基于大规模MIMO-OFDM系统的5G通信信道估计算法研究

信道估计对宽带无线移动通信系统的具体实现至关重要。本文介绍了大规模MIMO-OFDM系统的通信原理,指出5G无线信道存在的局限性,再根据信道衰落、多径效应等问题的成因,提出基于压缩感知理论的信道估计算法,并以MATLAB为仿真平台,设置了载波数量、稀疏度、载波频率等仿真参数,在不同的信噪比下开展了算法性能检验。结果显示,稀疏度自适应匹配追踪算法的性能表现最佳。

低精度ADC下的大规模MIMO-OFDM信道估计算法

针对低精度模数转换器(ADC)下的大规模多输入多输出正交频分复用(MIMO-OFDM)系统,提出一种基于量化压缩感知的信道估计算法——块稀疏多比特迭代硬阈值(B-MIHT)算法。该算法挖掘了大规模MIMO-OFDM系统信道的块稀疏特性,通过构建等效块稀疏信道矩阵结合多比特迭代硬阈值算法,基于训练序列对低精度ADC下的大规模MIMO-OFDM系统进行信道估计,并在MATLAB平台进行仿真实验。结果表明:B-MIHT算法能够准确地恢复低精度ADC下的大规模MIMO-OFDM系统信道信息,在系统量化精度为5 bits的条件下具有良好的信道估计性能,信噪比为30 dB时,误码率(BER)为5.45×10^(-3),归一化均方误差(NMSE)为1.73×10^(-3),且在信道路径数增多的情况下其信道估计性能损失相对较小。

联合导频CP的大规模MIMO-OFDM同步方法

针对大规模多输入多输出正交频分复用(Multiple Input Multiple Output Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统的同步问题,提出一种联合导频与循环前缀(Cyclic Prefix,CP)的同步方法。该方法联合导频与CP的结构,通过时域导频的相关性求得初步的频率偏移,再对接收数据进行频率补偿,根据CP的相关性进一步求得频率偏移后对两次频率偏移取均值,从而得到相对精确的频率偏移值。仿真结果表明,通过算法的改进,系统的同步性能得到了相对提高。

基于混合精度模数转换器的大规模MIMO-OFDM系统性能分析

该文对在接收端使用混合精度的模数转换器且采用迫零接收算法的大规模MIMO-OFDM系统的上行链路的频谱效率和能量效率进行了研究。采用加性量化噪声模型来对系统的性能进行分析,推导出整个系统的频谱效率和能量效率的近似闭式表达式,并通过仿真证明了表达式的正确性。研究结果表明,系统的频谱效率和每个用户的发送功率,接收端天线数目和接收端量化精度有关。数值和仿真结果还表明可以通过增加基站端的天线数量来补偿由低精度模数转换器带来的性能损失。

基于循环前缀的大规模MIMO-OFDM同步方法分析

大规模多输入多输出正交频分复用(Multiple Input Multiple Output Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统对同步性能具有极高的要求,本文在循环前缀(cyclic prefix,CP)的基础之上结合循环后缀思想,对CP结构进行改进,并引入伪随机序列对算法进行改进,进而得到较为精确的定时同步值及频率偏移值。通过仿真表明,改进的CP结构及算法使系统的同步性能得到了一定的提高。

大规模MIMO-OFDM系统结构化压缩感知信道估计中导频优化方法研究

对于FDD模式的大规模MIMO-OFDM系统,本文研究了将结构化压缩感知理论用于该系统的稀疏信道估计。考虑在该系统中将每个发送天线上的导频重叠放置,即每个发送天线可以在相同的时频资源块上发送导频符号,那么此时的系统稀疏信道估计问题可以建模为结构化压缩感知重建问题。为了优化导频位置和导频符号来改进稀疏信道估计的质量,提出了一种最小化完全块间相关值的导频优化准则以及基于此准则的导频搜索算法,完全块间相关值是结构化压缩感知框架下衡量恢复矩阵子块间相关程度的量值。仿真结果表明,与其他导频相比,使用此优化方法获得的导频可以使信道估计误差明显减小,其性能增益大约为2~5 d B。另外,仿真结果还表明,在相同的导频数量前提下,使用优化导频获得的性能增益会随着发送天线数量的增加而变得更加明显。

