多用户MIMO系统的低复杂度天线选择算法

块对角化是一种用于多用户MIMO系统下行链路的预编码方案,它可以完全消除多用户间的干扰。论文就是针对采用块对角化预编码的多用户MIMO下行链路,基于信道F-范数提出一种新的次优天线选择算法。该算法计算复杂度较低。仿真结果显示,其系统容量接近采用最优算法的系统容量。     

一种抗干扰且低复杂度的混合型智能天线系统设计

提出了一种低复杂度的混合型智能天线,用来解决频率选择性衰落信道中的符号问干扰（ISI）的问题。仿真结果证实,该低复杂度的混合智能天线系统可以在具有ISI多路径信道衰落下具有良好的性能,并且优于利用定向天线以及多径分集增益的智能天线系统。     

线性均衡器技术原理在预测领域的应用

对数据进行预测是一项重要的工作,把在通信领域广泛应用的线性均衡器技术原理应用于预测,是一项有趣的尝试.本文进行了3抽头迫零均衡器和5抽头迫零均衡器的预测效果研究.通过真实数据的验证,得出了这两种方法的预测效果,证实在预测领域应用线性均衡器技术原理是切实可行的.     

发射天线选择正交空时码系统的性能分析

分别针对瑞利衰落信道和Nakagami衰落信道,研究了使用发射天线选择(TAS)和正交空时分组码(STBC)的多输入多输出系统的平均符号误码率(ASEP)性能。基于标量加性高斯白噪声(AWGN)信道的方法,推导出了采用脉冲幅度调制(PAM)、相移键控(PSK)和正交幅度调制(QAM)的精确和近似的ASEP闭合表达式。然后对不同条件下的系统性能做了数值仿真,验证了分析结果的正确性。     

一种低复杂度非满秩正交随机波束成型传输方法

与现有研究点对点的无线通信手段不同,基于网络整体架构,分析SINR、波束矢量、用户数、吞吐量内在关联,发掘网络内部多用户空间分布不一致性带来的用户间的分集增益,提升系统的吞吐量.将随机波束成型与迫零算法有机结合,研究一种新型非满秩正交波束成型算法,克服了满秩波束间的相互干扰,提升系统容量;最后对性能作了详细分析与验证,得出几个极有意义的结论.     

一种低复杂度低码率视频压缩方案

以H.264视频编码的低复杂度低码率应用为研究对象,分别就编码中关键部分如DCT变换量化模块、预测编码模块、降噪及去块效应等进行深入分析、理论研究和实验仿真,给出实现方案。主要有降低编码复杂度的全零DCT系数块预判、运动估计及模式选择早结束、自适应降噪去块效应以提高图像质量的预处理等。仿真结果表明,该方案达到了低码率低复杂度高质量视频压缩的目的。     

一种宽频带电视发射天线的设计

针对发射天线带宽受限的问题,提出了一种新型的扩频方法——双补偿技术。该方法将补偿位置转移到了天线的馈线系统内,不需要对单元天线做特别复杂的改进。利用双补偿技术设计了复式正交环天线。     

基于对数似然比的发射天线选择

基于对数似然比(LLR)的天线分集是误码性能优于传统基于信噪比(SNR)天线分集的一种新技术,并降低了系统的实现复杂性和成本。为此对基于LLR的发射天线选择新技术进行了研究,推导了多输入多输出(MIMO)Nakagami衰落信道上基于符号对数似然比(SLLR)和比特对数似然比(BLLR)的发射天线选择准则,并对M进制调制系统进行仿真研究。结果表明,基于BLLR准则的MIMO系统误比特率最小;采用SLLR准则和BLLR准则时,在保持发射端和接收端的天线总数不变的条件下,分集数量级大的系统误比特率性能好;数量级相等时,接收天线较多的系统性能较优。     

