采用通道注意力机制的RIS辅助MIMO级联信道估计

可重构智慧表面（RIS）辅助多天线毫米波无线通信系统的级联信道有直传和反射两条链路,系统维数大且复杂,获取信道状态信息（CSI）困难. 针对RIS辅助下的大规模多输入多输出（MIMO）通信系统应用场景,提出了基于通道注意力机制的SE-ResNetV2网络来获取CSI,在残差网络（ResNet）中引入了通道注意力模块,通过挤压和激励策略来提高噪声特征的捕捉能力. 仿真结果表明,相比于最小二乘（LS）估计算法和常规的注意力机制深度ResNet,所提出的深度学习网络具有更好的去噪效果和估计精度.     

基于深度学习的MIMO系统信道估计算法

精确的信道估计对于保证无线通信系统性能至关重要。针对多输入多输出(multiple input multiple output, MIMO)系统传统信道估计算法需已知信道统计信息以及性能与复杂度折中等问题,提出一种基于深度学习的多网络级联MIMO系统信道估计方案。基于卷积神经网络构建信道信息重建网络,初步重构出信道信息,进而基于深度残差网络构建信道估计网络进行级联得出估计结果,并利用多个损失函数对网络进行优化。仿真结果表明,在牺牲一定时间复杂度的情况下,所提方案的均方误差随信噪比增加逐渐优于线性最小均方误差(linear minimum mean squared error,LMMSE)估计算法,且不受信道统计信息的约束。     

一种基于改进ResNet的发射天线智能选择算法

为满足移动用户数据传输的需求,大规模多输入多输出在5G通信系统中得到了广泛应用,在N-Nakagami衰落信道下,建立了移动多天线协作通信系统。为提高发射天线的选择准确率,提出一种基于改进ResNet的发射天线智能选择算法,可以获得更大的信道容量。改进的ResNet网络以残差结构为网络主体,利用VGG神经网络代替原始的卷积层。VGG神经网络提取信道状态数据的信息特征,大大减少了浅层计算参数;丢弃池化机制以保护信息特征;重新构建三个残差模块结构以增强特征信息提取,提高发射天线的选择准确率,获得信道容量更佳的天线。与传统的天线选择算法相比,所提出的发射天线智能选择算法的准确率提升至94.0%,具有较好的系统容量性能,且可以有效降低设备成本。     

RIS辅助毫米波MIMO级联信道的角度估计

智能反射表面（RIS）用低成本的无源反射元件控制入射信号的相位,将增强第6代移动通信系统的无线覆盖范围,并提高信道容量.由于RIS辅助毫米波多入多出（MIMO）级联信道仅有少量的弥散空间角度和相应的路径损耗,提出采用无网格的原子范数最小化方法来估计下行链路基站处的离开角和用户处的到达角,把级联信道的角度估计问题转化为凸优化模型进行求解.仿真结果表明,仅用少量的快拍数就能得到精确的角度参数.     

基于全息RIS的太赫兹MIMO信道估计研究

基于全息通信研究的大背景,提出了可重构智能表面(RIS)的全息版本。推导出了全息RIS的光束模式,并通过分析表明,理想全息RIS的光束模式可以近似于具有更实用硬件架构的超密集RIS的光束模式;提出了一种闭环信道估计(CE)方案,是以有效估计表征全息RIS辅助的THz大规模MIMO系统的宽带信道;为了减少导频开销,利用THzMIMO信道在角域和延迟域中的双重稀疏性,引入了一种基于压缩感知的CE算法。仿真结果证明,全息RIS优于非全息RIS,提出的CE方案有效。     

基于部分频率复用的超密集网络覆盖率性能分析

在超密集小小区网络中,通过区分视距传播和非视距传播,提出了使用部分频率复用的策略,以提高用户通信质量,并基于随机几何理论和概率论推导出表征用户通信质量的覆盖率表达式.仿真结果表明,当小小区用户密集到一定程度时覆盖率会降低,而采用部分频率复用策略可以提高覆盖率,在用户信干噪比阈值较高时提升效果尤为明显.     

以节能为目标的小基站周期性开启研究

当前,无线通信业务朝着高数据率、高动态性方向发展,给传统蜂窝网络带来了极大的挑战。对此,引入小基站(例如:微基站、皮基站)关断机制的异构蜂窝网络是一种有效的解决方案,可以兼顾服务质量和网络能耗。系统进行小基站开关调度须基于小基站与用户通信的信道状态信息,然而,由于关断的小基站处于静默状态,系统无法通过信道估计获得上述信息。为了解决这一问题,该文提出了小基站周期性开启方案。在该方案中,系统周期性地开启小基站,获得用户与小基站通信的信道信息;用户通过宏基站发起接入请求时,系统利用最近一次小基站开启时获得的信道信息进行网络调度决策。周期的设计是影响该方案实施效果的关键性因素,一方面决定了小基站周期性开启需要付出的能量消耗代价,另一方面又决定了信道信息的实时性,从而影响网络调度的效果。该文关注网络的总能耗,将其分为小基站周期性开启消耗的能量和用户服务消耗的能量,并得到了能够实现网络总能耗最小化的周期设计方案。     

基于纠错码的ADSL信道信噪比估计算法

通过卷积编码的信息来估计信道信噪比 ,以利于ADSL网络的自适应传输 ,由于算法简单实用 ,且可以在传输过程中实时地更新信道信息 ,故非常适合于实际运用 .文中的仿真结果表明 ,该基于循环纠错码的信道信噪比估计算法在实际系统中具有很好的性能 .     

