统一网络新技术—Jini

Jini作为一析技术，致于实现“统一网络”，以彻底打破传统网络连接 的障碍。介绍了Jini的概念、特点、重点阐述了Jini各主要术语及胜任，分析了Jini系统的结构，各部件的功能和关系。     

一种非正交多址接入下行链路信号检测方法

非正交多址接入（non-orthogonal multiple access,NOMA）下行链路存在严重的多址干扰。软解调-串行干扰消除（successive interference cancellation,SIC）检测方法是一种性能较好的信号检测方法,但是接收机的复杂度比较高。考虑到软解调算法对其他用户信号的信号特征信息并未充分利用,提出一种基于软解调算法改进的联合检测算法,该算法直接利用多用户叠加信号的联合星座图计算用户信号信息比特的软信息,不需要对干扰信号进行检测和重构,可以降低接收机的复杂度。仿真分析表明,与软解调-SIC检测方法相比,联合检测方法在性能损失不超过1．5 dB的情况下,可以将接收机的复杂度降低一半。     

TD-SCDMA系统下行链路中的chip级均衡技术

chip级均衡有较低的算法复杂度,可用于CDMA下行链路中以提高下行容量.针对TD-SCDMA系统,分析了下行链路离散系统模型,讨论了chip级均衡在TD-SCDMA中的应用及实现,讨论了与以往所采用的多用户检测的差异,并对几种主要的chip级均衡算法进行了仿真对比,给出了适合于TD-SCDMA系统的均衡算法.     

统一网络新技术——Jini

Jini作为一门新兴技术,致力于实现"统一网络",以彻底打破传统网络连接的障碍.介绍了Jini的概念、特点、重点阐述了Jini各主要术语及用途,分析了Jini系统的结构,各部件的功能和关系.     

MRC-TCP:一种有效的HARQ合并译码方法

为了保证高速下行分组接入(HSDPA)的高性能和低运算量,以适应高速数据传输,将最大比例合并方式与Turho码原理方式相结合,提出了一种新的混合自动重发请求(HARQ)合并译码方法——MRC-TCP。仿真表明MRC～TCP结合了两者的优点,在保证HSDPA终端接收性能的同时能显著降低运算量。     

基于训练序列的TD-SCDMA系统频偏补偿方法

在TD-SCDMA（UMTS TDD LCR）系统中,数据的可靠检测在很大程度上依赖于准确的载波同步及符号同步.提出了一种新的频偏估计算法,利用TD-SCDMA训练序列的特殊结构,用码片合并的方式估计频偏.仿真结果表明,该算法复杂度低,运算量小,在频率选择性信道环境下,有良好的抗多径和多码道性能.     

基于训练序列的TD-SCDMA系统频偏补偿方法 

在TDSCDMA（UMTS TDD LCR）系统中，数据的可靠检测在很大程度上依赖于准确的载波同步及符号同步。提出了一种新的频偏估计算法,利用TDSCDMA训练序列的特殊结构，用码片合并的方式估计频偏。仿真结果表明，该算法复杂度低，运算量小，在频率选择性信道环境下，有良好的抗多径和多码道性能。     

反向散射辅助无线供电D2D网络中的鲁棒能效优化

为了提高反向散射辅助无线供电中设备对设备（device-to-device,D2D）的网络能效（energy efficiency,EE）和系统的鲁棒性,研究了在具有信道不确定性的反向散射辅助无线供电D2D网络中的鲁棒能效资源分配问题。在功率站最大发射功率、所需服务质量和能耗约束下,通过联合优化发射功率、传输时间和反射系数使所有D2D用户的总EE最大化;利用一个次优解的迭代鲁棒算法解决了提出问题的非凸性。仿真结果表明,提出的算法具有收敛性及对不确定信道的鲁棒性。     

TD-SCDMA系统下行链路中的chip级均衡技术

chip级均衡有较低的算法复杂度，可用于CDMA下行链路中以提高下行容量。针对TDSCDMA系统，分析了下行链路离散系统模型，讨论了chip级均衡在TDSCDMA中的应用及实现，讨论了与以往所采用的多用户检测的差异，并对几种主要的chip级均衡算法进行了仿真对比，给出了适合于TDSCDMA系统的均衡算法。     

基于多源数据的出行安全时空评价模型研究

准确评估城市安全态势是保障居民出行安全的关键。针对现有的单一领域静态评价方法难以应对复杂多变的出行安全问题,考虑出行安全的时空相关特性,提出一种基于多源数据的出行安全时空评价模型。针对时间类特征的马尔科夫特性,构建基于条件随机场的时间域评价模型以模拟安全指数的时序相关性;针对空间维度中不同栅格之间的特征相关性和地理位置邻近性与安全指数之间复杂的非线性映射关系,构建基于神经网络的空间域评价模型以模拟安全指数的空间相关性。在模型训练阶段,考虑样本数据稀疏性问题,采用基于协同训练的半监督学习方法使2个模型相互迭代增强,共同作用得到最终评价结果。实验结果表明,该方法分类评价精确率达82.3%,召回率达70.4%,模型性能优于其他几种常用的分类算法。