无线通信中的边缘智能

本文综述了机器学习(Machine learning, ML)在无线边缘网络的主要应用、典型学习方法、以及性能潜力。首先分析了无线边缘智能与传统人工智能的区别。而后讨论了两种降低训练ML复杂度的思路,一种是从学习方法角度研究知识与数据联合驱动的ML,另一种是从无线系统角度设计合适的训练和决策方法,分析了集中式决策和分布式决策、集中式训练和分布式训练的优缺点。进一步介绍了联邦学习在无线边缘网络中的应用现状和适用场景,总结了在降低通信开销和个性化学习方面的研究进展与存在的问题。最后对全文进行了总结。      

FBMC/OQAM水声通信系统的适应性成型脉冲设计

水声信道是一个时变的双扩散信道,不仅会引起传输信号的时频扩展,而且会造成严重的信息损失。由于滤波器组多载波/交错正交幅度调制(Filter Bank Based Multicarrier/Offset Quadrature Amplitude Modulation, FBMC/OQAM)系统可通过改变发送信号的成型脉冲来减小时频扩展带来的符号干扰和子载波干扰,因此更适合快速时变的水下声信道。为了降低现有成型脉冲设计算法的优化难度,提出了一种快速且易于实现的成型脉冲设计方法,该方法根据信道时频统计特性对扩展高斯函数(Extend Gaussian Function, EGF)进行了优化,实现了期望信号能量最大化,并在时域符号间加入适当的保护间隔,进一步增强了抗多途干扰的能力。仿真结果表明,无论在高频散信道还是在低频信道下,相比于其它成型脉冲算法,该算法在降低计算量的同时,改进了的FBMC/OQAM系统的传输性能,误码率降低了2～3 dB。     

面向负载均衡的主动切换

为了解决超密集网络中用户在移动过程中由于小区间干扰和负载不均衡导致的用户服务质量下降的问题,本文研究了一种面向负载均衡的主动切换策略,设计了一种基于双门限的移动切换策略,包含小区内的切换与小区间的切换。通过优化小区内的切换门限,可以最小化系统总资源开销。通过优化小区间的切换门限,能够保证用户实时业务需求的同时均衡网络负载。通过预测用户未来大尺度信道信息,设计主动的双门限切换策略,可以有效降低切换延迟。仿真结果表明,与现有的切换策略相比,所提算法不仅提高了资源利用率,还降低了用户掉线概率与切换次数。      

基于干扰协调的主动负载均衡

为了解决负载均衡后分流的有实时业务需求的用户因受到严重的小区间干扰和因传统被动式方法固有的接入延迟所导致的用户体验下降的问题,本文提出了一种基于干扰协调的主动负载均衡算法。为了协调干扰,通过部分频率重用为小区边缘用户分配正交的资源;为了在满足用户数据率需求和均衡网络负载的前提下使系统总资源开销最小,通过预测用户的大尺度信道信息进行主动负载均衡。仿真结果表明,与现有的负载均衡方法相比,所提出的算法不仅提高了资源利用率,还降低了用户掉线概率。