共查询到19条相似文献,搜索用时 143 毫秒
1.
随机波束成形(RBF)在系统用户足够多时,具有与最优预编码方案相同的容量尺度,当系统用户少时,性能却下降严重。针对该问题,提出了联合RBF和迫零波束成形(ZFBF)的广播信道预编码方案。该方案利用RBF实现用户的初步调度,然后要求初选用户附加反馈量化的信道方向信息(CDI)和信道质量信息(CQI),在基站根据CDI和CQI反馈完成最终波束选择和ZFBF预编码。仿真结果表明,所提出的预编码方案,与现有的增强型RBF相比,在基本不增加上行链路反馈量的前提下,可明显提高系统和容量。 相似文献
2.
多波束机会波束成形系统性能比较 总被引:2,自引:0,他引:2
研究了在多输入单输出(MISO)系统中通过加大、加快信道的波动来提高多用户分集增益的机会波束成形技术,并在此基础上研究了在每个时隙中采用多个加权矢量的多波束机会波束成形技术,着重对它们的性能作了仿真比较.结果表明,多波束机会波束成形技术可以提高系统吞吐量. 相似文献
3.
机会波束成形(Opportunistic Beamforming,OBF)技术通过加大、加快信道的波动来提高多用户分集增益,将之使用在正交频分复用多址接入(OFDMA)系统中,可以使得系统的吞吐量最大化.在OFDMA系统中,通过对所有子载波进行分簇,可以实现在牺牲系统性能很少的情况下,大大降低系统反馈量.研究了对分簇OFDMA系统使用OBF技术来提高系统吞吐量,并进一步研究了在训练阶段使用多个随机加权向量进行多波束成形,然后从中选择最好的一个来实现数据阶段的波束成形.仿真证明,采用多波束机会波束成形技术能提高OFDMA系统吞吐量. 相似文献
4.
介绍了基于特征波束成形的多天线传输技术.针对特征波束成形技术与两种典型的多天线技术(空时编码和分层空时)相结合的系统,从提高系统传输性能出发,分别推导了在独立同分布衰落信道中,发射端已知信道相关矩阵信息的情况下,特征波束成形的功率分配算法.仿真和分析结果表明,在发射端已知信道信息有限的情况下,作者提出的方法能显著改善多天线传输系统的性能,并且在发射天线间存在相关性时,仍能改善系统的性能. 相似文献
5.
基于正交随机波束成型的多用户多波束选择策略 总被引:1,自引:0,他引:1
针对正交随机波束成型(ORBF)当系统用户少时性能下降严重的问题,提出一种基于ORBF的多用户多波束选择策略.其基本思想是针对ORBF选定的优化用户集再次反馈部分信道信息,使得在系统用户数较少时系统总速率得到有效提高,并对功率平均分配和自适应功率分配两种情况分别进行了分析.仿真结果表明,该策略在增加部分反馈信息和提高发射机复杂性的条件下,可极大地提高系统总速率. 相似文献
6.
MIMO雷达发射波束成形技术研究 总被引:1,自引:1,他引:1
该文采用基于现代优化理论优化发射信号的互相关矩阵的方法来形成所期望的天线发射方向图以实现发射波束成形.建立了方向图设计的数学模型,通过最小化代价函数来获得数值优化结果.采用混合遗传算法来优化选择多输入多输出(MIMO)雷达相关信号的互相关矩阵,以实现向期望空间方向图的逼近.仿真结果证明了该方法的可行性和有效性. 相似文献
7.
针对多输入多输出(MIMO)中继系统天线选择算法容量不高的问题,提出了一种基于容量最大化的贪心天线选择算法.该算法在考虑噪声的影响情况下,根据添加一个天线对后系统容量的闭式表达式,逐步选取使得容量最大的天线对.仿真结果表明,在不同的中继数量及功率约束条件下,该算法与已有算法相比,能够获得更高的系统容量性能. 相似文献
8.
针对MIMO-OFDM系统中波束成形线性球状插值算法复杂度过大并且只适用于非量化波束成形的情形,提出了一种通用的插值算法.该算法通过在导频子载波上反馈波束成形向量,同时利用信道频域相关性,内插重构非导频子载波上的波束成形向量,极大地降低了每个子载波在波束成形时的反馈开销.同时,考虑到实际系统的可实现性,在通用插值算法基... 相似文献
9.
通过分析概率分布函数、累积分布补函数以及随机信道的信道容量的随机统计特性,仿真分析了无线随机多输入多输出系统的信道容量的累积分布补函数,并由此可以得到某个掉线概率条件下的掉线容量. 相似文献
10.
给出了一种利用Tomlinson-Harashima预编码(Tomlinson-Harashima precoding,THP)结合接收波束成形的多用户多输入多输出系统的广播信道预编码方案。当移动台有多个接收天线时,基站采用迫零Tomlinson-Harashima预编码(zero-forcing THP,ZF-THP)消除多用户间干扰,同时每个移动台利用接收波束成形保证系统拥有最大和容量。进而分析了预编码时QR分解的2种最佳的排序方法,揭示出ZF-THP系统存在和容量最大和误码性能最优不能兼顾的问题,而提出方案作为一种有效折衷,比传统的未排序的ZF-THP系统具有更高的和容量与更好的误码率性能。 相似文献
11.
