基于目标转换的低复杂度幂次迭代混合预编码算法

为了使大规模毫米波(millimeter wave,mmWave)多输入多输出系统能耗与性能得到更好的均衡,通过基于目标转换的幂次迭代算法、Aitken加速算法、数学归纳法研究了信道混合预编码矩阵的设计问题.结果表明,与现有的其他预编码方案相比,所提算法可获得更高的系统总可达率、更低的计算复杂度、更小的误码率,性能逼近...     

毫米波MIMO系统基于块对角化的混合预编码算法

在毫米波大规模多输入多输出(multiple-input multiple-output, MIMO)系统中,传统的数字预编码器需要给每一个天线配置一条独立的射频(radio frequency, RF)链路,这将会大大增加系统的成本和功耗,通过混合预编码可以有效地解决射频链路受限的问题。目前,混合预编码的研究大多都是针对多用户单天线场景,没有考虑到用户端配置多根天线的情况,为了消除多用户间干扰,增加系统的频谱效率,提出一种针对多用户多天线场景的混合预编码算法。在模拟端,通过基于矩阵迭代算法和模拟矩阵集合设计方法进行求解。在基带端,采用块对角化技术(block diagonalization,BD)消除多用户之间的干扰。仿真结果表明,所提出的多用户混合预编码算法相较于传统的块对角化混合预编码算法具有更好的性能表现,且更接近于纯数字预编码算法。     

多输入多输出系统下低复杂度的自适应预编码方法

针对多输入多输出衰落信道中存在的码间干扰和多径干扰问题，提出了一种具有低复杂度的自适应预编码方案．该方案在发送端和接收端分别放置了预编码器和基于迫零算法的接收机，这样接收机在进行均衡译码的同时，将信道信息反馈给发送端，发送端便可以随之选择发送子载波的数目以及预编码矩阵，完成自适应预编码．该方案可有效降低系统的误码率．仿真结果表明，当误码率为10^-3时，在传输信道信息未知的情况下，该方案的信噪比比信道信息已知的基于最小均方误差预编码方案高1．3dB，且复杂度大大降低．     

一种非正交多址接入迭代优化混合预编码算法

为了使大规模毫米波(millimeter wave, mmWave)多输入多输出(multiple-input multiple-output, MIMO)系统获得高频谱效率和高能量效率,采用非正交多址接入迭代优化算法和簇首选择算法,研究了无线携能通信场景中的混合预编码问题。仿真结果表明：与传统正交多址接入无线携能通信的混合预编码算法相比,所提算法能够获得更高的频谱效率和能量效率。     

基于毫米波大规模MIMO的用户调度问题

毫米波传播具有很高的路径损耗以及较强的方向性,对障碍物造成的阻挡以及由运动引起的多普勒频移等非常敏感,因此如何提供稳定的链路质量成为毫米波通信系统中必须解决的问题,又因为电磁波有不同的传播特性,基于天线个数的不断增加和对成本的考量,传统的多用户预编码技术难以运用在毫米波通信系统中,因此如何将毫米波通信与Massive MIMO进行结合成为未来无线通信发展的重要研究方向。针对毫米波系统的以上几点特性,提出了一种基于FDMA的毫米波系统中用户频域调度与多个用户进行混合预编码的联合算法,通过运用该算法可以提高毫米波通信系统的性能。仿真结果表明：该算法的性能近似于纯数字预编码的性能,与其它同类算法相比,计算复杂度增加的并不明显,可以大大改善毫米波Massive MU-MIMO系统的性能。     

MIMO系统中基于预编码的IR—HARQ方案

多输入多输出系统与混合自动请求重传技术的结合,能够实现高的传输速率,提高系统的可靠性．该文主要针对多输入多输出系统中基于预编码的混合自动请求重传技术,提出将递增冗余的合并技术代替传统的Chase合并方案,递增冗余合并主要通过递增发送的码字的冗余度,以增大正确译码的概率,从而增加数据吞吐量．仿真结果表明,无论是误比特率还是信息速率,采用递增冗余的方案都能给系统带来增益．     

多用户MIMO系统预编码的技术研究

预编码是一种应用于发射端以达到抑制多用户间干扰的预均衡方法。MIMO预编码技术可有效防止误码扩散,大大降低接收端的复杂度。该文对多用户MIMO系统预编码的几种算法进行了研究,分析了其各自的优缺点,并提出了改进方法。其中包括迫零（ZF）线性预编码、块对角化（BD）线性预编码、最小均方误差（MMSE）线性预编码及信漏比（SLR）线性预编码。     

一种基于优化阈值的有限反馈预编码算法

在上行链路总反馈量受限的多用户MIMO系统中,小数量用户配合高速率反馈比大数量用户配合低速率反馈具有更优的和速率.但较少的用户反馈却不利于获得多用户分集.针对该问题,提出了一种基于优化阈值的用户选择算法,并根据最优反馈速率从选出用户中确定实施反馈的用户.在用户反馈的信道方向信息和信道质量信息基础上,利用迫零波束成形(ZFBF)算法进行预编码.仿真结果表明,该方案具有比最优反馈速率算法更高的和速率.     

