室内信道中多极化MIMO系统的容量

针对室内多径信道,提出一种研究系统信道容量的方法,利用结合信道特征设计的三维多极化测量系统测量信道中多径入射信号的三维空间分布,代入天线方向图与入射信号进行空间积分计算出系统容量。利用该方法和系统对典型室内环境进行了测量,研究了真实的三极化天线组成的MIMO(multiple-input-multiple-output)系统的容量和摆放方向对多极化天线系统容量的影响。结果表明:三极化系统具有比单极化系统更优越的性能,可以利用该特性对室内环境中多极化MIMO系统的设计和布局进行优化以实现更高的系统容量。     

多用户MIMO中继通信系统中线性处理器设计

在多用户MIMO(多输入多输出)中继通信系统中研究了基站预编码和中继处理矩阵的优化设计问题,提出了一种能有效消除多用户干扰的基站预编码方案——迫零QR,并采用奇异值分解(SVD)法设计了中继处理矩阵.仿真结果表明,所提的迫零QR预编码方案的和速率随着天线数的增加和用户数的增加而增大,且明显优于基站无预编码策略,若与SV...     

分布式MIMO系统中载波频偏和信道的EM-PF联合估计

考虑了平衰落背景下分布式MIMO系统中载波频偏和信道的联合估计问题.与集中式MIMO的联合处理方法不同,改进了EM算法,提出了EM-PF算法解决这一强非线性难题.仿真结果表明:改进的算法更逼近克拉美罗界,在高性噪比条件下,误码率更低,有很大的实用价值.     

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

渡槽整体结构环境激励模态试验

为获得渡槽整体结构动力特性,开展单向SIMO法、双向MIMO法环境激励模态试验,选用增强频域分解法识别纵向、横向、竖向、横竖双向模态参数.结果表明:2种方法识别出的模态大多数谱峰明显、识别效果较好;纵向模态以排架结构振动为主,槽身整体平动或转动或不动;前4阶横向模态以排架结构振动为主,槽身整体平动或转动或横摇,第5阶模...     

基于信道状态信息反馈的特征波束形成算法

在多输入多输出通信系统中,为了有效地降低系统的误符号率,提出了一种特征波束形成算法。在假设接收端能准确地完成信道估计,并能及时将信道的互相关矩阵反馈到发射端的基础上,研究了接收和发射均采用多天线的特征波束形成算法,对其性能进行了详细的分析和推导,并在此基础上研究了波束形成与空时块码的结合以提高系统的频谱利用率。计算机仿真结果表明,在接收端采用多根天线相对于单根天线能明显降低系统的误符号率。特征波束形成算法通过同时提供波束形成增益和分集增益位置,有效地提高了系统性能。     

空域色噪声背景下双基地MIMO雷达角度估计

空域有色噪声会导致现有多输入多输出(multiple input multiple output, MIMO)雷达算法性能下降, 甚至完全失效。针对空域色噪声背景下双基地MIMO雷达联合波离角(direction of departure, DOD)和波达角(direction of arrival, DOA)估计问题, 分析了现有算法失效的原因。考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性以及MIMO雷达数据的多维结构特性, 提出一种基于张量分析的角度估计算法。首先, 构造角度估计的协方差张量, 通过去除协方差张量中受噪声协方差影响的元素对色噪声进行抑制。其次,利用张量填充技术对无噪协方差矩阵进行恢复。然后,利用平行因子分解获得目标角度的方向矩阵。最后, 采用最小二乘算法对目标的DOA和DOD进行拟合。仿真结果表明, 所提算法对色噪声不敏感, 且无孔径损失。相比现有矩阵及张量分析算法, 所提算法具有更高的估计精度。     

Compressive sensing based multiuser detector for massive MBM MIMO uplink

Media based modulation(MBM)is expected to be a prominent modulation scheme,which has access to the high data rate by using radio frequency(RF)mirrors and fewer transmit antennas.Associated with multiuser multiple input multiple output(MIMO),the MBM scheme achieves better performance than other conventional multiuser MIMO schemes.In this paper,the massive MIMO uplink is considered and a conjunctive MBM transmission scheme for each user is employed.This conjunctive MBM transmission scheme gathers aggregate MBM signals in multiple continuous time slots,which exploits the structured sparsity of these aggregate MBM signals.Under this kind of scenario,a multiuser detector with low complexity based on the compressive sensing(CS)theory to gain better detection performance is proposed.This detector is developed from the greedy sparse recovery technique compressive sampling matching pursuit(CoSaMP)and exploits not only the inherently distributed sparsity of MBM signals but also the structured sparsity of multiple aggregate MBM signals.By exploiting these sparsity,the proposed CoSaMP based multiuser detector achieves reliable detection with low complexity.Simulation results demonstrate that the proposed CoSaMP based multiuser detector achieves better detection performance compared with the conventional methods.     

基于协方差矩阵重构的单基地MIMO阵列无网格DOA估计方法

提出了一种单基地多输入多输出(multiple-input multiple-output, MIMO)阵列中的协方差矩阵重构的无网格波达方向(direction-of-arrival, DOA)估计方法。该方法通过降维处理将MIMO阵列等效为信噪比(signal-to-noise ratio, SNR)提升的均匀线列阵,将目标方位估计问题转化为混合范数最小化(mixed norm minimization, MixNM)稀疏信号重构问题。进一步给出了与该稀疏重构问题等价的基于网格的凸优化问题,并模型化为半定规划来求解。为了解决网格大小影响估计性能的问题,利用了等价均匀线列阵的托普利兹结构,模型化为半定规划问题来重构无噪声协方差矩阵,最后通过范德蒙分解来估计目标方位。与传统的基于MixNM方位估计方法相比,该方法减少了优化变量个数。与其他离网格方法相比,该方法估计精度不受网格大小的影响,且能够估计相干源目标。实验仿真验证了该方法的有效性。