基于弱能量并行训练序列的OFDM信道估计

研究获得OFDM信道的信道状态信息,提高信道的传输性能,针对快速信道传输中提高传输率,提出了一种基于弱能量并行训练序列的信道估计算法,算法中训练序列直接叠加到发送的信息数据上,在接收端利用并行训练序列来进行信道估计.仿真结果显示,所提算法的性能与基于导频的LS、MMSE算法性能相当,且在低信噪比时稍优于LS算法.采用m序列、ZCZ序列和最优周期训练序列时都能达到很好的BER信道估计性能,可选择的训练序列的范围更广,并进行仿真.结果表明,算法提高了信道传输性能,计算复杂度低,并具有很好的灵活性,对无线通信系统有效,为系统设计提供了依据.     

基于叠加训练序列的MIMO-OFDM信道估计

为提高无线信道的传输性能,提出了改进的基于ST技术的MIMO-OFDM系统信道估计的训练序列算法。利用训练序列与信息序列的不相关性,估计出信道参数。即使在存在通道失配误差和通道的量化误差的情况下,用有量化的反馈的基于信道估计的训练序列也能改进系统的性能,信道采用10 bit的量化器就能满足一般性能要求。讨论了使用信道互信息最大化的最优导频序列的设计。     

基于叠加训练序列的MIMO-OFDM信道估计

为实现多输入多输出(MIMO)-正交频分复用(OFDM)系统相干检测,提出一种新的基于叠加正交训练序列的MIMO-OFDM信道估计.详细证明了算法的估计准则并说明了训练序列的构造.通过叠加与信息序列不相关的正交训练序列,快速有效地估计出信道的冲激响应,同时使得最小均方误差达到最小值.与最小二乘法比,该算法避免了复杂的矩阵求逆运算,降低了运算量,且通过叠加训练序列,没有带宽损失.通过计算机仿真证明了算法的有效性及高性能.     

MIMO-OFDM系统空间相关性迭代信道估计算法

针对受到噪声干扰及多普勒效应等因素影响的多输入多输出（Multi-Input Multi-Output,MIMO）正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）无线系统信道估计问题,提出了一种有效的空间相关性迭代信道估计算法（SCICE）。SCICE利用同步符号与协议数据单元中的前置训练序列和中置训练序列,对信道的空间相关性进行估计,数据信息根据该信道相关性信息得到初始的信道估计值,接收端根据信道估计值进行数据符号检测,并将这些信息作为已知信息,以迭代的方式逐渐减小因空间相关性导致的信道估计误差,进而提高信道估计的准确性。与现有迭代信道估计算法的性能比较表明了提出的SCICE算法在瑞利衰落信道以及不同调制方式下具有更好的信道估计均方差与误码率性能。     

一种新的基于训练序列的时域MIMO-OFDM信道估计方法

提出了一种适合于MIMO-OFDM系统的信道估计方法。详细说明了使用的估计准则和训练序列的构造方法,利用训练序列良好的时域相关特性可以简便、精确地估计出信道的冲击响应,并对算法的性能进行了理论分析和计算机仿真。从分析结果可以看出,该算法与使用最佳训练序列的LS时域估计方法具有相当的估计精度。同时该算法不需要进行时域变换,只需要一定数量的相关运算,其计算复杂度进一步降低。     

一种MIMO—OFDM系统训练序列构造方法

推导出无线多径衰落信道模型的离散表达式,对非整数采样信道(Non-sample-spaced channel)能量泄漏的特点进行了分析,并进一步分析了训练序列对信道估计算法复杂度和估计性能的影响.在此基础上提出了一种利用Hadamard矩阵构造训练序列的新方法,并在TU(Typical urban)和HT(Hilly terrain)两种衰落信道条件下进行了仿真.理论分析和仿真结果表明:与相位偏移法相比,新的训练序列构造方法在保持算法复杂度不变的前提下,能够使信道估计算法的估计精度明显改善.     

