联合蜂窝与D2D链路的网络编码广播重传方案

移动设备之间的合作以及利用蜂窝和D2D链路等多个接口有望满足日益增长的吞吐量需求。考虑设备配备有双接口的网络编码广播(Network coding for dual interfaces,NCDI)场景,重传阶段,设备同时利用蜂窝与D2D链路来恢复丢失数据包。然而,如何合理的进行编码调度,充分发挥网络编码增益显得至关重要。为最小化重传次数,文章旨在设计联合蜂窝与D2D链路的网络编码广播重传方案。针对随机线性网络编码(RLNC)与立即可译网络编码(IDNC),分别提出了NCDI-RLNC以及NCDI-IDNC方案。仿真结果表明,与其他方案相比,提出的两种方案均能够有效地提高重传效率、减少重传次数。

基于深度学习的多模OFDM索引调制检测器

本文提出了一种基于深度学习(Deep Learning, DL)的多模正交频分复用索引调制(Multi-Mode Orthogonal Frequency Division Multiplexing with Index Modulation, MM-OFDM-IM)检测器。在该检测器中包括两个子卷积神经网络(Sub-Convolutional Neural Network, SCNN)并行对MM-OFDM-IM信号的索引位和载波位进行检测,接收符号在经过迫零(Zero Force, ZF)均衡后再预处理生成二维矩阵,同时输入到子卷积网络中学习信号的内在特征。经过离线训练,该检测器可以实现MM-OFDM-IM符号的在线检测。仿真结果表明,该检测器在瑞利衰落信道条件下能以较低的计算复杂度获得近似最大似然(Maximum Likelihood, ML)检测性能。通过对已训练后的模型进行剪枝操作,能在保证检测误码率(Bit Error Rate, BER)的前提下大幅度减少模型的参数量,达到了性能与计算复杂度的有效平衡。