结合三角分解和SLNR的同频干扰抑制算法

针对多小区多用户下行链路同频干扰问题,提出一种结合三角分解和信漏噪比(signal leakage noise ratio, SLNR)的干扰抑制算法,算法通过对联合信道的三角分解先将小区间干扰减少一半,然后利用SLNR算法和干扰抑制矩阵进一步消除小区间干扰。理论分析表明算法使得接收端不再需要增加用于抑制小区间干扰的矩阵及相应矩阵运算,从而降低了算法复杂度。计算机仿真表明较传统SLNR算法,该算法在系统容量和能量效率等性能方面得到改善。     

基于强化学习的频谱决策与传输算法

在认知无线电(CR)通信中,各信道可能具有不同的带宽、干扰强度和主用户冲突概率,如何据自身业务特性选择最佳信道和传输策略是系统设计的关键问题之一.提出一种基于Q学习的在线学习算法,用于解决多用户多信道CR系统中的信道选择与自适应传输问题.在不知道信道状态信息和主用户业务特性情况下,通过在线学习,获得各种环境下的最佳频谱选择与自适应传输策略.为验证所提方法的有效性,采用随机频谱选择算法和最小干扰频谱选择算法与所提方法进行比较.仿真结果表明,提出的方法通过在线学习实现了认知无线电的自适应控制,能够有效增加认知无线电的通信性能.     

基于优化ZFBF的认知MISO系统中的用户选择算法

为提高认知无线电多输入单输出(cognitive radio multiple input single output, CR MISO)系统传输速率,给出一种基于波束成形的用户选择算法。假设信道状态信息已知,算法采用零空间理论消除对主用户(primary user, PU)干扰和优化迫零波束成形(zero forcing beamforming, ZFBF)技术消除认知用户(cognitive user, CU)间干扰。考虑发射功率限制,依次选择CU进行注水功率分配实现最大化系统传输速率。此外,在迭代中采用正交三角分解（orthogonal triangular decomposition, LQ)减少算法复杂度。数值分析表明,本算法系统的传输速率与PU的干扰门限大小无关,且比采用近正交用户选择算法的系统传输速率高4~6bps/Hz。当发射功率限制为10 dB时,在相同条件下使用优化ZFBF的传输速率比使用ZFBF的传输速率高约1 bps/Hz。     

基于隐马尔可夫模型的动态跳频信道接入算法

针对认知无线电信道接入中存在主用户和次级用户相互干扰、吞吐量下降的问题,提出基于隐马尔可夫模型的动态跳频信道接入算法。由于长时段的数据传输造成次级用户无法及时切换信道,将数据传输时段分为多个跳频时段,构建隐马尔可夫模型预测可用信道,建立跳频信道集合,设计动态跳频序列,使信道接入的效率更高。理论分析与仿真结果表明,该算法能够有效降低各级用户之间干扰概率并显著改善系统吞吐量,增加系统可靠性和信道利用率。     

OFDM认知无线电系统中的自适应资源分配新算法

认知无线电能通过提高频谱资源利用率,来解决无线频谱资源紧缺的问题,正交频分复用(OFDM)被认为是能与认知系统完美结合的技术。提出了一种基于OFDM认知系统的动态资源分配算法。该算法从最大化次用户的总传输比特速率出发,在次用户总的发送功率限制和主用户的干扰门限限制下,基于构建的新的代价函数,运用改进的匈牙利算法进行子信道分配,然后根据次用户的需求,进行自适应比特和功率分配。仿真结果表明,该算法可以有效利用不同主用户频带间的频谱空穴,使次用户系统的吞吐量最大,同时保证各个主用户受到的干扰总量低于各自的干扰门限。     

认知无线电系统中三维联合频谱分配算法

为了减少对授权用户的干扰和降低认知用户之间的竞争,保证认知无线电系统正常通信,采用可靠性理论描述一个信道是否能够被认知用户所使用及被连续使用一段时间的概率。从空间、时域和频域3个方面联合起来研究频谱分配,仿真结果表明,三维算法的传输数据量和系统的总吞吐量的值优于贪婪算法和二维算法,有助于减少认知用户对授权用户的干扰和降低认知用户之间的竞争,表明所提算法的有效性。     