超密集网络中基于分簇的干扰管理方案

在超密集网络中,全频复用能够提升网络的吞吐量,但是导致了严重的基站间干扰。为了降低基站间干扰,首先通过干扰权重值描述小基站间的干扰程度,建立合理的干扰图;然后将分簇问题转化为Max K-Cut问题,利用改进的次优化启发式算法对小基站进行分簇;最后通过信道分配算法为每个簇中的用户分配子信道。仿真表明,本文的干扰管理方案在降低小基站间干扰的同时,能够提升系统的频谱效率和平均吞吐量。     

一种基于分数阶傅立叶变换OFDM系统的信道估计

为了在基于分数阶傅立叶变换的OFDM系统的接收端获得较好的均衡及采取相干解调而不带来新的复杂性,作者提出一种基于分数阶傅立叶变换的OFDM系统信道估计方法,该方法使用辅助训练数据,对时变信道的频率响应（CFR）或信道冲激响应(CIR)进行估计,文中给出了分数阶傅立叶变OFDM系统中信道估计的算法,最优阶数的确定,并采用Kalman滤波对时变信道进行跟踪.仿真结果表明,较传统的信道估计方法LMMSE,此种方法能够使系统性能得到改善.     

基于流量预测的资源分配策略研究

在超密集网络中，针对小基站密集部署会导致干扰加剧和资源分配难度加大等问题，提出了一种基于流量预测和着色图的信道资源分配方案。首先，利用深度学习工具实现对网络中未来时隙的流量预测；其次，将不相邻的小基站分配到同一集群以缓减网络中的共道干扰；最后，结合流量预测的结果和着色图为每个小基站分配合适的子信道。通过仿真验证了所提算法的可行性和有效性。结果表明，通过机器学习能够有效预测小基站的流量波动，同时基于流量预测的信道分配方案可以有效降低系统干扰、提升频谱利用率和系统吞吐量。     

超密集部署下绿色能源感知的用户关联算法

为了降低网络能耗,实现5G绿色蜂窝网络,考虑电力能源和绿色能源同时供电的混合能源供应的超密集异构网络模型.为了更准确地模拟密集部署下基站与用户之间的信道衰落,采用5G中的双斜率路径损耗模型对大尺度信道衰落进行建模,并在此模型下提出一种改进的基于绿色能源感知的自适应用户关联算法.该算法为基站设置优先级和权重因子,用户根据基站的优先级和权重因子自适应地调整自身的关联策略,并结合资源分配完成用户关联过程.仿真结果验证了所提算法在能耗和能效方面的优越性.     

空时编码多载波码分多址系统上行空时信道盲估计

针对当前空时编码系统利用训练序列求解信道信息将导致频谱资源浪费和系统用户容量下降这一问题,提出了宏蜂窝体制下基站使用均匀线阵空时编码多载波码分多址系统的上行空时信道盲估计算法.该算法构筑了蕴涵用户空时信道和波达方向的辅助矩阵,通过对该辅助矩阵进行特征分解得到了相应于每个用户的信号子空间,进而通过对该信号子空间进行奇异值分解实现了无需训练序列的空时信道的盲估计,节省了频带资源.仿真结果表明,该算法可以通过增加基站阵元数目使用户容量达到系统活动用户数的上限,并且信道估计的均方误差对用户数表现出鲁棒稳定性.     

基于生成对抗网络的图像真实噪声去除算法

深度卷积神经网络已被成功应用于图像高斯白噪声的去除。针对去除真实图像噪声的需要,本文提出了一种基于生成对抗网络的去噪算法。生成网络采用U-net结构,并通过嵌入残差密集块以更好地提取图像特征与减少细节丢失。同时,判别网络采用全卷积网络架构来实现图像的像素级分类,以提升判别器性能。此外,设计了一种增强网络结构,以进一步提高去噪图像质量。仿真实验结果表明,该算法视觉效果以及去噪性能指标PSNR、SSIM均优于其他同类算法,能够更有效地恢复图像细节。     

基于Dirac残差模块的单幅图像超分辨率重建

针对单幅图像超分辨率重建问题(SISR),提出了一种新的基于Dirac残差的超分辨率重建算法.算法使用全局跳跃重建层来直接利用输入LR图像的低频特征,通过多个dirac残差块来自适应学习输入LR图像的高频特征,通过亚像素卷积进行图像重建.算法通过权重参数化来改进残差层,同时使用输入图像的卷积特征与残差网络学习特征结合进行重建.实验采用Adam优化器进行网络训练.使用L1范数作为损失函数.在PSNR、SSIM和视觉效果与其他先进算法进行对比,实验结果表明,在常用测试集上与其他深度学习算法相比有较大提高.     

