高速铁路复杂线路区段GSM-R系统方案设计与网络优化

新建高速铁路与既有线交叉并线难以避免,线路条件也更加复杂。介绍近期开通的湖杭高铁、张吉怀高铁等线路典型交叉并线和连续隧道区段的GSM-R系统设计和网络优化方案,对遇到的多径干扰、电平不一致、无线干扰引起质差的相关情景,给出具体的无线设计解决措施。总结工程经验,并对类似区段铁路方案提出合理化工程建议。

基于深度学习和AMP的MIMO检测算法

大规模多输入多输出(multiple-input multiple-output,MIMO)是5G和未来移动无线网络的关键技术之一。但是,“大规模”带来显著性能增益的同时,也给接收机设计带来了挑战。基于深度学习和近似信息传递(approximate message passing,AMP)检测算法,提出了一种新的深度学习网络AMP-net,用于MIMO检测。在提出的算法中,将AMP算法的每一次迭代作为单层网络的基础架构,同时加入非线性神经单元及可训练权重系数,以实现在固定网络层数时得到更低的误码率。仿真结果证明,对比迭代次数为L的AMP算法,网络层数也为L的AMP-net可以得到较低的误码率,但和无限迭代的AMP算法还是有差距。同时也讨论了可训练的阈值函数对AMP-net的影响。仿真结果证明,使用一个小的全连接网络来作为阈值函数,比较其余阈值函数可以得到更低的误码率。

MIMO检测算法与深度学习方法探讨

作为未来5G通信的核心技术之一,大规模多输入多输出(multiple-input multiple-output,MIMO)技术获得了广泛的研究。但是,"大规模"带来显著性能增益的同时,也给接收机设计带来了挑战,尤其是考虑到资源和成本限制,基站天线在满足性能需求的同时,需要尽可能少。论文首先讨论了MIMO情景下的传统检测算法,如最大似然(maximum likelihood, ML)检测算法、迫零(zero-forcing, ZF)检测算法及线性最小均方误差(linear minimum mean square error, LMMSE)检测算法等。仿真结果表明最优的ML算法的复杂度随着用户数指数增加。在接收天线数不是充分多时,次优的ZF和LMMSE算法都会有显著的性能损失。针对这一问题,讨论了基于深度学习框架的解决方案,包括目前已有的LAMP(learned approximate message passing)检测算法和神经网络DetNet算法;基于全连接网络结构做了初步探索。经过对它们的仿真比较,发现基于深度神经网络的MIMO检测算法,确实可以提升传统检测算法的性能;但对神经网络系数的优化,可能会导致较高的训练复杂度,论文讨论了可能的解决方法。

综合视频监控布点及电缆计算辅助设计软件的研究与设计

针对铁路通信专业综合视频监控系统设计过程中存在的难点,设计了综合视频监控布点及电缆计算辅助设计软件,实现采集点摄像机类型及数量自动配置自动化,实现区间视频采集点至汇聚点的最佳连接关系匹配自动化,并完成电力电缆的选型和数量计算,输出形成清晰明了的视频布点表,便于复核和后续设计工作,且可与辅助绘图软件对接,节省大量的人工时,大幅提高综合视频监控设计效率和质量。