小样本学习驱动的无线频谱状态感知

无线频谱状态感知是实现无线频谱资源高效利用及各种用频系统和谐共存的先决条件之一。针对复杂无线传播环境下获取的频谱观测往往存在数据稀疏性、数据类别分布不稳定、标记数据严重不足的情况,该文提出基于插值和小样本学习(FSL)分类的无线频谱状态感知方法。首先,对捕获的稀疏频谱观测数据插值,构建频谱状态地图,作为频谱状态分类器的输入数据。其次,针对频谱数据类别分布不稳定、数据量严重不足的问题,基于小样本学习方法,利用嵌入模块和度量模块协同工作,以实现快速精确的频谱状态分类。具体地,利用嵌入模块将频谱数据映射到嵌入空间,提取频谱数据中的隐含特征;在度量模块的设计中,分别提出基于原型和基于样例的两种类别表示方式,通过计算待分类样本与类别之间的相似度判断待分类样本类别。最后,为了确保分类模型克服测试样本数量少导致过拟合问题,设置A-way B-shot任务训练模型。仿真结果表明,与传统机器学习方法相比,本文模型可以在低信噪比条件下进行精准分类;同时,在测试集样本数很少的情况下,或者在测试集中出现在训练集从未见到的新类时,所训练的模型也可以精准快速判别无线频谱的场景类别。

基于卷积特征提取及深度降噪网络的大规模MIMO系统信号检测

传统多输入多输出(Multiple-Input Multiple-Output,MIMO)信号检测算法受到天线数量和收发天线比例的限制,一般仅适用于少量天线、收发天线比例较低的情况。本文提出一种基于深度学习(Deep Learning,DL)的稀疏连接卷积降噪网络模型,用于大规模MIMO系统上行链路信号检测。首先,通过简化经典的检测网络(Detection Network,DetNet),改进ScNet(Sparsely Connected Neural Network)检测算法,引入卷积神经网络(Convolutional NeuralNetworks,CNN)对三通道输入数据提取特征以减少训练参数,提出一种SConv(SparselyConnected Convolutional Neural Network)检测算法。与DetNet算法相比,该算法可同时降低计算复杂度和提高检测精度。在此基础上,进一步基于CNN构建信号降噪模块,并嵌入SConv网络,提出一种卷积神经降噪(Sparsely Connected Convolutional Denoising,SConv-D)网络辅助的大规模MIMO检测算法。此算法检测过程分为两级,第一级由SConv算法提供初始估计值,再将初始估计值作为降噪过程的输入,并由此构成算法第二级。实验结果表明,本文提出的SConv-D算法适用于QPSK、4QAM及16QAM等多种信号调制模式,在高阶调制模式下获得的性能增益尤为明显。此外,该算法能够适应各种比例的收发天线及数量规模的系统配置,尤其是在收发天线数量相等的情况下亦能获得更优的性能。本文算法还克服了MMNet在高阶调制情况下的性能平台效应,在16QAM调制、收发天线数量相等的情况下,SConv-D在10^(-2)误比特率上能获得接近2 dB的性能增益。

非理想干扰消除全双工协作NOMA系统性能分析及功率分配

随着非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术的不断发展,协作NOMA(Cooperative Non-Orthogonal Multiple Access,CNOMA)也受到广泛关注.该文研究了由一个基站(Base Station,BS)、一个远端用户和一个近端用户组成的全双工(Full-Duplex,FD)协作NOMA(FD-CNOMA)系统,其中近端用户作为一个FD解码转发中继以传输远端用户的信号.考虑实际情况中存在基站与远端用户有无直接链路两种情况,以及非理想连续干扰消除(Successive Interference Cancellation,SIC)对系统带来的残留干扰问题,该文提出并解决了在该模型下用户的功率分配问题.最后,该文基于此模型给出了中继用户和远端用户的中断概率闭式表达式和遍历速率的近似闭式表达式.理论分析与仿真结果表明,即便存在非理想SIC和自干扰,相对于半双工(Half-Duplex,HD)协作NOMA(HDCNOMA)和NOMA系统而言,FD-CNOMA系统表现出更好的系统性能.同时,非理想SIC和中继用户自干扰都会对用户性能产生负面影响,且非理想SIC在遍历速率上对HD机制的影响较FD机制更为严重.最后,文中提出的功率分配方法较随机功率分配和固定功率分配分别获得了13%和10%的速率提升.