基于导频结构的大规模MIMO-OFDM同步方法

针对大规模多输入多输出正交频分复用(Multiple Input Multiple Output Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统频率偏移的同步问题,提出一种基于导频结构的同步方法.该方法在GCL序列的基础之上结合Park特殊训练序列结构设计新的导频结构.通过对导频序列进行二次相关计算、频率偏移补偿和取均值等方法来对定时频率偏移进行估值计算.仿真结果表明,通过结构及算法的改进,大规模MIMO-OFDM系统在频率偏移方面的同步性能得到了一定的提高.

基于隐聚类和狄利特雷过程的大规模MIMO-OFDM接收机设计

本文首先讨论了大规模MIMO-OFDM(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing)系统信道的空间相关性,提出了一种基于隐聚类假设的信道建模方法,利用概率参数模拟不同的传播环境.然后,将机器学习领域的狄利特雷过程(Dirichlet Process,DP)引入到稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)模型中,建立了DP-SBL结构,在信道估计的同时挖掘并利用大规模MIMO系统所特有的隐聚类特征.接着,将DP-SBL结构应用于大规模MIMO-OFDM系统中,在因子图上利用消息传递算法推导了一种基于隐聚类和狄利特雷过程的接收机算法.最后,将本文提出的接收机算法和现有算法进行对比分析.结果表明,本文提出的接收机算法充分利用了大规模MIMO-OFDM系统特有的空间相关性,能够以较低的计算复杂度获得较强的鲁棒性和显著的性能增益.

大规模MIMO-OFDM系统峰均值比降低方案改进

针对低复杂度大规模MIMO-OFDM系统峰均值比降低方案给出一种改进。先裁剪OFDM信号的峰值,利用曲线拟合计算出削峰信号,再将其在预留的子载波上发送,由此降低预留天线上OFDM信号的峰均值比。在Matlab中随机产生10个用户的发送符号,预留12个子载波,采用改进的低复杂度方案对发送符号进行处理,得到信号的互补累计分布函数(CCDF)。仿真结果表明,在CCDF概率等于1%时,改进方案比原低复杂度方案的PAPR降低性能可提高约2.5dB。

基于训练序列的大规模MIMO-OFDM同步方法分析

大规模多输入多输出正交频分复用(Multiple Input Multiple Output Orthogonal Frequency Division Multiplexing,MIMO-OFDM)技术是5G的核心技术之一。本文针对大规模MIMO-OFDM系统的同步问题,提出了一种基于训练序列的同步方法。该方法结合特殊的Park训练序列结构,将训练序列分为四个部分,通过对训练序列结构进行相关计算来求得系统的频率偏移值。仿真结果表明,该方法可以有效提高大规模MIMO-OFDM系统的同步性能。

宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案

大规模MIMO-OFDM系统下行链路利用压缩感知算法获得信道状态信息需要已知信号的稀疏度作为先验条件,然而实际环境中,无线信道的稀疏度是未知的。利用大规模MIMO信道的空时共同稀疏性的特点与不同SNR下设置不同停止迭代阈值的思想改进压缩感知重构算法,目的在于使所提算法不仅提升估计性能,还可以准确获得信道的动态稀疏度。通过实验可知,相比传统的CoSaMP算法和S-CoSaMP算法,SSA-CoSaMP算法在同等信噪比下具有更良好的信道估计性能,并且可以自适应地获取稀疏度,更适合实际工程中应用。

