基于阵列域大尺度衰落模型的1-bit大规模MIMO系统性能的分析

该文研究在阵列域大尺度衰落模型下,基站端天线仅仅配备了1-bit精度的模数转换器时大规模MIMO系统的性能。首先给出了系统采用最大比合并接收机时,用户上行可达速率的闭式表达式。然后分析了1-bit系统的功率效率性能,并将该1-bit系统与传统的具有无穷精度模数转换器的系统性能相比较。通过计算机仿真验证了该文的分析结果。该文指出基站端可以安装更多的天线来弥补1-bit精度的模数转换器所造成的性能损失。

基于深度学习的捷变相参雷达1-Bit块稀疏重构

近年来,量化压缩感知理论在雷达目标参数估计问题中得到了广泛应用,其主要思想是对采样回波数据进行量化,并将雷达观测模型建模为欠定方程,再利用压缩感知理论对稀疏目标信号进行恢复,降低回波数据的位宽,达到简化系统、提升效率的目的。本文建立了捷变相参雷达信号的块稀疏压缩感知模型,并提出一种基于深度学习的1 Bit块稀疏重建网络B-BAdaLISTA,该重建网络与传统1-Bit硬判决迭代算法比较,在1 Bit采样量化下具有相近的重构性能和更快的收敛速度,同时将块稀疏的结构特征融入到网络结构中,显著提高了雷达目标参数的恢复质量。通过仿真实验定量分析了B-BAdaLISTA重建网络在无噪、有噪条件下的恢复能力,验证了算法的有效性。

仅依赖连通度的压缩感知多目标定位方法

提出仅依赖连通度的多目标定位方法,将多目标定位问题转化为基于压缩感知的稀疏向量重构,解决室内参照物高密度分布的目标定位问题。定位方法仅以连通度为观测值,运用最小化l1-范数法求解目标位置。当观测数据压缩为1 bit时,提出半正定松弛和不动点迭代法结合的目标求解算法。根据仿真实验结果,与MDS-MAP、DV-Hop和RSS-CS方法进行比较得出,仅连通度的非1-bit和1-bit量化的CS定位方法的平均定位误差小于1个网格,且2种方法占用的比特数只相当于RSS定位方法占用比特数的1/4和1/16。