基于加权二部图与干扰聚类的D2D通信上下行联合资源分配

设备对设备(D2D, device-to-device)通信是一种能够有效提高蜂窝网络频谱效率的短距离通信技术。联合考虑上下行子信道全频域资源复用,针对蜂窝网络中“多对多”的复杂情况(即一个子信道可以分配给多对D2D用户设备(DUE, D2D user equipment),一对DUE也可以同时使用多个子信道),提出了一种两阶段子信道和功率联合分配方案。第一阶段,提出基于加权二部图匹配的资源分配(WBGM-RA, weighted bipartite graph matching-based resource allocation)算法,将系统中的全部子信道分配给所有蜂窝用户设备(CUE, cellular user equipment),以最大化CUE和速率。第二阶段,提出基于干扰聚类的资源分配(IC-RA, interference clusteringbased resource allocation)算法,根据共享同一子信道的UE之间的干扰关系构建干扰矩阵,在确保DUE不会对CUE造成严重干扰的情况下,将分配给CUE的资源再次分配给DUE,同时调整DUE的发射功率,以最大化系统和速率。该方案形成的新型的上下行信道联合资源分配与多对多信道复用机制,使得DUE的频谱接入机会与网络的总体频谱效率均大幅度提高。仿真结果表明,与现有典型算法相比,该算法可以有效地提高系统和速率,增加系统中通信链路数量并提高DUE接入率。

基于前导码重传辅助控制的mMTC动态随机接入

为解决海量机器类通信(mMTC,massive machine type communications)场景下,机器类通信设备(MTCD,machine type communication device)采用传统随机接入方案时,往往出现网络严重拥塞,导致大量MTCD无法成功接入网络问题,提出了一种基于前导码重传辅助的动态接入类别限制(PRT-ACB,preamble retransmission access class barring)方案。利用MTCD的前导码重传次数,将每个随机接入机会(RAO,random access opportunity)中尝试发起接入的MTCD划分为高、低优先级,结合每个RAO中负载数估计模型,分别为其设定随每个RAO中的接入负载动态变化的高、低优先级限制因子和可用前导码池,使更多MTCD能在未达到最大前导码传输次数前成功接入网络。仿真结果表明,所提方案能有效提升MTCD的接入成功概率,降低MTCD接入网络所需时延。所提方案可以作为缓解海量通信设备同时接入网络造成拥塞的一种解决方案。

基于加权二部图及贪婪策略的蜂窝网络D2D通信资源分配

D2D(Device-to-Device)通信是解决频谱资源稀缺问题的关键技术之一。该文研究蜂窝网络中“many-tomany”的复杂场景,即单个RB(Resource Block)可以分配给多对D2D用户重用,并且允许单个D2D用户对使用多个RB,其中D2D用户对数量远多于蜂窝用户设备(Cellular User Equipment,CUE)数量和RB数量。考虑CUE对资源使用具有更高优先级,将此优化问题分解为蜂窝用户资源分配和D2D用户资源重用两个阶段。在第1阶段,提出基于公平性的循环二部图匹配(Fairness-based Circular Bipartite Graph Matching,FCBGM)算法,将现有的RB分配给所有CUE,以最大化蜂窝用户和速率。在第2阶段,分别提出基于二部图的资源重用(Bipartite Graph-based Resource Reuse,BGRR)算法和基于贪婪策略的资源重用(Greedy-based Resource Reuse,GRR)算法,目标是将已经分配给CUE的RB再次分配给D2D用户重用,以最大化系统和速率,同时确保CUE的基本速率需求。仿真结果表明,在D2D用户对数量远大于CUE数量和RB数量的情况下,与现有典型算法相比,所提算法能够有效提高系统和速率,增加D2D接入率,同时兼顾用户公平性和服务质量需求。