为解决多输入多输出(MIMO)非线性系统Volterra频域核辨识困难的问题,提出了一种MIMO非线性系统Volterra频域核的非参数辨识方法.该方法先对待辨识的MIMO非线性系统的各输入端添加不同频率成分的单音激励信号,再对系统的输出端信号进行采样并使用Vandermonde法使各阶核输出分离,然后根据单音激励下MIMO非线性系统Volterra核的频域输出特性,推导出该类系统Volterra频域核的辨识公式.由于采用了多音信号激励MIMO非线性系统,实现了一次激励下多点辨识的目的,因此提高了辨识效率.该方法仅依赖于系统的输入输出数据,具有较强的实用性.采用该方法对一个双输入双输出的非线性系统Volterra频域核进行辨识,最大偏差小于10-5,验证了该方法的有效性. 相似文献
12.
介绍了无线通信多输入多输出系统的基本特点,着重研究了采用迭代解码和逆映射的BLAST即Turbo-BLAST的算法,并在瑞利衰落信道中对其进行了仿真来分析它的性能.仿真结果表明在零次迭代下,采用Turbo-BLAST算法的双发双收系统的抗噪能力要比单发单收系统优越1.5dB左右.采用Turbo-BLAST算法的多发多收通信系统的性能随着迭代次数的增加而提高,其性能远远优于单发单收系统。 相似文献
13.
为进一步改善OFDM系统性能,在研究循环延迟空时频(STF)编码和正交预编码STF编码技术的基础上,提出在这两种STF-OFDM系统中采用多个天线接收信号,给出了基于算术平均和最大似然准则的多天线接收解码算法.对两种系统性能进行了仿真和比较,结果表明,采用文中提出的多个天线接收方式,两种STF-OFDM系统性能都有改善,循环延迟和正交预编码STF-OFDM系统性能分别改善4.5dB和2.7dB.正交预编码STF-OFDM系统比循环延迟STF-OFDM无论是系统性能、数据传输效率还是系统复杂度以及成本等方面都要好. 相似文献
14.
空间相关莱斯快衰落信道下的MIMO系统性能 总被引:2,自引:2,他引:0
考虑到多输入多输出(MIMO)系统的收发分集优势和空间相关莱斯快衰落信道的普遍性,根据多变量统计学理论,推导出了MIMO系统在空间相关莱斯快衰落信道下平均成对差错概率上界的闭合表达式,发现随着信道空间相关性的增强或者莱斯分量的下降,系统误码性能呈下降趋势,最后通过仿真实验验证了理论推导的正确性. 相似文献
15.
风冷制冷机组的多变量模糊控制研究 总被引:2,自引:0,他引:2
针对一个多输入多输出、非线性复杂系统明显的非线性热力学耦合特性,采用模糊控制与神经网络相结合的方法,提出一种具有结构和参数学习能力的自组织模糊神经网络控制器,在控制过程中通过采样数据在线学习,调整网络结构,产生模糊控制规则并调整规则的参数,使得控制器具有模糊控制的特点,又有神经网络学习的能力.通过对风冷制冷机组控制试验的结果表明,该控制器能够达到同时控制蒸发压力和过热度的目的. 相似文献
16.
针对多输入多输出线性系统,已有的工作仅考虑单个不稳定极点的时滞界问题。针对两个不稳定极点的情形,给出时滞界的一些上界。通过设计适当的双线性变换,利用频域方法分别对系统含有两个不稳定实极点和一对共轭虚极点的两种情况,得到了系统时滞界的估计结果。所得结果将一些已知结果作为特例,还涵盖了更广泛的范围。算例结果验证了该方法的有效性。 相似文献
17.
为提高无线多输入多输出(MIMO)系统的分集性能,介绍一种四天线发送的扩展正交空时分组码(EO-STBC),并根据该分组码特点提出一种基于双比特反馈的分集增益自适应控制方法.该方法利用信道状态信息(CSI),采用天线选择接收,可实现全速率和发送信号的全分集.仿真结果表明,采用扩展正交空时分组码的反馈系统不仅在性能上优于传统的反馈控制系统,而且采用天线选择时,增益提高了5.8 dB. 相似文献
18.
提出的算法是根据给定的输入积项计算出无共享积项的假集矩阵、阻塞矩阵和覆盖矩阵,对阻塞矩阵和覆盖矩阵依据最小列覆盖的选择算法得到最小列覆盖集合和提升集合,形成输入积项扩展后的积项形式.对于二级SOP型的多输入多输出逻辑函数,设计了基于积项扩展的多输入多输出集成电路逻辑优化软件,允许的最大输入变量数为128、最大输出变量数为256、最大输入输出变量总和为300、最大输入积项数为20000,并通过了Benchmark例题的测试和正确性验证. 相似文献
19.
提出的算法是根据给定的输入积项计算出无共享积项的假集矩阵、阻塞矩阵和覆盖矩阵,对阻塞矩阵和覆盖矩阵依据最小列覆盖的选择算法得到最小列覆盖集合和提升集合,形成输入积项扩展后的积项形式.对于二级SOP型的多输入多输出逻辑函数,设计了基于积项扩展的多输入多输出集成电路逻辑优化软件,允许的最大输入变量数为128、最大输出变量数为256、最大输入输出变量总和为300、最大输入积项数为20 000,并通过了Benchmark例题的测试和正确性验证. 相似文献