基于SRS优先级划分及时移传输机制的SL空口同步方案

在LTE-V2X（long term evolution-vehicle to everything）系统中,存在部分车载用户无法获取基站的同步参考信号（synchronization reference signal,SRS）,从而无法与网络进行通信的问题。为解决这一问题,提出一种副链接（sidelink,SL）空口同步方案。车载用户根据SRS优先级划分机制选择最优的SRS,同时可获取该SRS的优先级以及确定自身发送SRS的优先级;并设计SRS时移传输机制使得不同优先级SRS在不同时帧上传输来区分优先级,与此同时还可有效抑制同频干扰。仿真结果显示,该方案在同步源优先级为 4 个等级时,同步定时误差均满足车载用户的同步需求。本文所提方案不仅扩大了空口同步范围,还可以有效抑制车载用户之间的同频干扰,可作为LTE-V2X系统实现有效可行的空口同步方案之一。     

大规模MIMO系统低复杂度混合迭代信号检测

在大规模MIMO系统上行链路信号检测算法中,最小均方误差(MMSE)算法能获得接近最优的线性检测性能.但是,传统的MMSE检测算法涉及高维矩阵求逆运算,由于复杂度过高而使其在实际应用中难以快速有效地实现.基于最速下降(steepest descent,SD)算法和高斯一赛德尔(Gauss-Seidel,GS)迭代的方法提出了一种低复杂度的混合迭代算法,利用SD算法为复杂度相对较低的GS迭代算法提供有效的搜索方向,以加快算法收敛的速度.同时,给出了一种用于信道译码的比特似然比(LLR)近似计算方法.仿真结果表明,通过几次迭代,给出的算法能够快速收敛并接近MMSE检测性能,并将算法复杂度降低一个数量级,保持在O(K2).     

基于干扰贡献比的密集异构网络小小区开关算法

小小区密集部署的异构网络是5G系统提升网络容量与数据速率的最有效的关键技术之一.随着小小区的大量部署,小小区之间的同频干扰以及小小区基站（Small Cell Base Stations,SeNBs）的能耗问题愈发显著.为提高SeNBs能效并降低小小区间的同频干扰,提出一种基于干扰贡献比（Interference Contribution Ratio,ICR）的小小区开关算法,可以仅通过较少的用户设备（User Equipment,UE）信息反馈量与测量过程实现有效的小小区开关操作.仿真表明,所提算法在保持较低的小小区业务损失量的前提下,能有效地降低小小区之间的同频干扰,提高网络总速率与SeNBs能效.     

大规模MIMO信号检测IPIC算法的深度学习网络

针对在大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统中,信道硬化现象减弱时最小均方误差(Minimum Mean Square Error, MMSE)检测算法及Richardson、Jacobi等迭代检测算法检测性能退化严重的问题,提出了一种深度检测网络,称为IPICNet,将深度学习技术和迭代并行干扰消除(Iterative Parallel Interference Cancellation, IPIC)检测算法结合。在IPICNet中,将IPIC检测算法的迭代过程展开为深度网络,并在此基础修改网络架构和添加可训练参数,同时对网络中需要使用的投影函数和损失函数进行了讨论和设计。实验结果表明,训练完成的IPICNet能有效提升IPIC检测算法的检测性能并在信道硬化现象不明显的MIMO系统中稳定工作。     

基于迭代并行干扰消除的低复杂度大规模MIMO信号检测算法

基于干扰消除思想该文提出一种适用于大规模MIMO系统上行链路的低复杂度迭代并行干扰消除算法,在算法实现中避免了线性检测算法所需的高复杂度$({\cal O}({K^3}))$矩阵求逆运算,将复杂度保持在$({\cal O}({K^2}))$。在此基础上,引入噪声预测机制,提出一种基于噪声预测的迭代并行干扰消除算法,进一步提高了硬判决检测性能。考虑天线间残留干扰,将干扰消除思想运用到软判决中,最后提出一种基于迭代并行干扰消除的低复杂度软输出信号检测算法。仿真结果表明：提出的信号检测方法的复杂度优于MMSE检测算法,经过几次简单的迭代,算法即快速收敛并获得接近甚至优于MMSE检测算法的误码率性能。     

