双层异构网络中基于有限反馈的空时干扰对齐研究

本文针对双层异构网络,提出一种利用当前和过期发射端信道状态信息(Channel State Information at the Transmitters,CSIT)的异构空时干扰对齐(Heterogeneous Space-Time Interference Alignment,HSTIA)方案.该方案将空时干扰对齐拓展至双层异构网络MISO(Multiple Input Single Output)混合信道,研究可达自由度关于CSI(Channel State Information)反馈时延的折中域.结果表明,增加发射端天线数能有效提高可达自由度.基于该结论,将空时干扰对齐技术扩展至双层异构网络MIMO(Multiple Input Multiple Output)混合信道,分析MIMO系统发射端与接收端天线数比对系统自由度的影响,并进一步研究系统达到该自由度时CSI反馈时延的取值范围.结果表明,当发射端与接收端天线数比足够多时,系统自由度的稳健性随接收端天线数的增加而加强.通过仿真分析验证,HSTIA方案利用本地当前和过期CSIT执行发射预编码,实现不同时隙的干扰信号相互消除,从而获得自由度增益,以提高系统的可达速率.

双层异构网络下多用户干扰对齐算法

针对多个毫微微蜂窝网络与宏蜂窝网络共存的网络环境,基于干扰对齐技术,提出了一种双层预编码方案,首先定义宏蜂窝网络对毫微微蜂窝网络造成的干扰为跨层干扰,毫微微蜂窝网络之间的干扰为同层干扰,分别对毫微微蜂窝用户和宏蜂窝用户进行预编码,宏蜂窝用户的预编码使得跨层干扰最小,使之可比拟于背景噪声,毫微微蜂窝用户的预编码与毫微微蜂窝基站的后置编码进行迭代,以最小均方误差（MMSE）准则输出,仿真结果表明所提算法使得毫微微蜂窝网络的吞吐量相较于单层MMSE算法在信噪比为0～30 d B区间内平均提高了3 bps/Hz.

双层无线异构网络下行干扰抑制方法研究

针对引入家庭基站技术的双层无线异构网络中存在严重的跨层和同层干扰的问题,提出了一种基于伪随机子信道选择的干扰抑制方案。该方案首先通过干扰随机化抑制跨层干扰,然后利用干扰图计算最大可选择伪随机序列个数抑制同层干扰。通过对比传统干扰抑制方案,验证了该方案能更有效地抑制系统干扰,提高系统吞吐量。

基于双层异构深度神经网络模型的人脸识别关键技术研究

伴随着人工智能的快速发展,人脸识别技术在社会领域和工业领域都呈现出较广泛的应用潜力空间,但由于传统人脸识别技术识别率低,识别速度慢,对环境要求非常高,迫切需要革新方法。本文旨在研究如何将深度学习算法引入人脸识别领域,通过构建双层异构深度神经网络模型,模拟神经网络进行学习,使用CNN与DBN等众多模型让计算机逐渐根据大量数据特征学会识别图像与人脸,并对人脸识别领域关键技术难点进行深入研究,从而大幅度提升人脸识别技术的识别率与鲁棒性。

Macro-Femto双层网络中资源分配策略

宏蜂窝与家庭基站的双层组网方案能够有效提高通信系统的容量,解决数据业务拥堵的现状。但是,宏蜂窝基站和家庭基站之间的多种干扰问题严重损害了通信质量,降低系统性能。针对该问题,文中提出了一种分层调度资源—联合抑制干扰的算法。首先构建了内外层系统模型(I-O模型),并对双层交叉混合干扰进行了分析,然后分别在内层和外层提出了时频域资源调度和基于子信道和功率的资源分配算法,最后在系统平台上进行仿真。结果表明,所提算法在小区边缘用户频谱效率、系统用户平均吞吐量等方面达到了良好的效果。

基于小区活跃状态的PCI自配置方法研究

在LTE双层异构网络中,终端在宏蜂窝与飞蜂窝之间存在大量跨层切换。针对切换过程中存在的PCI冲突和混淆问题,提出了一种根据小区活跃状态动态配置PCI的方法。该方法基于隐马尔可夫模型(HMM,Hidden Markov Model),通过观察入站切换频率,对小区活跃状态过程进行建模;将PCI分成专用组和复用组,分别配置给较为繁忙和空闲的小区。通过仿真对HMM与MA(Moving Average,滑动平均)模型进行对比,结果显示基于HMM的预测准确率更高。基于小区活跃状态的PCI分组配置方法可有效降低切换时的PCI冲突、混淆概率。