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深度学习的上行超大规模智能反射表面波束训练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：CN115811744B 。

龙图腾网通过国家知识产权局官网在2025-04-22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：202211431766.6，技术领域涉及：H04W16/28；该发明授权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是由潘存华;刘望;任红设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本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在说明书摘要公布了：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。

本发明授权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在权利要求书中公布了：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；所述步骤S2中超大规模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的步骤，具体包括：步骤S201、根据近场环境下的级联信道的阵列转向向量，设计出超大规模智能反射表面的预定义的近场码本W，其中码本中的每一个码字都是一组超大规模智能反射表面的反射相位系数；步骤S202、基于步骤S201获得的码本，以间隔D挑选码字构成子码本Wsub，子码本中的码字数量相应地为原码本中的码字数量的1D；步骤S203、用户向超大规模智能反射表面发射导频信号；超大规模智能反射表面从子码本Wsub中挑选一个码字构成相位系数并反射导频信号到基站端，基站端获得相应的接收信号；步骤S204、重复步骤S203，直到子码本Wsub的所有码字都被测试完毕；基站端获得相应的关于子码本中所有码字的接收信号，并将其构成向量形式；所述步骤S4中超大规模智能反射表面对于基站端传达的码字进行额外测试并在基站端得到最终的最优码字，具体步骤为：步骤S401、基站端根据步骤S3中获得的每个码字的估计概率，对源码本W中所有码字进行降序排序，取前K个码字构成需要额外测试的码本F；步骤S402、基站端通过单独的控制链路将额外测试码本F的信息反馈给超大规模智能反射表面；步骤S403、用户再次向超大规模智能反射表面发射导频信号，超大规模智能反射表面从码本F中挑选一个码字构成相位系数并反射导频信号到基站端，基站端获得相应的接收信号；步骤S404、基站端重复步骤S403，直到码本F的所有码字都被测试完毕，基站端获得相应的K个码字的接收信号；步骤S405、基站端计算K个接收信号的模值，模值最大接收信号所对应的码字即为最优码字。

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”。