基于深度学习的1-比特超大规模MIMO信道估计

超大规模多输入多输出(Multiple Input Multiple Output,MIMO)技术在未来的移动通信中具有巨大的潜力。然而,采用超大型的天线阵列会出现空间非平稳性信道特征,如果为基站的每根天线都配备一个高精度量化器,系统功耗将大幅度增加,从而阻碍超大规模MIMO系统的广泛应用。因此,假设基站的每根天线都配备有一对1-比特模数转换器(Analog-to-Digital Converters,ADC),利用子阵列与用户之间的映射关系来描述非平稳信道特征,借助深度神经网络(Deep Neural Network,DNN)强大的泛化能力,设计一种新的生成式监督DNN模型,该模型可以使用合理数量的导频进行训练。仿真结果表明,所提出的网络可以使用较少的导频得到较好的估计性能,在性能与计算复杂度之间取得良好的平衡。

基于Sigma-Delta调制技术的高精度数字磁通门磁强计仿真

设计了一种基于1 bit Sigma-Delta环路调制技术的高精度数字磁通门磁强计,建立了数字磁强计信号处理仿真模型,并利用Matlab的Simulink仿真工具开展了数字磁通门磁强计模型的仿真分析,对数字磁强计系统的噪声、线性度、响应速度和频率响应进行了仿真计算。利用本文1 bit Sigma-Delta环路调制技术的数字磁强计在量程超过±10^(5 )nT的情况下,系统在1 Hz处的噪声仅为4.66 pT·Hz^(-1/2),最大线性偏差为0.16 nT,动态响应速度达到2×10^(6) nT·s^(–1),频率响应带宽超过10 Hz。仿真结果表明,基于1 bit Sigma-Delta环路调制技术的数字磁通门磁强计可以有效降低对A/D转换器精度的要求,在保证性能的前提下大幅度降低了电路复杂程度,提高了系统的可靠性,在深空探测、空间磁场测量等领域具有广泛的应用前景。