基于元学习的时变信道估计方法

为了克服现有的基于深度学习的信道估计方法存在的训练样本与时间开销过大、且离线训练的网络无法适应在实际情况下实时变化的信道环境的问题，提出了一种高速移动正交频分复用(orthogonal frequency division multiplexing, OFDM)系统中的基于元学习的时变信道估计方法。该方法利用模型无关元学习(model-agnostic meta-learning, MAML)方法对不同的信道任务进行线下训练，仅利用少量的训练样本即可使网络充分学习到信道的传输特性，以及具备快速适应新任务的能力，且具有较低的计算复杂度。在线下训练中，该方法将网络的训练目标设置为具有较高精度的信道估计，而非理想的信道信息，增强了估计模型的实用性。另外，该方法仅采用接收的导频信号进行线下训练与线上估计，减少了网络输入样本的数目，进一步降低了计算复杂度。仿真结果表明，所提方法具有较高的估计精度与较低的计算复杂度，且可以快速地适应新的信道环境，适用于在高速移动通信系统中获取时变信道。     

一种双选择性信道中OFDM系统的IQ不平衡补偿方法

针对正交频分复用(orthogonal frequency division multiplexing, OFDM)系统在时间—频率双选择性信道环境中由同相正交(in-phase and quadrature-phase, IQ)支路不平衡耦合多径时变信道导致的复杂子载波间干扰问题,提出了一种基于球形译码算法和并行干扰消除算法的IQ不平衡补偿方法。该方法通过对系统模型进行简化与分块处理,采用球形译码算法消除块内的子载波间干扰,采用并行干扰消除算法抑制块间干扰,并进行交替迭代运算。仿真结果表明,提出的算法在时间—频率双选择性信道环境下具有良好的IQ不平衡补偿性能。     

吉林省冰雪旅游发展的空间布局及路径研究

冰雪旅游日益成为人们推崇的旅游方式,吉林省是我国最早开展冰雪旅游的省份之一。立足于吉林省冰雪旅游发展的自然条件,定性的分析了吉林省冰雪旅游业优劣条件。旅游空间结构的合理性对旅游业的发展作用显著,采用标准差和离散系数分析吉林省冰雪旅游业发展的空间结构特征和发展状态。构建了吉林省冰雪旅游发展的"一带、两区、多点"的空间结构。一带指松花江沿岸地带;两区指长春吉林核心区和长白山核心区;多点指除"一带,两区"之外分散分布的各冰雪旅游点。它们共同构成吉林省冰雪旅游发展的网络化结构,最后提出了实现空间结构布局的策略和路径。     

Deep learning based Doppler frequency offset estimation for 5G-NR downlink in HSR scenario

In the fifth-generation new radio(5G-NR) high-speed railway(HSR) downlink,a deep learning(DL) based Doppler frequency offset(DFO) estimation scheme is proposed by using the back propagation neural network(BPNN).The proposed method mainly includes pre-training,training,and estimation phases,where the pre-training and training belong to the off-line stage,and the estimation is the online stage.To reduce the performance loss caused by the random initialization,the pre-training method is employed to...     

基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。