面向分层异构网络的资源分配：一种稳健分层博弈学习方案

该文研究了信道状态不确定条件下分层异构微蜂窝网络中的无线资源分配优化问题。首先引入信道不确定模型描述无线信道的随机动态性,并将该问题建模为考虑信道不确定度的双层鲁棒斯坦伯格博弈;然后给出了该博弈的均衡点分析;最后提出了一种分布式改进型分层Q学习方案以实现宏基站和微基站的均衡策略搜索。理论分析和仿真表明,所提出的分层博弈模型可以有效抑制由于信道状态不确定引起的收益下降。所采用的学习方案较传统Q学习方案收敛速度明显加快,更加适用于短时快变的通信环境。     

大规模MIMO下最优预编码选择策略研究

大规模多入多出(Massive MIMO)系统中,随着天线数的增加,线性预编码算法的性能逐渐趋于最优,选择合适的线性预编码对系统性能具有重要的意义.针对发射端信道状态信息(Channel State Information at Transmitter,CSIT)不完美的Massive MIMO系统,推导出了迫零(Zero-Forcing,ZF)和最大比传输(Maximum Ratio Transmission,MRT)这两种常见预编码方案在向量归一化方式下的下行可达和速率下界,并给出了证明.随后对两种下界进行了分析,提出了一个关于系统用户数的阈值,当系统用户数和阈值的大小关系不同时,两种预编码性能的优劣关系也不相同.根据分析结果,文章进一步提出了一种以系统中用户数为参量的预编码选择策略,可以保证不论用户数如何变化,系统都能选择出更优的那一个预编码算法来对信号进行预处理.分析的有效性和方案的可靠性通过仿真得到了验证.     

面向用户体验的多小区混合非正交多址接入网络资源分配方法

该文研究了多小区混合非正交多址接入(MC-hybrid NOMA)网络的资源分配。为满足异构用户的服务体验,以最大化全网综合平均意见评分(MOS)累加和为目标,考虑基站选择、信道接入和功率资源分配的联合优化问题,该文提出一种用户、基站和信道3方的2阶段转移匹配算法,并根据用户MOS进行子信道功率优化。仿真结果表明所提多...     

基于子空间信道矩阵迭代的阶数估计算法

针对二阶统计量信道盲辨识算法中有效阶数估计问题,该文提出了一种基于子空间信道矩阵迭代的阶数估计(SS-CMR)算法。基于过估计条件下的Q矩阵特殊结构和其解空间向量可等价为真实信道冲激响应与公共零点信道的卷积,该算法首先利用子空间算法获得估计的信道矩阵,然后构建迭代形式的代价函数进行阶数估计。仿真表明,SS-CMR算法较CMR算法性能提升,且明显优于现有其他阶数估计算法;解析分析表明算法复杂度较CMR算法明显降低,对首尾系数很小的信道的阶数估计尤为有效。     

面向用户体验的多小区混合非正交多址接入网络资源分配方法

该文研究了多小区混合非正交多址接入(MC-hybrid NOMA)网络的资源分配.为满足异构用户的服务体验,以最大化全网综合平均意见评分(MOS)累加和为目标,考虑基站选择、信道接入和功率资源分配的联合优化问题,该文提出一种用户、基站和信道3方的2阶段转移匹配算法,并根据用户MOS进行子信道功率优化.仿真结果表明所提多小区混合NOMA网络资源分配方案能有效提升全网用户服务体验和公平性.     

基于子空间投影的信道阶数盲估计算法

根据联合阶数估计最小二乘平滑算法(J-LSS)中投影误差矩阵的特点,利用其零空间向量形成的特殊矩阵的秩与信道阶数的关系,分别构造2个阶数估计代价函数。将2个代价函数归一化后联合构建成新的代价函数,新的代价函数较使用单一代价函数提升了在低信噪比下的辨识率。仿真结果表明,与传统算法相比,该算法在较低的信噪比和小样本观测数据条件下,有很好的估计性能。     

基于用户体验的VLC/WiFi异构网络切换算法

针对可见光通信(VLC)与WiFi组成的异构网络中的网络选择问题,现有工作大多仅关注实际物理网络指标的优化,如信干噪比(SINR)和吞吐量等,而忽视了终端用户的异构需求和服务体验。基于此,该文提出了一种以用户体验质量(QoE)为优化目标的网络切换算法。该算法首先基于平均主观评分(MOS)机制建立离散化的QoE等级模型,然后根据不同网络对应的实际QoE水平给出了相应网络切换准则,当且仅当新网络使得用户QoE等级提升时才进行网络切换,从而在一定程度减小盲目追求容量优化引起的网络切换开销。仿真结果表明,该算法相比现有算法能够在保证QoE水平的前提下显著减小整体的网络切换次数,从而降低网络开销,提升网络性能。