LoRa物理层同步及解调性能研究

针对现有的基于FFT的同步算法误差较大的问题,提出了一种优化的LoRa物理层前导码同步方法。首先,根据Chirp信号的时频转换特性,分别采用差分算法和插值算法对前导信号的归一化的小数频偏和小数时延进行估计,在此基础上采用基于FFT同步的联合估计算法对整数频偏和整数时延进行估计;之后,从理论上分析残余的同步误差对LoRa信号解调性能的影响。仿真结果表明,所提出的同步方案可以在相应信噪比极限下满足解调性能要求。     

基于强化学习的无人机中继网络节点轨迹优化

无人机在远程采集和传输数据时可能遇到频谱不足的问题，此时需要借助地面网络共享频谱，即部分无人机获得地面网络提供的额外频谱作为回报，另一部分无人机为地面网络提供中继服务。针对无线网络频谱共享系统中多个无人机的飞行调度问题展开了研究，提出了一种基于Q-Learning的无人机飞行调度算法。在多个无人机进行数据中继传输时，该算法结合了放大转发和解码转发的特点，采用自适应转发模式，以最大化系统吞吐量。仿真结果表明，所提的调度算法可以对两个网络的无人机数目进行合理的分配，使每个无人机能够找到各自的最优或者次优位置，从而实现较高的系统吞吐量。     

基于学习的能量采集认知M2M通信资源分配算法

本文针对能量采集认知机器到机器（Machine-to-Machine,M2M）通信的能量效率问题，在保证服务质量（Quality of Service,QoS）的条件下，提出了一种能效优化算法.以最大化网络中用户能效为目标，综合考虑传输功率控制、时隙分配、传输模式选择、中继选择以及每个设备的能量状态为约束，将优化问题建模为一个混合整数非线性规划问题.将该能效优化问题转化为离散时间有限状态马尔科夫决策过程（Discrete-time and Finite-state Markov Decision Process,DFMDP）进行求解.提出一种基于深度强化学习的算法寻找最优策略.仿真结果表明，所提算法在平均能效方面优于其他方案，且收敛速度在可接受范围内.