毫米波信道信息X′mm；天线选择模块由Lv层全连接网络组成，天线选择向量其中0代表未被选择的天线，1代表选择的天线；v表示为 其中C·表示一种编码函数，将前个最大的元素编码为1，其余编码为0；表示选择的天线个数，由于C·是不可微的，阻碍了神经网络的反向传播，因此设置可微向量近似表达v，其中 当模型进行前向推理时，将通过编码器C·得到v，而当模型反向梯度更新时，跳过编码器而使用的梯度代替v；对于期待它具有个1，个0；为了让的形状与期待相同，需要对施加一定的惩罚 被选择的天线所对应的毫米波信道信息X′mm表示如下X′mm＝v⊙Xmm2.3毫米波模块：将激活天线的毫米波信道矩阵X′mm转换为一维向量，输入到毫米波模块，输出特征向量ym；模块由Lm层全连接网络组成；2.4分类模块：将sub6特征向量ys与毫米波特征向量ym进行拼接，输入到分类模块；模块由Lp层全连接网络组成；输出最优波束概率向量表示为 所述步骤3的具体步骤包括：3.1计算模型输出概率向量与标签yspt之间的损失函数 加上步骤2.2中计算的天线选择模块损失函数作为支撑集损失函数 3.2利用反向梯度下降法更新模型参数 循环执行训练过程L次，得到基于支撑集训练的模型参数其中Ti代表第i个子任务，表示第i个子任务支撑集数据；所述步骤4的具体步骤包括：4.1基于模型参数验证模型在查询集上的性能；将输入到模型，得到预测概率 计算预测概率与查询集标签yqry之间的损失函数 4.2遍历Batch内所有的子任务，反向梯度更新模型参数Θ 将代入后可以推导一个Batch的参数更新公式为 所述步骤5的具体步骤包括：5.1Top-1最优波束：选取模型输出的概率向量中最大值所在索引为最优波束在码本中的索引；5.2Top-3最优波束：选取模型输出的概率向量中前三大的值在索引为最优波束候选，当通信环境SNR较差时，Top-1最优波束的预测准确率会有一定下降，从Top-3最优波束候选池中进行波束扫描，确定最优波束。

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”。