相干多径环境下的毫米波大规模MIMO混合波束赋形方案

针对传统全数字域的解相干算法无法直接运用于混合波束赋形场景的问题,设计了一种混合波束赋形下的解相干方案。在模拟域,基于设计的码本波束,提出一种新的模拟波束赋形方案,分别搜索与每个信号方向最为接近的波束,形成波束集合,利用所得到的波束集合,对阵列接收信号分别进行模拟波束赋形得到一级输出。在数字域,提出“阵列信号重构”的思想,对一级输出进行阵列信号重构,将重构信号作为输入,进行空间平滑处理,在相干干扰方向和非相干干扰方向均可形成较深的“零陷”。通过理论分析和仿真,对不同方案的波束方向图、信干噪比、频谱效率等性能进行了研究。结果表明,所提出的混合波束赋形方案的信干噪比和频谱效率等性能几乎逼近于纯数字波束赋形方案。     

毫米波大规模MIMO系统中基于GMD的低复杂度混合预编码

针对毫米波大规模多输入多输出(multiple input multiple output,MIMO)系统中,基于几何均值分解(geomet-ric mean decomposition,GMD)的混合预编码方案计算复杂度高的难题,提出一种基于GMD的低复杂度混合预编码方案.根据交替最小化原则,通过基于阶递归最小二乘的...     

基于格拉斯曼流形的多用户大规模混合预编码

针对大规模天线系统采用全数字预编码时,所需射频链的数量较多而导致实现成本和硬件复杂度较高的问题,提出了一种基站端的两级混合预编码方案.该方案以最小化均方误差为准则,设计预编码矩阵的目标函数,并采用基于格拉斯曼流形的共轭梯度算法对目标函数进行求解.仿真结果表明:所提出的混合预编码方法能有效降低硬件实现复杂度,同时性能接近全数字预编码方式.     

基于最大比传输预编码天线分组技术的大规模多入多出系统能效研究

大规模多输入多输出(MIMO)系统中,大型天线阵列之间的强天线相关性会导致系统性能降低.针对下行链路场景,提出基于最大比传输预编码的联合天线分组和天线选择算法,把大规模天线阵列划分为若干组,在每组中基于信道矩阵最大列范数选择天线,构造所选天线与接收天线间的信道矩阵,并计算对应的预编码矩阵.建立能效模型,分析联合天线分组...     

基于自适应遗传算法的粒子滤波器

针对重采样导致的权值退化问题,应用遗传算法的进化思想来优化重采样算法,将粒子权值作为适应度值,合理设定阈值,利用最佳个体保存法保存高适应度粒子,利用自适应交叉、变异操作对低适应度粒子进行进化,将高适应度粒子与进化粒子组合成新的粒子集进行状态估计.仿真实验表明,该算法具有良好的实时性和估计精度,其状态估计精度比标准粒子滤波提高近24倍,比无迹卡尔曼粒子滤波提高近4倍,耗时约为无迹卡尔曼粒子滤波的1/10.     

一种基于混合遗传算法的有源噪声控制方法

提出了一种基于混合遗传算法的格型IIR滤波器结构的有源噪声控制方法.混合遗传算法将遗传算法与随机搜索算法结合起来,可以改善基本遗传算法的局部搜索能力,克服基本遗传算法存在未成熟收敛问题.本文选择UNDX交叉算子作为遗传算法的主要算子,在保留当前最佳个体的同时,再对该最佳个体用随机搜索法搜索优化个体.这样既保证了算法的全局收敛性,又提高了收敛速度.仿真结果表明,该算法可以有效地实现噪声控制.     

利用热电导理论研究低杂波电流驱动效率

文章在典型的低杂波电流驱动实验中采用低杂波功率扫描的方法研究了低杂波电流驱动效率。利用热电导理论得到的拟合公式拟合实验数据得到了低杂波完全非感应电流驱动效率以及热电导对电流驱动的贡献,低杂波的全波驱动效率为η0=0.349×10^19Am^-2W^-1,由热电导贡献的电流驱动为η1=0.674×10^19Am^-2W^-1。实验发现热电导在等离子体环电压不为零的时候通过和电场的协同作用大大增强了电流驱动。     

一种基于互信息量的自适应快速视频编解码方案

为了对不同运动剧烈程度的视频序列提出一种重构质量高并且快速的自适应编码算法,引入视频序列的互信息量(mutual information,MI).利用视频序列帧间的互信息量自适应地调整运动向量估计和运动向量多重估计的门限值(absolute error,AE).通过大量的统计得出了互信息量与高通帧方差之间的关系,利用方差作为反馈进一步调整AE,从而实现了一种自适应快速算法.利用此算法同时达到了控制编码复杂度和重构视频质量的目的.实验数据表明,此种算法编码时间比传统运动补偿时域滤波(motion compensated temporal filtering,MCTF)结构缩短约15%,而重构视频的质量几乎没有下降.     

基于速度预测与自适应差分进化算法的混合动力汽车能量管理策略

为提高单行星排构型的混合动力汽车（hybrid electric vehicle, HEV）的燃油经济性,降低车辆燃油消耗量,提出了一种基于门控循环单元神经网络（gated recurrent unit neural network, GRU-NN）速度预测模型与自适应差分进化（adaptive differential evolution, A-DE）算法的能量管理策略,在模型预测控制（model predictive control, MPC）框架下预测未来车辆的行车速度,将整个工况内的全局优化求解问题转化为在预测时域内的局部优化求解,以发动机燃油消耗量最低与行车过程电池荷电状态（state of charge, SOC）平衡为目标,利用A-DE算法实现预测域内的最优控制序列求解。仿真结果表明,在实车采集的道路工况下,基于GRU-NN与A-DE算法的能量管理策略相较于ECMS燃油消耗量减少了4.55%,相较于动态规划燃油经济性达到了93.04%。