一种降低ACELP码书搜索复杂度的高效算法

为了降低代数码激励线性预测(algebraic code-excited linear prediction, ACELP)语音编码算法的复杂度, 以便更好地实时实现, 提出了一种有效的改进算法。在自适应码书搜索上提出了不连续的开环基音搜索算法, 利用时间抽取因子对不同时延段语音样点进行不连续抽取; 在代数码书的搜索上提出了一致脉冲替换法, 采用脉冲位置预选和循环判断机制控制码书搜索的次数。以G. 729A为实验平台进行仿真, 仿真结果表明, 改进的算法在保证语音质量的情况下, 有效降低了ACELP码书搜索的复杂度。     

一种低复杂度的短LDPC码级联译码算法

为了提高短低密度校验码(Short LDPC)的纠错性能,在研究盒匹配译码算法(BMA)和置信度与分阶统计译码级联算法(BP-OSD)的基础上,提出了一种新的针对短LDPC码译码的BP-BMA级联算法.该算法充分利用了BMA算法具有较低译码复杂度的特性.然后,利用该算法结合对数似然比累积(ALLR)算法进行了计算机仿真.仿真结果表明:BP-BMA级联算法与BP-OSD相比,译码性能有所提高,且译码复杂度大大降低了,在译码性能和复杂度间取得了很好的折中.     

大围长结构化LDPC码线性编码器设计

校验矩阵拥有大围长对于改善LDPC码的性能有着重要的意义.结构化是提高码实用性的关键.提出一种基于列差搜索算法(Column-Difference Search Algorithm)和步进边增长算法(Progressive Edge Growth Algorithm,PEG)的准循环LDPC码构造方法,可以设计任意围长和码率的QC-LDPC码(称为CP-LDPC码).利用该码校验矩阵的近似下三角特性,推导出递推编码方法,使得该码编码复杂度与码长成线性关系.仿真结果表明,CP-LDPC码在BER性能上与随机码以及同属QC-LDPC码的Tanner码和Array码相比有明显提高,优于随机码、Tanner码和Array码1.35dB～3.95dB.     

基于矩阵模型的线性分组码及分组交织识别

针对通信系统中错误不可避免的现状,在矩阵分析法的基础上,提出反向纠错思想。利用穷举法,穷举条件规定范围内所有可能的分组码和分组交织模式,在纠错译码后再进行判定,得出正确的交织参数。对该方法在不同的误码率条件下进行仿真,得出能够正确识别的误码范围。     

多用户MIMO系统的一种低复杂度用户选择算法

联合块对角化和几何均值分解（BD-GMD）是一种用于下行多用户多输入多输出（MU-MIMO）系统的预编码方案。在信噪比（SNR）较高的情况下,此方案在信道吞吐量和误符号率（SER）两方面都是渐进最优的。但是,在BD-GMD方案中,发射和接收天线的数量限制了能同时通信的用户数。在一个拥有大量用户的下行MU-MIMO系统中,为了使得系统总的吞吐量最大,基站必须从大量的用户中选出一个用户子集,同时对他们进行服务。采用穷尽搜索算法能得到最优的用户子集,但这种方法所需要的计算量太大。因此,我们提出一种次最优但是计算复杂度较低的用户选择算法,用于采用BD-GMD方案的下行MU-MIMO系统。此算法具有随用户数变化的线性复杂度,另外,仿真结果显示,其总的吞吐量大致能达到采用穷尽搜索算法所获得的系统总吞吐量的95％。     

一种低复杂度MIMO球形检测算法

针对球形译码检测算法在信噪比较低时复杂度大的问题,提出一种新型球形检测算法。通过使用一个压缩因子对低信噪比时的球半径进行抑制,同时结合最小均方误差检测算法降低算法复杂度。仿真结果表明,在信噪比低于10 dB时,该算法相对传统球形译码算法,复杂度平均降低10%左右,并且性能损失较少。     

在低频域内对线性时滞系统的故障检测滤波器设计

对线性时滞系统, 本文在低频域内考虑了故障检测问题. H∞范数用来度量外界扰动, H-指标用来度量故障敏感性. 本文主要结果包括得到了故障检测观测器存在的充分条件而且通过解线性矩阵不等式得到了观测器的增益解. 最后, 数值例子解说明了本文方法的有效性.     