一种基于ZCZ序列的OFDM信道估计

提出了一种基于ZCZ序列的OFDM信道估计方法,该方法是基于隐训练序列的信道估计方法的一个特例。与传统的基于训练序列的估计方法不同,隐训练序列不占用单独的时隙,而是周期性地叠加在数据序列上,这虽然引起了一定的发送能量损耗,但大大提高了信息速率。该估计方法利用了接收数据的一阶统计特性,具有实现简单的优点,与传统的基于训练序列的方法相比,提高了频谱利用率。由于ZCZ序列的平衡性,该方法不受直流偏移的影响,这大大改善了传统的基于隐训练序列的信道估计性能。给出了信道估计算法,并对估计误差进行了分析。     

基于数据相关叠加训练序列的载波频偏与信道联合估计

针对正交频分复用(OFDM)系统对载波频偏敏感的问题,提出一种载波频偏与信道的联合估计算法。通过相邻2个OFDM符号间的相位差进行频偏估计,使用迭代算法提高估计精度。利用数据相关叠加训练序列在频域的特性,对2个连续的OFDM符号进行信道估计,并且采用基扩展模型拟合信道提高估计性能。仿真结果表明,该算法可在不增加系统复杂度及带宽的情况下实现载波频偏及信道的稳健估计。     

联合白噪声统计估计和卡尔曼滤波的MIMO信道辨识

提出了一种新的时间选择性衰落环境下MIMO信道辨识算法。为了提高信息传输效率,训练序列被直接叠加于信息序列之上。算法将信息符号输出、接收端AWGN和由于采用零中频接收技术而产生的直流偏移当做虚拟的观测噪声,其均值和自协方差均未知。通过联合的递推白噪声统计估计器和卡尔曼滤波器对时变信道进行跟踪,推导了一种计算简单的次优无偏时变白噪声统计估计器。以简单有效的方法抑制直流偏移对辨识精度的影响。仿真结果表明了算法具有良好的性能。     

基于叠加的PN序列的TDS-OFDM系统

提出一种基于叠加伪随机序列的时间域同步的OFDM结构,采用周期性叠加多个短序列和一个长序列进行符号同步,可以精确地同步到信道第一径时延处,利用叠加序列的周期性得到了信道各径增益的最小均方误差估计,在深度衰落的信道中,能够对系统带来一定的性能增益。仿真结果表明：在叠加相对能量0.1左右时,所建议的同步算法和信道估计算法均可以得到很好的性能。     

MIMO-OFDM系统中一种有效的信道估计方法

在多输入多输出正交频分复用(MIMO-OFDM)系统中，采用梳型训练符号的传统信道估计技术在子载波边缘会产生相当大的均方误差(MSEs)。为了减少这些子载波上的MSEs，提出了一种循环的梳型训练结构。在这种结构中，所有类型的训练符号都在每个天线上循环地发送。在接受端，用每个训练符号来估计信道频域响应，并采用与MSEs相对应的权重因子来平均这些响应。计算机仿真结果表明，这种循环的训练结构能够提供比传统的结构更高的信噪比(SNR)。     

基于正交字典的全反馈信道函数估计

为解决传统均衡算法和匹配算法在低信噪比情况下水声稀疏信道估计准确率低和计算量大的问题,提出一种基于正交字典的全反馈信道函数估计方法。通过信道参数估计公式分析,当训练序列与信道函数分量卷积构成正交字典集时,利用匹配算法便可获得最佳匹配结果,结合全反馈结构将信道参数反馈迭代计算,用数学归纳法证明该结构可进一步提高信道函数估计准确率。仿真结果表明,在低信噪比条件下,相比均衡类算法和匹配类算法,提出的信道估计算法可获得更高的估计准确率,具有更低的时间复杂度。     

基于高速链路综合指标COM的影响因素分析

在25 Gbit/s高速链路中,COM已经成为一项重要的衡量指标。为分析无源链路的各项参数对COM的影响,采用仿真的方法搭建了多种传输通道模型。通过分析COM的内部运算原理和多种参数扫描仿真,得到了链路长度、系统特性阻抗、介质损耗因子等因素对COM的影响规律,对高速数字电路设计有一定的指导意义。     

Neural network-based design approach for submicron MOS integrated circuits

In this work, a neural network-based solution to BSIM3v3 MOSFET model is developed to find the most suitable channel parameters to improve the production yield and operation accuracy of submicron integrated circuits. By means of the proposed solution the channel parameters of each transistor can be found using terminal voltages and the drain current. The training data of the developed neural network are obtained by various simulations in the HSPICE design environment with TSMC 0.18μ$0.18\mu$ and AMIS 0.5μ$0.5\mu$ process parameters. The neural network structure is developed and trained in MATLAB 6.0 environment. The efficiency of the proposed neural network-based model is tested on different analog integrated circuits.     

