隐含训练序列信道估计中的功率分配

与传统时分发送训练序列的信道估计算法相比,隐含训练序列信道估计算法将训练序列与信息序列直接相加后通过天线发送,从而节约了信道带宽。然而,在天线发送总功率一定时,训练序列的功率越大,信息序列的功率便越小,从而导致信道均衡器的信噪比减小。本文研究了基于MIMO系统的隐含训练序列信道估计算法,分析了信道均衡器信噪比与训练序列功率的关系,并根据均衡器信噪比最大原则推导出训练序列与信息序列的最佳功率分配。分析和仿真结果表明:在训练序列的最佳功率点上,信道均衡器的信噪比最高;随着接收天线信噪比的增加,训练序列的最佳功率增大。     

基于导频放置优化的组稀疏信道估计方法

针对OFDM系统信道的稀疏性,研究组稀疏信道估计方法;考虑信道的时间选择性和频率选择性,由信道系数的稀疏表示引入组稀疏概念,利用稀疏信号的非零分量趋向于成簇出现的组稀疏特性,提高重建质量.考虑到导频对信道估计性能的重要作用,采用分布估计算法（EDA）优化组稀疏信道估计中的导频放置模式.该方法具有较好的鲁棒性,不会陷入导频搜索的局部最小值,可以得到更小相关性的感知矩阵.理论分析和仿真结果均表明,该方案与传统估计方法相比,均方误差性能更加优异.仿真又采用了不同的重构方法和分组大小进行对比,均能证明该方法的适用性.     

基于深度学习的多用户MIMO-OFDM-IM系统符号检测技术

MIMO-OFDM-IM是将MIMO-OFDM(多输入多输出正交频分复用)和IM(索引调制)结合的一种新颖的多载波调制技术。为解决目前多用户MIMO-OFDM索引调制的符号检测技术仍存在的复杂度高和误码性能受用户数量影响严重的问题,提出一种基于深度学习的符号检测框架,在该框架中,编码器与解码器都由DNN(深度神经网络)构造,采用监督式学习训练数据。实验结果表明,该框架有效地解决了以上问题。     

软件无线电中数字变频器的设计与实现

数字变频技术是软件无线电的关键技术之一。本文给出了一个基于Intersil公司的数字上、下变频器件的数字变频器设计方案，并通过硬件实验证明本设计方案的可行性。     

基于IT++的QAM调制解调算法的实现

信息传输的核心问题是有效性和可靠性,正交幅度调制(QAM)作为一种新的调制技术因其具有很高的频带利用率而得到广泛应用。IT++是基于C++语言的信号处理和通信方面的仿真库函数工具。本文分析和研究了M-QAM调制在IT++平台中的实现方法,并比较了不同M值的QAM的性能。仿真结果与理论分析一致,与MATLAB相比极大地提高了仿真速度。     

深度学习辅助上行免调度NOMA多用户检测方法

针对上行免调度非正交多址接入（NOMA）场景中多用户检测的问题,通过结合传输数据的符号特征,提出基于深度神经网络（DNN）的联合活跃用户检测和数据检测框架. 考虑更一般化的实际场景,即用户在每个时隙中随机活跃. 将DNN求解结果作为改进的正交匹配追踪(OMP)算法先验输入,修正提升活跃用户检测和数据检测性能. 仿真结果表明,提出的多用户检测方案比传统的贪婪追踪及动态压缩感知（DCS）多用户检测算法具有更好的用户活跃性及数据检测性能.     

基于深度学习的多载波系统信道估计与检测

为了提升滤波器组多载波（FBMC）系统的通信质量,针对符号检测与信道估计问题,研究系统框架和虚部干扰问题,提出基于深度学习的FBMC系统信道估计与检测方法. 搭建完整的FBMC-偏移正交幅度调制（OQAM）系统与深度学习模型结合的仿真系统,设计接收数据的特征与标签处理;采用ResNet-DNN神经网络对信道符号检测模块建模,改进原模型网络结构和优化模型参数,和传统的分类器相比,提高了符号检测的准确性;采用CNN+NN模型对信道估计、均衡、符号检测模块进行建模和集成,理论分析和仿真结果表明,新方法的抗噪声能力、鲁棒性和误比特率（BER）性能均优于正交频分复用（OFDM）系统和基于导频估计的FBMC系统性能.     

基于隐含ZCZ训练序列的MIMO信道估计性能改进

 本文研究了采用隐含训练序列无直流偏移影响的MIMO频率选择性信道的估计问题.通过选用具有平衡特性的二进制ZCZ序列作为训练序列,可以在不增加任何复杂度的情况下直接消除直流偏移量的影响.由于每根天线的发射数据经过预处理后再算术叠加到训练序列上,从而消除了传统隐含估计方法中未知数据对信道估计性能的影响.本文推导了采用新方法的MIMO信道估计误差方差表达式,并从时域的角度给出了分析.理论分析和仿真结果表明,本文方法性能优于已有的隐含信道估计方法.     

深度域属性分析技术在煤矿小断层识别中的应用研究

现今,叠前深度偏移技术越来越广泛地被应用于煤田地震资料处理中,叠前深度偏移获得的深度域地震数据如何进行资料解释,以获得可靠的地震地质成果,也有待于更加深入研究以及更加广泛地试验。地震属性作为描述地层结构、构造异常的重要特征量,一直以来为地震资料的解释提供了重要的依据。本文主要围绕深度域地震属性分析展开探讨,并通过深度域属性与时间域属性对比分析,认为：(1)相干体属性、方差体属性、曲率体属性对于较大断层响应敏感,蚂蚁体属性对于小断层响应更加敏感;(2)基于叠前深度偏移深度域地震数据体对地下构造真实形态的反映,直接对深度域数据体进行属性分析相较于时间域属性分析具有更强的压噪能力,对断层反应更加精准,在构造复杂区域,深度域属性分析的优势更加明显;(3)深度域多属性融合分析可以降低噪声的干扰,提高信噪比,明显清晰复杂构造区域断层分布,有助于降低小断层漏解释的概率,减低小断层解释平面位置的偏离,有助于提高小断层解释的效率与精度。本次研究以淮南丁集矿某采区13-1煤为例,以巷道揭露资料为依据,验证了叠前深度偏移深度域属性分析的优势与可靠性,为今后的深度域地震资料小构造解释工作提供一定的指导。     

基于粒子群算法的传感器网络室内定位系统优化

通过接收信号强度指示(RSSI)和欧氏距离的非线性函数映射关系来进行弱移动目标的距离估计.以最大似然估计(MLE)法为基础,结合电磁波在自由空间中的传播特性,重新构建基于粒子群优化(PSO)定位算法的适应度函数来提高无线定位精度.并提出了一种惯性权重优化的自适应学习机制来优化全局搜索能力和局部搜索精度,提升定位算法的容错能力.测试结果表明:本室内定位算法具有抗干扰强、鲁棒性好和无线定位精度高等优点.