基于WiMAX的Agilent矢量信号分析仪信道解码模型

世界领先的测试仪器制造商Agilent公司开发的E4440A系列频谱分析仪的配套矢量信号分析软件VSA 89601A可以提供IEEE 802.16d的射频信号分析功能,但是不具备信道解码的功能,这给设备测试中的数据跟踪工作带来了不少困难。本文结合实际的项目,阐述如何开发一种基于Matlab/Simulink的WiMAX下行信道解码模型,可以将89601A捕获的信号恢复为物理帧明文,对于802.16d无线宽带通信设备的研发及测试工作具有较大的参考价值。

一种适用于OFDM系统的定时同步算法

OFDM接收机需对突发信号实现快速准确的定时同步,而传统的定时同步算法易受大频偏和低信噪比的影响。文章提出了一种结合差分法和短前导整体互相关法的定时同步算法,其定时同步估计值在大频偏、低信噪比的条件下仍然具有很好的鲁棒性,十分适合于OFDM系统。

机器学习在无线信道建模中的应用现状与展望

为了适应未来6G通信系统的超宽频谱、超大规模天线阵列、高度异构化以及众多新型应用场景,信道建模成为新系统开发必不可少的技术基础。由于6G通信系统将具有典型的大数据特征,基于机器学习的数据驱动型无线信道建模方法已经将成为未来信道模型开发的重要手段。综合分析机器学习在无线信道建模中的应用现状,主要包括确定性信道模型的射线追踪法,随机性信道模型的多径分量聚类与跟踪以及模型参数估计,数据驱动型信道建模,以及信道场景识别,最后,讨论基于机器学习的无线信道建模方法面临的挑战。

边缘学习:关键技术、应用与挑战

近年来,随着移动通信和人工智能技术的迅猛发展,大量智能终端已经联网并催生出海量数据。为了高效利用网络中的通信和计算资源并进一步释放人工智能的潜力,将传统基于专用数据中心的人工智能下沉到靠近用户终端的网络边缘已成为一种技术趋势。面向这种技术发展趋势,边缘学习被认为是一种具有广泛应用前景的人工智能实施方案。但是,目前对边缘学习的研究和应用仍处于起步阶段。为了促进技术发展,对边缘学习的关键技术、典型应用以及面临的机遇和挑战进行全面分析。首先,回顾边缘学习的发展背景,并分析其在传输时延、安全与隐私、扩展性和通信开销等方面相对于传统云学习的优势;其次,详细讨论实现边缘学习的3项关键技术:①分布式模型训练,包括聚合频率、梯度压缩、点对点通信和区块链技术;②面向边缘学习的高效无线通信技术,包括空中计算、通信资源分配和信号编码;③边缘学习卸载技术,包括计算和模型卸载技术。然后,分别以一种高可靠低时延车联网通信和一种基于计算与通信联合设计的智能图像分类系统为例,阐述上述关键技术在实际系统中的重要作用。最后,从通信与计算的联合优化、数据安全与隐私保护以及系统的开发与部署等3个方面讨论边缘学习面临的发展机遇与挑战。通过对最新研究现状的宏观分析,该综述将为边缘学习的进一步理论研究、技术创新和系统开发提供坚实的基础。