面向URLLC业务的MIMO上行系统线性接收机性能分析

针对5G超可靠低时延通信（URLLC）业务的应用需求,研究多输入多输出（MIMO）上行系统中匹配滤波接收机和迫零接收机的解码性能。在URLLC系统下,推导多用户MIMO上行链路在有限块长传输时两种接收机速率和解码错误率的表达式。采用基于随机矩阵理论的渐近等价分析方法和信道色散系数的泰勒展开式,分别获得高低信噪比场景下两种接收机解码错误率的解析式,据此分析两种接收机在URLLC业务下的性能差异,发现随着信噪比增加,迫零接收机解码错误率接近于零,而匹配滤波接收机解码错误率受限于基站天线数和用户数的比值。采用蒙特卡罗方法对所得理论表达式进行仿真验证,结果表明,随着信噪比增加,两种接收机速率和解码错误率的解析式与蒙特卡罗仿真结果十分接近,在低信噪比场景下解码错误率均高于10^-5,在高信噪比场景下满足URLLC业务的可靠性指标,并且迫零接收机可靠性明显优于匹配滤波接收机。     

无线网络协作MAC 机制

协作通信利用空闲节点的天线,构成虚拟的MIMO(multiple-input multiple-output)系统,从而对抗无线信道衰落,获取分集增益.协作通信是下一代无线移动网络的关键技术,也是近几年的一个研究热点.目前,已有的研究成果大多集中在如何根据信道状态选取合适的协作节点,以增加信道容量、减低能量消耗及减小中断概率等方面.但由于协作通信改变了以往的传统通信模式,因此需要设计新的MAC(medium access control)机制(协作MAC机制),以适应协作通信的特点.针对协作MAC机制进行综述,重点讨论了协作通信中MAC机制面临的问题,并对现有的协作MAC机制进行分析和比较,最后给出协作MAC的进一步的研究方向.     

Detecting Lo cal Manifold Structure for Unsup ervised Feature Selection

Unsupervised feature selection is fundamental in statistical pattern recognition, and has drawn persistent attention in the past several decades. Recently, much work has shown that feature selection ca...     

基于池的无监督线性回归主动学习

在许多现实的机器学习应用场景中, 获取大量未标注的数据是很容易的, 但标注过程需要花费大量的时间和经济成本. 因此, 在这种情况下, 需要选择一些最有价值的样本进行标注, 从而只利用较少的标注数据就能训练出较好的机器学习模型. 目前, 主动学习(Active learning)已广泛应用于解决这种场景下的问题. 但是, 大多数现有的主动学习方法都是基于有监督场景: 能够从少量带标签的样本中训练初始模型, 基于模型查询新的样本, 然后迭代更新模型. 无监督情况下的主动学习却很少有人考虑, 即在不知道任何标签信息的情况下最佳地选择要标注的初始训练样本. 这种场景下, 主动学习问题变得更加困难, 因为无法利用任何标签信息. 针对这一场景, 本文研究了基于池的无监督线性回归问题, 提出了一种新的主动学习方法, 该方法同时考虑了信息性、代表性和多样性这三个标准. 本文在3个不同的线性回归模型(岭回归、LASSO (Least absolute shrinkage and selection operator)和线性支持向量回归)和来自不同应用领域的12个数据集上进行了广泛的实验, 验证了其有效性.     

Distributed Model Predictive Control with Actuator Saturation for Markovian Jump Linear System

This paper is concerned with the distributed model predictive control (MPC) problem for a class of discrete-time Markovian jump linear systems (MJLSs) subject to actuator saturation and polytopic uncertainty in system matrices. The global system is decomposed into several subsystems which coordinate with each other. A set of distributed controllers is designed by solving a min-max optimization problem in terms of the solutions of linear matrix inequalities (LMIs). An iterative algorithm is developed to achieve the online computation. Finally, a simulation example is employed to show the effectiveness of the proposed algorithm.