可重构智能表面中低复杂度毫米波信道估计算法

针对可重构智能表面(RIS)辅助的大规模多输入多输出(MIMO)毫米波系统中信道估计复杂度高的问题,该文提出一种低复杂度的信道估计算法。在该方案中,将RIS部分元素连接射频(RF)链,分离估计基站/用户和RIS之间的信道,分开获取信道有助于提升用户移动性场景下信道估计的灵活性。在所考虑系统中,首次使用低复杂度的2维快速傅里叶变换(2D-FFT)算法对角度进行估计,并考虑信号补零以获得更加精准的角度估计值,最后利用信号2维空间谱的谱峰和其对应的辐角得到路径增益估计。仿真结果表明,该算法达到了优良的信道估计性能,且在确保信道估计性能的系统参数设置下,该算法具有压倒性的复杂度优势。     

基于期望传播算法的多天线信号检测：架构、技术与挑战

近年来,期望传播(Expectation Propagation,EP)算法被广泛应用于多输入多输出(Multiple-Input Multiple-Output,MIMO)信号检测。EP是一种优良的贝叶斯推断算法,能够良好匹配信号检测工作所对应的贝叶斯模型,是目前接近最优检测算法的先进检测算法之一。面向6G,EP可在诸多场景达成高性能信号检测,对未来超高可靠通信需求提供支撑,具有实际研究意义。然而,当前研究缺乏该算法的综述性分析,相关研究人员缺乏直观学习参考。概述了基于期望传播算法的MIMO信号检测架构以及相关技术研究现状,总结了现有问题并展望了未来研究挑战,旨在为相关研究人员提供思路,为EP信号检测算法服务6G实际通信场景做出贡献。     

三维时空中弱点状动目标的实时检测技术研究

在红外图像序列情况下,研究了一种直接在三维时空中实时检测弱点状目标的技术。采用轨迹的方向预测,减少了计算量,提高了实时性;采用目标航迹的能量累积,提高图像信噪比;在恒虚警率检测条件下,采用角度约束和帧间关联获得了可能的目标轨迹。实验结果表明：该技术能够准确检测出任意轨迹运动的多个点目标,具有良好的实时性和准确性。     

基于深度学习的1-比特超大规模MIMO信道估计

超大规模多输入多输出(Multiple Input Multiple Output,MIMO)技术在未来的移动通信中具有巨大的潜力。然而,采用超大型的天线阵列会出现空间非平稳性信道特征,如果为基站的每根天线都配备一个高精度量化器,系统功耗将大幅度增加,从而阻碍超大规模MIMO系统的广泛应用。因此,假设基站的每根天线都配备有一对1-比特模数转换器(Analog-to-Digital Converters,ADC),利用子阵列与用户之间的映射关系来描述非平稳信道特征,借助深度神经网络(Deep Neural Network,DNN)强大的泛化能力,设计一种新的生成式监督DNN模型,该模型可以使用合理数量的导频进行训练。仿真结果表明,所提出的网络可以使用较少的导频得到较好的估计性能,在性能与计算复杂度之间取得良好的平衡。     

基于多阶段假设的目标实时检测

研究一种在三维时空中快速检测红外图像序列弱点状运动目标技术。利用目标的速度大小和方向初步删除噪声轨迹，从而减少计算量并提高检测的实时性。采用一种基于改进的多阶段假设的逐帧检测、逐帧删除噪声轨迹技术，获得弱点状运动目标运动的真实轨迹。实验结果表明，该方法计算量小，具有良好的实时性。     

基于模型驱动深度学习的OTFS信道估计

针对单输入单输出(SISO)的正交时频空间(OTFS)调制系统,该文利用一种模型驱动深度学习算法进行OTFS信道估计。该方案首先将去噪近似消息传递(DAMP)算法进行深度展开,利用去噪卷积神经网络代替传统的去噪器,对含噪的时延多普勒信道进行去噪估计,然后提供了状态演化方程来预测可学习去噪近似消息传递(LDAMP)算法的理论归一化均方误差性能。仿真结果表明,相比于其他估计方案,该方案不仅在低信噪比条件下具有优越的性能表现,而且还具有非常好的鲁棒性,在信道路径总数不变时,增加OTFS 2维网格点数量,可以有效提升信道估计精确度。