基于干扰消除辅助稀疏连接神经网络的大规模MIMO信号检测

近年来,深度学习成为无线通信领域的关键技术之一。在基于深度学习的一系列MIMO信号检测算法中,大多未充分考虑相邻天线之间的干扰消除问题,无法彻底消除多用户干扰对误码率性能的影响。为此,该文提出一种将深度学习与串行干扰消除(SIC)算法进行结合的方法用于大规模MIMO系统上行链路信号检测。首先,通过优化传统的检测网络(DetNet)及改进ScNet检测算法,该文提出一种基于深度神经网络(DNN)的检测算法,称为ImpScNet。在此基础上,进一步将SIC思想应用到深度学习框架结构设计中,提出一种基于深度学习的大规模MIMO多用户SIC检测算法,称为ImpScNet-SIC。此算法在每个检测层上分为两级,其中,第1级由该文提出的ImpScNet算法提供初始解,再将初始解解调至相应的星座点上作为SIC的输入,由此构成该算法的第2级。此外,在SIC中也使用了ImpScNet算法估计传输符号,以便获得最优性能。仿真结果表明,与已有的各种典型代表算法相比,该文所提ImpScNet-SIC检测算法特别适合大规模MIMO信号检测,具有收敛速度快、收敛稳定及复杂度相对较低的优势,并且在10–3误码率上有至少0.5 dB以上的增益。

多用户认知非正交多址接入系统中断性能分析及功率分配算法

非正交多址接入(NOMA)是5G网络关键候选技术之一,其与认知无线电(CR)技术相结合形成系统(CRNOMA),能够实现更高的频谱效率及更大的吞吐量。该文将直传与中继协同传输(CDRT)方案引入多用户CRNOMA系统,其中CDRT表示次级源(SS)直接与近端次级用户通信,而仅通过中继(R)与多个远端次级用户通信。在非理想自干扰消除和全双工(FD)中继情况下,推导了每个NOMA用户中断概率(OP)的精确闭式表达。此外,在该系统模型下分析SS, R和用户的收益最优化问题,提出一种基于收益的两阶段迭代功率分配算法。仿真结果显示,在高信噪比(30 dB)条件下,与随机功率分配及平均功率分配方案相比,该文所提算法的用户和速率、SS总收益、R总收益分别可最高提升13%, 56%及26%。蒙特卡罗仿真验证了理论分析与实验结果的一致性。

基于增强加权质心定位的认知物联网用户频谱接入控制

在认知物联网(CIoT, cognitive internet of things)中,由于主用户(PU, primary user)与次级用户(SU,secondary user)之间的非合作特性,单独依靠传统的频谱感知技术判断频谱接入机会存在一定的不可靠性。作为一种重要的辅助信息,PU与SU之间的相互位置信息可以协助判断授权频谱的二次接入可能性。提出了一种低复杂度的基于相邻关系的加权质心定位(NB-WCL, neighbor-based weighted centroid localization)算法,通过解决CIoT中SU的定位问题,从而完成CIoT中各个地理位置上是否能够进行频谱接入的决策。在理论层面分析了二维位置估计的均方根误差(RMSE, root mean square error)性能,通过仿真验证了通信半径、节点密集度、阴影影响、路径损失、连通性度量值以及发送数据次数等因素对于算法性能的影响。理论推导与实验结果表明,相对于传统的定位算法,所提方案为CIoT中的SU定位算法提供了更为强健和良好的定位误差性能,能够有效地增强认知物联网中用户频谱接入的可靠性。该方案可以作为认知物联网中的一种高效实用的定位感知方案。

基于OAMP算法辅助稀疏连接神经网络的MIMO信号检测

最大似然检测(Maximum likelihood detection,ML)是传统多输入多输出(Multi-input Multi-output,MIMO)信号检测中的最优算法,但是受到天线数量、收发天线比例以及调制信号的约束,致使其仅适用于天线数量少、天线比例较低且调制信号阶数较低的场景。作为一种新型的解决方案,目前基于深度学习(DL)的信号检测算法得到了广泛关注,但同样存在收发天线规模相近时检测性能恶化问题。该文将正交近似消息传递(OAMP)算法与稀疏连接神经网络(ScNet)结合成为可训练的网络结构,提出一种新的适用于MIMO系统上行链路的信号检测算法,称作ScNet-OAMP。该算法通过神经网络提供精确的信号传输参数初始解,改善OAMP过程的线性估计和非线性估计,由此增强其降噪能力,达到提高检测精度的目的,相比于ScNet和OAMP,其能够在同等实验参数下获得最佳检测性能。实验结果表明,此算法适用于QPSK、4QAM及16QAM等不同调制信号,能够处理不同比例收发天线及数量规模的系统配置,尤其是在收发天线数量相近的情况下亦能表现出较好的性能,并且在10-3误码率上有至少0.5 dB,甚至2.2 dB以上的性能增益。