基于自适应压缩感知的大规模MIMO-OFDM系统信道估计方法

大规模多输入多输出(MIMO,multiple-input multiple-output)是物联网(IoT,Internet of things)中为多种机器类设备高效提供连接服务的解决方案,而高效的连接服务需要准确的信道估计。针对大规模MIMO系统的下行信道估计中导频开销大和估计归一化均方误差(NMSE,normalized mean square error)性能较差的问题,以压缩感知(CS,compressed sensing)理论为基础,在结合信道空间域共同稀疏性的同时,利用相邻时隙差分信道冲激响应(CIR,channel impulse response)的稀疏性更低的特点,大大减少了导频发送的数量。在重构算法上,提出了一种二阶段差分估计算法,将一组连续相关时隙内的信道估计分为两个阶段,并结合自适应压缩感知的思想以实现快速准确的CIR估计。仿真结果表明,所提出的二阶段差分信道估计算法不仅在估计的NMSE性能、数据传输速率上相比已有的基于CS的多重测量向量(MMV,multiple measurement vector)算法有显著的提高,而且在运行时间复杂度上也有一定的降低。

宽带大规模MIMO-OFDM的联合差分信道估计方案

鉴于大规模多输入多输出正交频分复用(Massive MIMO OFDM)下行链路无线通信系统,提出一种基于空时共同稀疏性的信道估计重构算法。所提算法在子空间追踪(SP)算法的基础上,利用信道的时间相关性和多天线的共同稀疏性,同时考虑联合差分和结构稀疏进一步降低导频开销并提升估计性能。提出的联合差分结构化子空间追踪(Joint Differential Structured SP,JDSSP)算法特点如下:第一,算法在每一次迭代过程中同时对多个向量进行更新,对稀疏性进行结构化增强,提升算法的重构性能。第二,算法在进行重构过程中,并不是只处理当前时刻接收到的导频信号,而是联合前一帧的导频信号进行差分,进一步增强稀疏性,进而提升算法重构的精度。仿真结果表明,所提算法在降低导频开销的同时能够取得较好的参数估计性能。

基于CS的大规模MIMO-OFDM信道估计

本文主要研究的是大规模多输入多输出-正交频分复用(MIMO-OFDM)系统,一方面MIMO技术可以尽可能地加快传输速度和信道容量,另一方面OFDM技术又在尽可能地去降低信道之间的串扰,从而提高利用率。在信道研究中关键所在即信道估计,目前大致分为三类:盲道、半盲道及基于数据辅助的信道估计算法,然而出于保证通信质量的前提下,本文重点研究基于数据辅助的信道估计算法。在此基础上,压缩感知(CS)的研究必不可少,压缩感知能从低分辨率采样中创建高分辨率数据集。本文提出一种将CS和信道估计结合起来,在通用的正交匹配追踪算法(OMP)、重构算法上加以正弦余弦算法、SCA算法优化改进,实现对大规模MIMO-OFDM信道的准确估计。

基于大规模在线开放课程开展成人高等学历教育研究

随着互联网技术的迅速发展和普及,大规模在线开放课程逐渐成为一种受欢迎的教育形式。与此同时,成人高等学历教育的需求也日益增长。基于此,针对基于大规模在线开放课程来开展成人高等学历教育进行研究,并探索其可行性和效果。首先,介绍了大规模在线开放课程的特点,以及成人高等学历教育面临的现状和挑战。其次,分析了大规模在线开放课程开展成人高等学历教育的优势和可能存在的问题,并提出了相应的解决方案和建议。期望可以促进成人高等学历教育的发展,对于提高教育普及性具有重要的意义。

大规模个性化定制的价值涌现原理——价值共创的新形态

依托生产模式的三维结构框架,从复杂性视角,针对手工生产、大规模生产、大规模定制、大规模个性化和大规模个性化定制等主要生产模式,分析其中从价值交易到价值共创再到价值涌现的价值生成演化历程,提炼出客户维、生产维和服务维3个维度下的价值生成路径。基于局部作用导致整体涌现的系统科学观念,揭示出大规模个性化定制的价值涌现原理,明确了该原理的基本内涵。人单合一是大规模个性化定制的一种具体实现,其价值创造规律遵从价值涌现原理。生态价值是人单合一价值创造的源泉,海尔的超模块平台组织结构可实现人单合一中的价值涌现。大规模个性化定制的价值生成过程具有涌现性特征,它以价值涌现的方式表现出来,是价值共创的一种新形态。