基于深度学习的低复杂度LDPC译码器

在信道译码结合深度学习技术的研究中,维数限制问题一直是研究者们寻求突破的重点。由于深度神经网络是储存密集型,深度神经网络信道解码器通常需要比传统置信传播(BP)译码大得多的计算和内存开销。为了缓解这个问题,提出了一种应用于LDPC码的改进的神经网络译码器。根据深度神经网络信道解码器中权重参数值分布,有选择性地对新的神经网络解码器添加权重参数,通过限制训练参数数量,降低了深度神经网络信道解码器的规模,并且算法与BP译码相比取得了较大译码增益。     

Fading severity effects on collaborative sensing for opportunistic spectrum access

This paper investigates the performance of collaborative sensing of opportunistic spectrum access in a Nakagami fading channel with non-integer fading parameters. This technique provides an opportunity for secondary users to utilize the unused spectrum bands by primary users (licensees). In particular, we looked at the scenario when the channel between primary and secondary users is a generalized Nakagami-m fading channel. Numerical evaluation of the probability of misdetection in Nakagami fading channel with real value fading parameters is presented. Soft decision combining techniques were considered, namely square law and maximum selection combining. The performance analysis was extended to hard decision combining techniques. The obtained results showed how the spectrum utilization improved significantly when combining techniques are applied. In addition, the results revealed how soft decision combining techniques outperformed hard ones.     

端到端双通道特征重标定DenseNet图像分类

目的 针对密集连接卷积神经网络（DenseNet）没有充分考虑通道特征相关性以及层间特征相关性的缺点,本文结合软注意力机制提出了端到端双通道特征重标定密集连接卷积神经网络。方法 提出的网络同时实现了DenseNet网络的通道特征重标定与层间特征重标定。给出了DenseNet网络通道特征重标定与层间特征重标定方法;构建了端到端双通道特征重标定密集连接卷积神经网络,该网络每个卷积层的输出特征图经过两个通道分别完成通道特征重标定以及层间特征重标定,再进行两种重标定后特征图的融合。结果 为了验证本文方法在不同图像分类数据集上的有效性和适应性,在图像分类数据集CIFAR-10/100以及人脸年龄数据集MORPH、Adience上进行了实验,提高了图像分类准确率,并分析了模型的参数量、训练及测试时长,验证了本文方法的实用性。与DenseNet网络相比,40层及64层双通道特征重标定密集连接卷积神经网络DFR-DenseNet（dual feature reweight DenseNet）,在CIFAR-10数据集上,参数量仅分别增加1.87%、1.23%,错误率分别降低了12%、9.11%,在CIFAR-100数据集上,错误率分别降低了5.56%、5.41%;与121层DFR-DenseNet网络相比,在MORPH数据集上,平均绝对误差（MAE）值降低了7.33%,在Adience数据集上,年龄组估计准确率提高了2%;与多级特征重标定密集连接卷积神经网络MFR-DenseNet（multiple feature reweight DenseNet）相比,DFR-DenseNet网络参数量减少了一半,测试耗时约缩短为MFR-DenseNet的61%。结论 实验结果表明本文端到端双通道特征重标定密集连接卷积神经网络能够增强网络的学习能力,提高图像分类的准确率,并对不同图像分类数据集具有一定的适应性、实用性。     

Robust speech recognition method based on discriminative environment feature extraction

It is an effective approach to learn the influence of environmental parameters,such as additive noise and channel distortions,from training data for robust speech recognition.Most of the previous methods are based on maximum likelihood estimation criterion.However,these methods do not lead to a minimum error rate result.In this paper,a novel discriinative learning method of environmental parameters,which is based on Minimum Classification Error (MCE) criterion,is proposed.In the method,a simple classifier and the Generalized Probabilistic Descent (GPD)algorithm are adopted to iteratively learn the environmental parameters.Consequently,the clean speech features are estimated from the noisy speech features with the estimated environmental parameters,and then the estimations of clean speech features are utilized in the back-end HMM classifier,Experiments show that the best error rate reudction of 32.1% is obtained,tested on a task of 18 isolated confusion Korean words,relative to a conventional HMM system.     

一种TH-UWB信号同步捕获算法研究

针对跳时超宽带（TH-UWB）系统,提出了一种基于特殊训练序列的同步捕获算法,该算法使用宽度为一个信息符号的滑动时间窗对接收信号依次截取,通过设计一种特殊的训练序列使得相邻两段截取信号的相关值仅与时间窗的滑动时延有关,然后利用这种滑动搜索来实现同步捕获参数的估计.这种算法能够有效地捕获密集多径信道下极窄脉冲的能量,并且降低了运算复杂度和同步捕获时间.结果表明,在训练序列长度为16、32时误码性能曲线和理想同步情况下十分接近.