核支持向量的主用户活动场景分类算法

针对认知无线电网络中传统频谱感知方法性能不足以及空白频谱利用率较低的问题,提出了一种基于核支持向量的主用户活动场景分类算法,通过判断地理区域内的活动主用户数量及分布情况来提高获得潜在频谱接入机会的可能性。根据核支持向量的边界对主用户活动场景作初分类处理,由此判定当前网络中的活跃主用户发射机的数量。初分类处理既能减少支持向量中矩阵计算量,也能减少人工标记数据所带来的成本。再对每一个初分类处理后的数据进行无监督聚类,从而得到实际对应的主用户活动场景细分类。实验结果表明,所提算法与直接使用核支持向量分类算法相比,不仅改善了频谱感知的性能,同时还大大降低了定标成本及时间成本。

浅谈化工项目温室气体排放环境影响评价

将温室气体排放纳入环境影响评价体系,使环境污染物和温室气体排放评价管理统筹融合,具有重要意义。然而目前重点工业行业环评工作中存在缺少温室气体排放评价基准、缺少温室气体减排可行技术体系等问题,使其难以开展区域削减替代。本文以化工项目为例,分析了碳排放环境影响评价的工作流程,并针对现状存在的问题给出了几点建议。

大规模MIMO信号检测IPIC算法的深度学习网络

针对在大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统中,信道硬化现象减弱时最小均方误差(Minimum Mean Square Error, MMSE)检测算法及Richardson、Jacobi等迭代检测算法检测性能退化严重的问题,提出了一种深度检测网络,称为IPICNet,将深度学习技术和迭代并行干扰消除(Iterative Parallel Interference Cancellation, IPIC)检测算法结合。在IPICNet中,将IPIC检测算法的迭代过程展开为深度网络,并在此基础修改网络架构和添加可训练参数,同时对网络中需要使用的投影函数和损失函数进行了讨论和设计。实验结果表明,训练完成的IPICNet能有效提升IPIC检测算法的检测性能并在信道硬化现象不明显的MIMO系统中稳定工作。

基于Gerschgorin圆盘理论的认知无线电宽带频谱感知

提出了基于Gerschgorin圆盘理论的宽带频谱感知算法:Gerschgorin似然估计算法和Gerschgorin圆盘半径迭代算法。通过在宽带频谱感知中引入Gerschgorin圆盘理论,将认知无线电用户频谱观测数据中噪声圆盘空间和信号圆盘空间进行分离,并基于对主用户所占用子频段集合势的估计,实现对宽带授权频谱中多个子频段状态的监测。为了进一步提高感知性能,还提出利用宽带频谱中主用户信号占用子频段的连续性特性改善算法性能。理论推导和仿真结果表明,在信噪比较小时,Gerschgorin似然估计算法较基于信息论准则的宽带感知算法具有更稳定的检测性能;Gerschgorin圆盘半径迭代算法与传统能量检测方法相比,优势在于不依赖任何噪声功率先验信息,且在采样次数较少情况下的感知错误率较小。因此,基于Gerschgorin圆盘理论的频谱感知更适合于实际CR系统,可为宽带频谱感知提供行之有效的算法实施方案。

基于迭代并行干扰消除的低复杂度大规模MIMO信号检测算法

基于干扰消除思想该文提出一种适用于大规模MIMO系统上行链路的低复杂度迭代并行干扰消除算法,在算法实现中避免了线性检测算法所需的高复杂度矩阵求逆运算,将复杂度保持在。在此基础上,引入噪声预测机制,提出一种基于噪声预测的迭代并行干扰消除算法,进一步提高了硬判决检测性能。考虑天线间残留干扰,将干扰消除思想运用到软判决中,最后提出一种基于迭代并行干扰消除的低复杂度软输出信号检测算法。仿真结果表明:提出的信号检测方法的复杂度优于MMSE检测算法,经过几次简单的迭代,算法即快速收敛并获得接近甚至优于MMSE检测算法的误码率性能。