基于不完全信道信息的MIMO双向中继系统线性预编码算法#br#

针对配置两个通信节点的多输入多输出双向中继系统,提出一种基于不完全信道状态信息的预编码设计方案,该方案综合考虑信道估计误差与信道反馈延迟的情况。在中继发射功率受限的条件下,以最小均方误差为准则设计以预编码矩阵为变量的优化问题,提出矩阵分解和联合迭代两种线性预编码算法。矩阵分解法通过矩阵分解推导得到中继矩阵的闭式解;联合迭代法利用迭代算法交替迭代来联合优化预编码矩阵和接收端处理矩阵,直到算法收敛数。仿真结果表明,随着信噪比由0到25 dB逐渐增大,与现有方案相比,矩阵分解法能有效地降低系统的误比特率,联合迭代法能获得最佳的系统性能提升。     

融合多关系的矩阵分解社会化推荐算法

在现实的社交网络中,用户之间往往存在多种关系,而现有的社会化推荐算法都只考虑一种关系对推荐结果的影响。基于多子网复合复杂网络模型,将用户间的多种社交关系引入用户特征矩阵,提出了基于多关系的矩阵分解社会化推荐算法。通过对2个真实数据集上的实验结果分析,发现加入多种社交关系的矩阵分解社会化推荐方法比传统的矩阵分解算法在推荐准确率方面有显著提高。     

基于多种社交关系的概率矩阵分解推荐算法

随着社交网络的发展,社会化推荐算法得到普遍应用,现有的推荐算法往往只是将一种社交关系引入到推荐系统,但在现实社交网络中用户之间往往存在多种社交关系。基于多子网复合复杂网络模型,利用共享用户特征矩阵,提出了基于多关系社交网络的矩阵分解推荐算法。通过在Epinions数据集上的实验结果分析,准确率评价指标MAE、RMSE和NMAE分别提高了34%、27%和7%,由此可以证明,多关系社交网络的矩阵分解推荐算法能有效提高推荐准确率。     

多天线系统中基于QR分解的混合SIC/PIC检测

提出了一种有效并且数值稳定的、基于QR分解的垂直分层空时码(vertical layered space-time code, V-BLAST)检测算法。在信道矩阵QR分解得到的上三角矩阵中,先检测的信号具有更高的分集度,然而传统的基于QR分解的算法由于没有利用这种潜在的分集,通常性能要低于其他连续干扰消除（successive interference cancellation, SIC）算法。新算法在每一干扰消除阶段引入并行干扰消除（parallel interference cancellation, PIC）,对已估计的各个分量进行更新,有效减少现有连续干扰消除类算法存在的误差传递问题。仿真表明新算法性能明显优于传统基于最小均方误差（minimum mean square error, MMSE）的连续干扰消除算法性能,且算法复杂度依检测顺序的确定方法不同而略高于或低于MMSE算法。     

部分连接K用户MIMO干扰信道的串行迭代干扰对齐算法

针对部分连接相比全连接的K用户多输入多输出（multiple input multiple output,MIMO）干扰信道（interference channel,IC）的干扰对齐（interference alignment,IA）能以每用户仅提供有限信号维度条件下在任意用户数规模部分连接网络应用的实用意义,一种基于两干扰源K用户MIMO-IC模型的低复杂度串行迭代IA算法被提出。仿真分析表明,相比现有算法,该算法具有更低的复杂度、更快的收敛速度和更理想的实用性能,并能以有限次迭代（10次以内）达到最优自由度。同时该IA算法的提出也证明在部分连接网络信号维度受限时存在可应用于任意用户数规模部分连接IC网络的可行性IA方案结论的正确性。     

无信号内干扰的MAMU-CDSK混沌通信系统

针对相关延迟键控(correlation delay shift keying, CDSK)系统误码性能差的缺点,提出无信号内干扰的多进制多用户CDSK(multiple ary multiple user CDSK with no intra signal interference, NISI-MAMU-CDSK)混沌通信系统。该系统能够传输多个用户的数据信息,并将各个用户的数据信息由二进制码元经分组后映射为多进制码元,同时通过编码一组相互正交的Walsh码序列来代替CDSK系统的延迟结构,使得解调时能够消除信号内干扰。推导了在加性高斯白噪声信道和Rayleigh衰落信道中的误码率公式并进行了蒙特卡罗仿真实验。理论分析与仿真结果表明:NISI-MAMU-CDSK系统有效提高了误码性能和传输速率,在混沌通信领域有很好的实际应用价值。     

