基于SAOR的Massive MIMO系统信号检测算法

大规模多输入多输出(Massive multiple input multiple output,Massive MIMO)系统采用最小均方误差(Minimum mean square error,MMSE)接收检测方法时存在矩阵求逆复杂度高的问题,已有较多降低复杂度的研究。在降低检测算法复杂度的同时,如何提高算法收敛速度和检测性能一直是人们关注的焦点。本文将对称加速超松弛(Symmetric accelerated over-relaxation,SAOR)迭代算法应用于Massive MIMO系统信号检测中,避免了复杂的矩阵求逆计算,实现了复杂度较最小均方误差算法降低了一个数量级。仿真结果表明,基于SAOR的检测方法通过较少的迭代次数就能逼近最小均方误差(Minimum mean square error,MMSE)算法的检测性能,为Massive MIMO系统中接收信号的快速检测提供了较好的实现方法。

降噪自编码器辅助的下行MIMO-SCMA编解码方法

为了改善稀疏码分多址系统在多天线应用中的误码率性能,将深度学习引入多输入多输出稀疏码分多址系统,提出了一种降噪自编码器辅助的编解码方法。发射端使用多个深度神经网络单元构建多天线稀疏码分多址编码器,通过神经网络的学习获得每个用户在不同发射天线上的码本,采用降噪自编码器的结构在输入端引入噪声层,使得编码器的输出为更具鲁棒性的特征表示;接收端设计了一个全链接的深度神经网络作为解码器,该解码器将多天线检测与多用户检测联合进行,一次解码即可获得用户数据;采用端到端的训练方式对编解码器进行训练,优化神经网络的结构与参数,使得神经网络能够快速收敛。实验结果表明,提出的编解码方法可以降低多输入多输出稀疏码分多址系统的误码率,同时减少接收端检测的时间。

CD8^(+)T细胞癌巢/间质比对早期非小细胞肺癌隐匿性淋巴结转移的影响

目的 分析临床早期非小细胞肺癌(NSCLC)患者肿瘤原发灶的肿瘤中心(TC)和侵袭性边缘(IM,包括癌巢和间质)的CD8^(+) T细胞和程序性死亡受体-1(PD-1)^(+) CD8 T细胞的浸润水平,并探究其与隐匿性淋巴结转移(OLNM)的关系。方法 回顾性收集2014-01-01-2021-12-31在山东省肿瘤医院接受根治性手术的154例临床早期NSCLC患者的术后组织标本,构建组织芯片(TMA),并进行多重免疫荧光染色以评估TC和IM的CD8及PD-1^(+) CD8的密度。曼-惠特尼U检验分析NSCLC伴OLNM和无OLNM患者的CD8和PD-1^(+) CD8浸润差异。使用中位数将患者分为高/低密度组,二元logistic回归分析OLNM发生的影响因素。结果 在临床早期NSCLC的TC和IM上,CD8分别占所有细胞的4.6%和5.6%,PD-1^(+) CD8分别占CD8的9.1%和6.9%。临床早期NSCLC患者发生OLNM时,IM的总CD8及间质CD8浸润增加(cN^(-)pN^(+)vs cN^(-)pN^(-), 63.78 vs 43.87,Z=2.995,P=0.003;93.57 vs 60.84,Z=2.631,P=0.009),同时TC间质和IM癌巢中的PD-1^(+) CD8/CD8比例降低(cN^(-)pN^(+)vs cN^(-)pN^(-), 7.5%vs 10.2%,Z=-2.227,P=0.026;4.4%vs 8.4%,Z=-2.093,P=0.036)。多因素logistic回归分析显示,TC的癌巢CD8/间质CD8比例降低是早期NSCLC发生OLNM的独立危险因素(OR=2.339, 95%CI:1.201~4.556,P=0.012)。结论 TC的癌巢CD8/间质CD8比降低,CD8向癌巢内浸润减少,与早期NSCLC的OLNM发生有关,同时TC间质和IM癌巢中的CD8表面PD-1表达降低。