排序方式: 共有67条查询结果,搜索用时 15 毫秒
1.
提出一种适用于DS-CDMA无线通信系统的低计算量而性能良好的信道估计算法。在DS-CDMA系统中,当接收信号经过解扩或多用户检测等时域预处理后,可以认为干扰大大减弱、期望信号在处理后的信号中占主要地位。这样,用预处理后信号相关阵的最大特征值对应的特征矢量可以很好地近似期望信号的信道矢量。但是,直接特征分解需要很大的计算量,特征跟踪计算量较低,但瞬态性能较差。本文提出一种基于相关矩阵列矢量平均的信道估计算法,该算法不需要特征分解或跟踪。仿真结果表明:新算法在降低计算量的情况下可以获得同直接特征分解方法几乎相同的性能。 相似文献
2.
下行多点协作传输系统中基于大尺度信道的协作用户选择 总被引:1,自引:0,他引:1
研究下行多点协作传输系统中的协作用户选择问题.首先分析下行多基站协作系统中空域满复用服务多用户的必要性,而后研究满复用传输时的协作用户选择方法,被选为一组的用户在相同的时频资源上由多个基站以协作空分多址的方式服务.分析表明,每个被服务用户的平均接收信干噪比与相邻协作小区内被服务用户的大尺度信干比成递增关系.在此基础上,提出一种基于大尺度信干比的协作用户选择方法.仿真结果表明,与现有基于大尺度信道信息的用户选择方法相比,所提出的方法以较小的小区平均数据率损失为代价,大幅度提升了小区边缘用户数据率. 相似文献
3.
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。 相似文献
4.
本文研究了多载波码分多址两跳放大转发中继系统的能量效率与频谱效率关系,利用随机矩阵理论的渐近分析推导了系统分别采用协作式和分布式放大转发中继时,系统能量效率与频谱效率关系的显式表达式。分析了不同系统参数对能量效率的影响。此外,还分析了系统要使频谱效率最优和能量效率最优时使用系统资源的区别。最后,通过仿真验证了理论分析的有效性。结果表明,能量效率与负载因子和中继个数的关系不是单调的,存在一个使能量效率最优的负载因子和中继个数,此外,使能量效率最优的负载因子和中继个数总小于或等于使频谱效率最优的负载因子和中继个数。 相似文献
5.
针对多用户多输入多输出(MIMO)系统,研究了空间相关信道下的多用户调度问题。通过推导用户信道向量夹角的统计特征,分析了多用户调度算法对所调度用户间正交性的影响。分析结果表明在空间相关信道下现有基于串行搜索的调度方法在统计意义上降低了被调度用户之间的正交性,从而导致基于串行搜索的调度算法与最优的穷举搜索之间存在较大的性能差距。为了提高相关信道下多用户MIMO系统的性能,提出了一种基于交替搜索的多用户调度算法及其低复杂度实现方法。仿真结果表明,所提出的用户调度算法能够有效地弥补基于串行搜索的调度方法的性能损失,在空间独立信道和空间相关信道下以较低的计算复杂度获得接近穷举搜索的最优性能。 相似文献
6.
7.
8.
本文研究在异构网中进行相干协作多点传输时低复杂度迫零(ZF)预编码的性能。我们考虑在同构网中常用的低复杂度ZF预编码结构,即先进行ZF波束形成再进行功率分配,分析在采用和功率约束及单基站功率约束下使和数据率最大的功率分配时协作传输的性能,并与实际系统中常用的等功率分配的性能进行比较。分析结果表明,在异构网多载波系统中进行下行相干协作传输时,与在同构网中的结果不同,协作传输后单基站功率约束的性能远优于其他功率约束下的性能。但是,当协作的宏基站与微基站最大功率差别较大时,宏用户的性能在协作后甚至不如不进行协作传输,而微用户的性能会有所提高。这意味着在异构网中设计协作预编码时必须考虑单基站功率约束,而且不能只对功率分配进行优化设计。 相似文献
9.
该文考虑骨干网只能进行少量信息交换的多载波异构蜂窝网络,研究微系统进行下行传输时对宏系统的干扰协调问题。针对多载波宏基站和微基站之间存在频偏的场景,在保证对宏用户的干扰小于预定干扰门限的前提下,以最大化微系统数据率为目标,在已知瞬时干扰信道和统计干扰信道信息的条件下分别设计最优和次优发射预编码。分析和仿真的结果表明,次优算法只需迭代一次就能达到接近最优算法的性能,因此具有较低的计算复杂度。所提出的方法只需要在宏基站和微基站之间通过骨干网交换少量信息,具有较低的信息共享资源开销。所提出的方法适用于微基站附近存在多个宏用户的场景。 相似文献
10.
作为一种分布式训练框架,联邦学习在无线通信领域有着广阔的应用前景,也面临着多方面的技术挑战,其中之一源于参与训练用户数据集的非独立同分布(Independent and identically distributed,IID)。不少文献提出了解决方法,以减轻户数据集非IID造成的联邦学习性能损失。本文以平均信道增益预测、正交幅度调制信号的解调这两个无线任务以及两个图像分类任务为例,分析用户数据集非IID对联邦学习性能的影响,通过神经网络损失函数的可视化和对模型参数的偏移量进行分析,尝试解释非IID数据集对不同任务影响程度不同的原因。分析结果表明,用户数据集非IID未必导致联邦学习性能的下降。在不同数据集上通过联邦平均算法训练得到的模型参数偏移程度和损失函数形状有很大的差异,二者共同导致了不同任务受数据非IID影响程度的不同;在同一个回归问题中,数据集非IID是否影响联邦学习的性能与引起数据非IID的具体因素有关。 相似文献