基于实测的无线链路仿真分析

在无线网络小区信号实际测量的基础上获得特定传播环境下的莱斯因子K值,并将此 K值用于OPNET来进行无线链路仿真。同时,在仿真中将修改原有的接收功率模块,使仿真更贴近于 实际的信号传播环境。在对武汉一般密集区的实测分析中,得出此环境下的K值为2.4 dB,并进行仿 真分析了此环境下的误码率,得出一些有用的结论。     

基于穿墙雷达的虚拟多视角成像

由于墙体及室内目标的存在,穿墙雷达回波信号中包含许多多径分量,导致在成像后图像中存在许多幻影分量.在传统的穿墙雷达成像及预处理中,将多径分量视为杂波和干扰分量,并提出许多方法来抑制多径分量.基于多径分量提供了同一目标不同观测视角的优势,提出了一种基于室内电波传播模型的多径利用方法.该方法在后向投影成像方法的基础上,利用双圆解析表达式方法识别图像中幻影的位置信息,将幻影与目标相关联,并结合指数加权函数的方法,实现目标的虚拟多视角成像,仿真实测结果验证了该方法的有效性.     

基于修正Green函数的穿墙雷达目标对齐

针对接收天线接收的目标散射体的散射强度取决于目标相对于收发天线的位置、目标电性能参数以及目标几何形状的问题,提出一种将不同位置的目标对齐到参考位置的目标对齐框架。该框架创新地从BP(Back Projection)算法与线性波恩近似(Born Approximation,BA)电磁场逆散射数学模型关系入手,结合修正Green函数设计,推导出目标特征受多个参数耦合约束的去相关数学模型。基于电磁场仿真数据,从定性和定量两个角度验证所提出的目标对齐框架的有效性。     

MIMO-OTHR稀疏频分互补混沌调制波形设计

针对多输入多输出超视距雷达(Multiple Input Multiple Output Over-the-Horizon Radar, MIMO-OTHR),提出了一种稀疏频分正交相位编码(Sparse Frequency Division Orthogonal Phase Coded, SFDOPC)波形。考虑到超视距雷达工作在非连续分布频谱环境,设计了波形的稀疏频分结构。利用混沌序列天然的正交性、良好的抗干扰和低截获性能,将混沌序列映射为相位编码信号,调制在稀疏载波频率上。基于该波形结构,首先对混沌序列的相关性能进行了优化,利用自适应克隆选择算法最优化搜索得到互补混沌序列对;然后,根据实时监测得到的频谱环境,合理选择载频和带宽,在兼顾频谱环境的同时,可以进一步改善波形的正交性,最终得到一种稀疏频分互补混沌调制波形。仿真结果表明,该波形具备优良的输出特性。     

可见光通信中继技术研究

可见光通信(VLC)作为射频通信的有效补充技术,可提供高速率、超低时延、绿色环保、低成本和安全可靠的通信服务.但覆盖范围受限和链路遮挡已成为VLC系统可靠通信的瓶颈.针对上述问题,在VLC中采用中继技术是一种有效方法.文章从中继技术的功能特性出发,分析中继协作的VLC系统模型,对中继协作的VLC系统的应用场景、组网方式...     

三维开阔区车辆间通信的无线信道模型

车载自组网络-VANET（Vehicle Ad Hoc Network）作为移动自组网和传感器网络在道路交通领域的应用,节点具有对等性、高速移动等特点,这导致了VANET无线信道与无线蜂窝网络信道有着显著区别。文中主要研究开阔区域中车辆间通信的无线信道模型：在三维多径散射场景下,考虑配备定向天线的车辆终端,推导VANET双移动通信节点之间无线衰落信道的自相关函数与多普勒功率谱密度函数的解析表达式。该结果对于VANET网络下无线多媒体业务性能评估有着重要的作用。     

基于深度迭代网络的穿墙雷达成像方法

联合墙杂波抑制及图像重建迭代求解方法为当前较前沿的穿墙雷达成像(through-the-wall radar imaging, TWRI)算法,能够同时抑制墙体杂波和重构目标图像,但仍存在收敛速度慢、人工干预过多以及对初值的选取敏感等问题,难以快速精确地进行目标成像. 针对上述问题,本文提出一种联合低秩与稀疏分解驱动的可学习深度迭代网络的TWRI方法. 该方法利用穿墙雷达场景下墙体杂波的低秩特性以及待重建目标图像的稀疏特性,首先将穿墙雷达成像问题建模为联合低秩与稀疏分解的正则化优化问题,然后采用变分框架和轮换策略将优化问题转化成两个准线性优化子问题并推导其更新公式,最后将上述迭代更新公式映射到网络结构中,展开成深度迭代网络模型并采用端到端学习策略,形成融合物理模型的可学习深度迭代网络框架. 仿真结果表明该方法能够有效抑制墙体杂波,相对于其他方法显著提高了目标成像精度和速度.     

基于迭代多尺度深度网络的非线性逆散射成像方法

传统的迭代多尺度方法 (iterative multiscaling approach, IMA)在求解非线性电磁场逆散射问题时,可以自适应提高成像空间的分辨率,缓解逆问题的病态性,但容易陷入局部极小值且无法做到实时重构.文中提出了一种迭代多尺度深度网络,该网络结合传统IMA和深度网络的优势,将IMA展开成深度网络模型（命名为IMA-Net）.该方法迭代地执行一种感兴趣区域(regions of interest, ROI)提取算法,在不同尺度的ROI内构建目标函数,并将目标函数分解成若干个优化子问题,子问题的迭代更新过程映射到深度网络结构中,交替更新相关分量,求解出目标函数的最优值.实验结果验证了该方法的有效性和优越性,为目标实时重构提供了一个有效方案.     

基于Markov链Packet-Level的VANET差错预测模型及性能预估

 车用自组织网络—VANET(Vehicle Ad-hoc Network)是一种应用于智能交通系统的新型无线移动自组织网络,其网络体系及各层协议设计与信道特性紧密相关,信道实时测量与性能预估逐渐成为VANET通信协议设计基础.本文主要思想是通过实测数据包的差错序列来评估VANET信道质量.首先通过实测数据分析,发现差错序列中相邻无误串和错误串具有统计依赖关系;然后提取数据包的差错序列统计特性参数,依此建立基于Markov链的PLE(Packet-Level Error)模型;最后通过不同模型仿真结果与实际统计结果的比较与验证,PLE模型比传统的Gilbert-Elliott模型更适合描述VANET信道特征.