荧光素标记JH12．6探针进行的人DNA指纹图分析

采用荧光素标记和鲁米诺化学发光技术，建立了ＤＮＡ指纹图的分析方法。用该方法标记ＪＨ１２．６探针获得了清晰易读、分辨率高的人ＤＮＡ指纹图。经对云南省７８名无关个体进行ＤＮＡ指纹图分析，计算出无关个体的相关机率为７．４×１０（－１１），平均等位基因频率为０．０９。比较同位素（３２）Ｐ标记方法表明，用荧光素标记ＪＨ１２．６探针进行人ＤＮＡ指纹图分析，具有简便、快速、安全、经济的特点，可在法医学鉴定及其它领域里推广应用。

基于信号集合势和连续性的认知无线电宽带频谱感知

针对传统感知算法依赖主用户信号与噪声先验信息,以及易受噪声功率估计不确定性影响的缺点,提出了一种基于信号集合势和连续性的宽带频谱感知方案.该方案将宽带频谱感知分为主用户占子带集合势的估计和子带位置判决两步.在两次不同感知结果中利用主用户连续占用子带的特性,有效地实现最终感知性能的提升.理论分析和仿真结果表明,该方案不仅能够解决传统感知方法依赖噪声和主用户信号先验信息的问题,而且对抗噪声功率不确定性具有鲁棒性.特别地,与传统的能量检测频谱感知算法相比,该算法能有效地实现宽带频谱盲感知.

基于用户集合势估计的认知无线电合作频谱感知

频谱感知技术是认知无线电系统的基本功能,是实现已授权频段的次级动态接入和共享的前提。提出基于用户集合势估计的合作频谱感知方案,旨在通过GEEF(gerschgorin exponentially embedded families),SPEEF(sampled power exponentially embedded families)等算法估计出用户的集合势,即适合参与合作频谱感知的最优用户个数,再从全部合作用户中筛选出相应的频谱观测数据生成全局检测统计量,通过与判决门限进行对比,最终对授权用户状态做出判决。理论分析与实验结果表明,提出的方案能够有效地提高频谱感知的性能。

基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知

近年来,基于机器学习(ML)的频谱感知技术为认知无线电系统提供了新型的频谱状态监测解决方案。利用蜂窝认知无线电网络(CCRN)中的次级用户设备(SUE)所能提供的大量频谱观测数据,该文提出了一种基于主用户(PU)传输模式分类的频谱感知方案。首先,基于多种典型的ML算法,对于网络中的多个主用户发射机(PUT)的传输模式进行分类辨识,在网络整体层面上确定所有PUT的联合工作状态。然后,网络中的SUE根据其所处地理位置或者频谱观测数据,判断其在当前已判定的PUT发射模式下接入授权频谱的可能性。由于PUT在网络中的实际位置可能事先已知或者无法提前确定,该文给出了3种不同的处理方法。理论推导与实验结果表明,所提方案与传统的能量检测方案相比,不仅改善了频谱感知性能,还增加了蜂窝认知网络对于授权频谱的动态访问机会。该方案可以作为蜂窝认知无线电网络中的一种高效实用的频谱感知解决方案。

基于最优索引广义正交匹配追踪的非正交多址系统多用户检测

作为5G的关键技术之一,非正交多址(NOMA)通过非正交方式访问无线通信资源,以实现提高频谱利用率、增加用户连接数的目的。该文提出将压缩感知(CS)及广义正交匹配追踪(gOMP)算法引入上行免调度NOMA系统,从而增强NOMA系统活跃用户检测及数据接收的性能。通过每次迭代识别多个索引,gOMP算法实际上是传统的正交匹配追踪(OMP)算法的扩展。为了获得最优性能,研究分析了在gOMP算法信号重构的每次迭代中所应选择的最优索引数目。仿真结果表明:与其它的贪婪追踪算法及梯度投影稀疏重构(GPSR)算法相比,最优索引gOMP算法具有更优异的信号重构性能;并且,对于不同的活跃用户数或过载率等参数配置的NOMA系统,均表现出最优的多用户检测性能。