大规模MIMO系统中基于空时相关性的导频减小算法

在大规模多输入多输出(multiple input multiple output,MIMO)系统信道估计过程中,基站向用户端发送导频信号.由于导频数量与基站发射天线的数量成正比,传统信道估计过程会产生巨大的导频开销,尤其是对于采用频分双工通信方式的(frequency-division duplexing,FDD)大规模MIMO系统.为了解决这一问题,通过利用无线MIMO信道的空间公共稀疏性和时间相关性,提出一种基于压缩感知(compressed sensing,CS)技术的导频开销减小算法,其中,空时相关性用来提高信道估计精度.该算法能够在未知大规模MIMO系统信道稀疏度的情况下,自适应地获取精确的信道状态信息.分析和仿真结果表明提出的算法在减少导频开销方面优于局部公共支撑算法,同时能够维持良好的信道估计性能.     

可重构智能表面辅助传输的电力通信中继系统性能分析与功率优化分配

利用电力线通信和可重构智能表面(Reconfigurable Intelligent Surface, RIS)辅助传输可提升室内电力物联网的边缘覆盖能力,有必要研究信道、RIS部署和功率分配等对系统性能的影响。针对电力线接入和分布式RIS辅助传输的混合通信场景,采用对数正态分布的电力线衰落模型、多个RIS模块独立且不同参数的Nakagami分布无线衰落模型,推导了系统中断概率和误码率等理论性能;考虑信道估计算法精度对系统性能的影响,采用矩生成函数近似等算法建模分析了非理想信道估计条件下的系统中断概率性能;通过序列二次规划法进行系统功率优化分配,获得最佳功率分配值。仿真验证了理论性能的有效性和准确性,对比分析了RIS数量及位置、双媒质信道参数、功率分配因子等影响中继系统性能的规律,为电力线通信和RIS在电力物联网应用提供了理论和技术支持。     

低复杂度的大规模MIMO分布式信道估计

针对大规模多输入多输出(multiple-input multiple-output, MIMO)系统传统信道矩阵获取方式导频开销大、计算复杂度高的问题,提出了一种低复杂度的二阶段分布式信道估计方案。该方案的初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵,第2阶段在用户端利用信道的时间相关性,将大规模MIMO的角度域信道分解为密集部分和稀疏部分,并分别估计以实现连续信道追踪。稀疏部分信道通过所提的分布式自适应弱匹配追踪(distributed adaptive weak matching pursuit, DAWMP)算法,利用子信道的联合稀疏性进行多维重建。相比于线性最小均方误差(linear minimum mean square error, LMMSE)算法,所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。仿真结果表明,所提算法与经典压缩感知信道估计算法相比,计算复杂度降低了约33%,算法性能提升了约0.5 dB。     

基于BP神经网络算法的Filtered-OFDM系统的信道估计算法研究

Filtered-OFDM波形是满足5G网络要求的重要候选波形之一,而信道估计的准确性一直以来是现代通信系统中非常关键的技术指标.为了提高5G网络信道估计的准确性,将一种BP神经网络信道估计算法应用于Filtered-OFDM系统中.将少量的参考信号输入神经网络进行训练,使其适应信道的变化,再将接收信号输入神经网络估计整个信道的频率响应.经过算法研究和系统仿真发现,与传统的LS算法相比,BP神经网络算法可以有效降低系统的误码率(BER).同时,从系统复杂度上考虑,BP神经网络算法通过一次神经网络训练操作,就可有效估计出大量符号的信道信息,是一种复杂度适中的算法.     

混合有-无源智能反射面辅助大规模MIMO安全传输

针对存在恶意窃听者的大规模MIMO网络安全传输问题,提出了一种混合有-无源智能反射面辅助的下行安全传输方法。受基站总发射功率、混合有-无源智能反射面功率和反射相位模量约束,讨论了最大化系统总保密速率的优化问题,该问题为多变量耦合的非凸优化。提出了基于逐次凸近似的主动波束成形和反射相位优化算法,首先利用交替优化算法将原始问题转变为两个单变量的子问题,然后采用逐次凸逼近或半定松弛算法分别求解每个子问题的最优主动波束成形和反射相位。仿真结果表明,相比传统的被动智能反射面辅助安全传输方案,提出的方案能够有效利用混合有-无源智能反射面高增益的技术优势,进一步提高级联链路的信道增益,获得更高的保密速率。