频分双工大规模MIMO系统时变信道估计

大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的性能增益依赖可靠的信道估计,传统信道估计方案主要面向准静态场景,在用户高速移动场景中性能下降明显。本文研究频分双工(Frequency Division Duplex,FDD)大规模MIMO系统中的时变信道估计问题,利用信道向量在角度域的空时稀疏特性,提出软结构先验模型驱动的稀疏贝叶斯信道估计(Soft-Structured Prior Model based Sparse Bayesian Estimation,SSPM-SBE)方案,针对方案涉及的复杂贝叶斯估计问题,给出基于变分优化的低复杂度求解方法。SSPM-SBE方案能够充分利用当前和历史接收导频数据改善时变信道的估计性能,且无需信道大尺度信息的先验认知,仿真结果验证了方案的优越性。

地理标签数据的获取与组织管理相关技术的研究

针对地理标签数据和地理标签数据平台的特点,采用主题爬虫技术与API接口技术相结合的方法进行地理标签数据的获取;利用谬值处理、重复事件处理,并构建基于主题和位置的层次结构等方法对地理标签数据进行处理;设计相应的存储模型。最后还通过相应的实验进行对比分析,以此来验证本文相关技术的优越性。

基于局部流行度的分布式协作缓存策略

内置缓存是命名数据网络的关键特征之一,为实现节点缓存的高效利用,基于局部流行度,提出一种新的分布式协作缓存策略。通过对用户接入节点进行周期性地统计内容请求速率,并将结果随兴趣包转发,避免请求聚合的影响,在请求路径上依据缓存收益实现缓存决策,在邻居节点之间执行局部缓存通告,提升缓存利用率。仿真结果表明,该策略能够降低请求时延,提高缓存命中率。

基于Q-learning的分布式基站缓存替换策略

针对传统替换策略的不足,提出一种基于Q-learning的缓存替换策略。该方法使用马尔科夫博弈模型描述多基站协作替换问题,以降低网络服务延迟为目标,利用分布式Q-learning算法获得Nash均衡点作为最优策略。实验表明,与其他缓存替换策略相比,该方法能够有效降低网路延迟,提升服务质量。

一种改进的射频识别数据自适应清洗算法

根据射频识别(RFID)数据特性,对RFID数据自适应清洗算法SMURF进行改进,使其能够更加高效率地处理RFID漏读数据.实验证明,改进后算法较原算法性能更加优越,准确率和稳定性有了进一步提高.