大规模MIMO系统下的低复杂度迫零预编码技术

针对大规模天线技术导致传统迫零(zero-forcing, ZF)预编码复杂度上升的问题,提出了一种低复杂度预编码技术。首先利用对称超松弛迭代(semi-iteration symmetric successive overrelaxation method, SSOR)技术优化信道矩阵求逆复杂度的问题;然后利用切比雪夫半迭代法(semi-iteration, SI)加速SSOR迭代(semi-iteration symmetric successive overrelaxation method, SI-SSOR)的收敛速度,使得ZF预编码可以快速的收敛。实验结果表明,SI-SSOR预编码在误码率和传输速率上都有非常好的性能。切比雪夫半迭代法加速的SSOR预编码技术通过2次迭代就可以近似达到传统ZF预编码性能的95%以上,同时利用相对于迫零预编码更少的计算资源,因此,SI-SSOR预编码技术可以作为无线通信抑制干扰的重要手段。

平均自适应滤波的信道均衡算法研究

近年来数字传输系统的信道均衡侧重于训练时间的缩短和跟踪速度的加快,需要研究快速收敛的自适应算法。从这点考虑递归最小二乘(RLS)均衡器是最佳的选择,但RLS算法的运算非常复杂而且存在稳定性问题,因而有必要研究一种能够代替传统RLS的算法。在本文中介绍一种基于平均自适应滤波(AFA)算法的均衡器,其主要优点是与RLS算法相当的快速收敛速度,同时运算复杂度较低。

改进的循环神经网络极化码BP译码算法

近年来,新兴的深度学习(DL)技术在译码领域取得了进展,目前提出的极化码神经网络译码器有着比置信传播(BP)译码更快的收敛速度和更好的误码率(BER)性能,但其仍存在运算复杂度高的问题。文章针对该问题,在迭代过程中采用改进信息更新这个思路,提出了一种改进左信息更新的循环神经网络(RNN)偏移最小和(OMS)近似BP(RNN-OMS-BP-L)译码算法。仿真结果表明,文章所提算法相比于深度神经网络(DNN)BP(DNN-BP)译码算法,使用6.25%的加法运算代价替换了全部的乘法运算;相比于目前较优的RNN OMS近似BP(RNN-OMS-BP)译码算法,在确保BER性能几乎无损失的条件下,文章所提算法使用改进的信息更新减少了25%的加法运算复杂度,节省了部分存储空间开销,在相同BER性能下,减少了37.5%的迭代次数。