毫米波大规模MIMO-NOMA系统中基于动态子连接混合结构的预编码设计

针对毫米波大规模多输入多输出-非正交多址接入(massive multiple input multiple output non-orthogonal multiple access, mMIMO-NOMA)系统硬件成本和功耗过大问题, 基于动态子连接混合结构(dynamically sub-connected hybrid architecture, DSC-HA), 提出一种高效预编码方案。首先，在用户分组的基础上, 基于等效信道增益最大化原则, 利用Kuhn-Munkras算法匹配各NOMA簇用户的信道状态信息, 以实现动态天线分组, 进而完成模拟预编码设计。接着, 利用NOMA簇内强用户的等效信道来实现数字预编码设计, 以减小簇间干扰。最后, 通过优化簇内用户间功率分配来减小簇内用户间干扰。仿真结果表明, 基于DSC-HA的预编码方案不但系统和速率优于基于子连接混合结构的预编码方案, 而且能效明显优于基于全连接混合结构和基于全数字结构的预编码方案。     

基于线性弥散空时码的有限反馈干扰对齐算法

干扰对齐(interference alignment,IA)作为极具潜力的干扰管理策略,能获得与用户数量成线性关系的自由度增益,但因其需要全局实时信道状态信息(channel state information,CSI)才能有效实现,使得IA理论向实用的转化将面临众多挑战。针对该问题,本文基于多小区蜂窝系统,提出了一种基于线性弥散空时码的有限反馈干扰对齐算法,该算法将预编码和线性弥散空时码编码进行级联,在只需反馈单个用户CSI的条件下,通过合理地设计预编码矩阵、线性弥散空时码块以及接收端的接收矩阵,来实现干扰的完全消除。仿真结果表明,相比已有研究,新IA算法在实现干扰完全消除的情况下,能够极大地降低系统CSI反馈开销。     

下一代密集WLAN网络干扰管理机制

在密集高效无线局域网部署场景中,针对传统802.11协议造成用户公平性差和吞吐量低的问题,提出一种以用户为中心的资源配置方法。该方法通过对用户进行识别分类,以用户为中心配置信道和功率,在保证用户公平性的前提下,最大化网络吞吐量。提出的功率控制机制和用户识别方法可以很简单的应用于现有无线局域网系统中。仿真结果表明,提出的资源配置方法平均提升单位基本服务集吞吐量47.3%,干扰最严重的基本服务集的吞吐量提升190%,每个基本服务集的边缘用户的吞吐量平均提升约74.3%。     

认知无线电网络中授权用户参数估计

针对认知用户在频谱切换过程中无法实时地获取授权用户到达率与服务率的问题,提出了基于隐式马尔可夫模型的参数估计算法。首先利用排队论对授权用户队列进行建模与分析,推导出授权用户队列状态转移概率;其次利用能量感知算法检测授权用户队列真实状态,获得可观测序列值;然后利用隐式马尔可夫模型描述两种随机过程,即授权用户队列状态变化随机过程和可观测序列随机过程;最后利用forward-backward算法估计隐式马尔可夫模型,从而获得授权用户到达率与服务率。仿真结果表明,该方法能够实现实时的、较为精确的估计,从而实时地为认知用户选择频谱切换策略提供依据。     

基于信道分配的多跳认知无线电网络路由算法

现有认知无线电网络中路由算法没有综合考虑主用户的到达率和认知用户竞争使用信道对网络性能的影响。针对上述问题,结合认知无线电网络频谱动态变化的特性,提出一种基于信道分配的多跳认知无线电网络路由算法（multi-hop cognitive routing basedan channel allocation, MCRC）。MCRC算法先得到最大化总吞吐量的全局信道分配,然后考虑主用户使用授权信道的概率和认知用户竞争使用信道的概率,得到认知用户使用某个信道的概率,最后以信道的有效传输时延作为选路标准,根据Dijkstra算法选择最小时延的路径。性能评估结果表明,MCRC明显地减小了平均端到端时延,极大地提高了平均端到端吞吐量。