面向大规模优化问题的精英贡献两阶段动态分组算法

协同进化框架是解决大规模全局优化问题的有效方法,设计合理的决策变量分组方法是提高协同进化算法性能的关键,而利用精英决策变量动态构建精英子组件可以有效提高进化效率,但在进行大规模优化时,其可能将无关的变量分配到同一子组件,从而无法充分利用分组提高协同进化效率。针对该问题,提出一种精英贡献两阶段动态分组算法(EC-TSDG)。在分组前阶段,对变量进行随机分组,评估变量的贡献程度,从众多变量中寻找精英贡献变量;在分组后阶段,利用变量的相关关系寻找与精英决策变量存在相互作用的剩余变量,并将其合并形成精英子组件,使得精英子组件内部的变量两两相关,以此提高变量分组的准确性以及算法的收敛速度,避免子组件之间的相关干扰。最后,采用具有外部存档的自适应差分进化算法作为优化器进化各个子组件。在CEC'2013测试集上与其他先进算法进行比较,实验结果表明,EC-TSDG收敛速度快于对比算法,Friedman检验值为1.43,平均排序较对比的动态分组算法DCC平均提升36.78%。

IRS辅助去蜂窝大规模MIMO系统反窃听安全波束赋形研究

为提高物理层安全通信性能,针对目前物理层通信容易受到建筑物遮挡和非法用户窃听的问题,提出了一种智能反射面(intelligent reflecting surface,IRS)辅助去蜂窝大规模多输入多输出(multiple-input multiple-output,MIMO)系统反窃听安全传输波束赋形方案。考虑信道理想的情况下,以还原合法用户接收信号和阻止非法用户接收信号为目标,最小化发射波束赋形向量,构建了一个基站主动波束赋形向量和IRS相移的联合波束赋形问题。通过交替优化将原问题分解为基站波束赋形向量优化子问题和IRS相移优化子问题,并通过解非齐次线性方程组思想的方法,对优化子问题进行求解。仿真结果表明,相较于传统物理层安全通信方案,提出的方案能够有效使非法用户窃听信号为0,降低传输功率,并且具有较好的误码率。

双IRS辅助大规模MIMO系统中基于双时间尺度的信道估计方案

在双智能反射面(IRS)辅助的大规模多入多出(MIMO)通信系统中,为获取信道状态信息(CSI)而进行的信道估计需要较大的导频开销。考虑到基站(BS)-IRS信道与IRS-IRS信道具有高维且准静态的特性,而IRS-用户(UE)信道具有低维且时变的特性,本文提出一种基于双时间尺度的信道估计方案。首先,对于准静态信道,由BS发送导频并基于坐标下降算法和最小二乘法分别估计BS-IRS信道和IRS-IRS信道。然后根据准静态信道的估计结果进一步基于最小二乘法估计IRS-UE信道。仿真结果表明,本文所提出的方案可以采用低于对比方案50%的导频开销来获取低于对比方案近10 dB的估计归一化均方误差(NMSE),实现用更少的导频开销获取更高的信道估计精度。

ADAFT:SDN大规模流表的适应性深度聚合存储架构

为解决软件定义网络(SDN)数据平面中的三态内容可寻址存储器(TCAM)资源紧张问题,提出了一种基于内容表项树的SDN流表深度聚合方法,进而构建一种SDN大规模流表的适应性深度聚合存储架构ADAFT。该架构放宽了聚合表项之间的汉明距离要求,构建内容表项树聚合动作集不同的流表项,显著提高了流表聚合程度。设计了一种TCAM装载率感知的内容表项树动态限高机制,以降低流表查找开销。同时,提出了一种TCAM装载率感知的表项聚合适应性选择策略,以均衡流表聚合程度和查找开销。实验结果表明,ADAFT架构的流表压缩率明显高于现有方法,最高可达65.74%。