基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知

近年来,基于机器学习(ML)的频谱感知技术为认知无线电系统提供了新型的频谱状态监测解决方案。利用蜂窝认知无线电网络(CCRN)中的次级用户设备(SUE)所能提供的大量频谱观测数据,该文提出了一种基于主用户(PU)传输模式分类的频谱感知方案。首先,基于多种典型的ML算法,对于网络中的多个主用户发射机(PUT)的传输模式进行分类辨识,在网络整体层面上确定所有PUT的联合工作状态。然后,网络中的SUE根据其所处地理位置或者频谱观测数据,判断其在当前已判定的PUT发射模式下接入授权频谱的可能性。由于PUT在网络中的实际位置可能事先已知或者无法提前确定,该文给出了3种不同的处理方法。理论推导与实验结果表明,所提方案与传统的能量检测方案相比,不仅改善了频谱感知性能,还增加了蜂窝认知网络对于授权频谱的动态访问机会。该方案可以作为蜂窝认知无线电网络中的一种高效实用的频谱感知解决方案。

     

LTE-Hi关键技术及研究现状

第三代合作伙伴计划(3GPP)在Release-12(R12)中所提出的LTE-Hi(Long Term Evolution-Hotspot/indoor)系统是解决室内及热点地区移动数据流量剧增问题的重要技术。在简要介绍LTE-Hi系统的部署场景和需求后,对系统中所涉及的部分关键技术进行了阐述,并分析了关键技术中小小区开关和发现以及基于空中接口同步技术的研究现状,最后对系统下一步研究方向进行了展望,期望为相关人员的研究提供参考与借鉴。     

基于干扰消除辅助稀疏连接神经网络的大规模MIMO信号检测

近年来,深度学习成为无线通信领域的关键技术之一。在基于深度学习的一系列MIMO信号检测算法中,大多未充分考虑相邻天线之间的干扰消除问题,无法彻底消除多用户干扰对误码率性能的影响。为此,该文提出一种将深度学习与串行干扰消除(SIC)算法进行结合的方法用于大规模MIMO系统上行链路信号检测。首先,通过优化传统的检测网络(DetNet)及改进ScNet检测算法,该文提出一种基于深度神经网络(DNN)的检测算法,称为ImpScNet。在此基础上,进一步将SIC思想应用到深度学习框架结构设计中,提出一种基于深度学习的大规模MIMO多用户SIC检测算法,称为ImpScNet-SIC。此算法在每个检测层上分为两级,其中,第1级由该文提出的ImpScNet算法提供初始解,再将初始解解调至相应的星座点上作为SIC的输入,由此构成该算法的第2级。此外,在SIC中也使用了ImpScNet算法估计传输符号,以便获得最优性能。仿真结果表明,与已有的各种典型代表算法相比,该文所提ImpScNet-SIC检测算法特别适合大规模MIMO信号检测,具有收敛速度快、收敛稳定及复杂度相对较低的优势,并且在10^–3误码率上有至少0.5 dB以上的增益。     

基于加权二部图及贪婪策略的蜂窝网络D2D通信资源分配

D2D(Device-to-Device)通信是解决频谱资源稀缺问题的关键技术之一。该文研究蜂窝网络中“many-to-many”的复杂场景,即单个RB(Resource Block)可以分配给多对D2D用户重用,并且允许单个D2D用户对使用多个RB,其中D2D用户对数量远多于蜂窝用户设备(Cellular User Equipment, CUE)数量和RB数量。考虑CUE对资源使用具有更高优先级,将此优化问题分解为蜂窝用户资源分配和D2D用户资源重用两个阶段。在第1阶段,提出基于公平性的循环二部图匹配(Fairness-based Circular Bipartite Graph Matching, FCBGM)算法,将现有的RB分配给所有CUE,以最大化蜂窝用户和速率。在第2阶段,分别提出基于二部图的资源重用(Bipartite Graph-based Resource Reuse, BGRR)算法和基于贪婪策略的资源重用(Greedy-based Resource Reuse, GRR)算法,目标是将已经分配给CUE的RB再次分配给D2D用户重用,以最大化系统和速率,同时确保CUE的基本速率需求。仿真结果表明,在D2D用户对数量远大于CUE数量和RB数量的情况下,与现有典型算法相比,所提算法能够有效提高系统和速率,增加D2D接入率,同时兼顾用户公平性和服务质量需求。     

多用户认知非正交多址接入系统中断性能分析及功率分配算法

非正交多址接入(NOMA)是5G网络关键候选技术之一,其与认知无线电(CR)技术相结合形成系统(CR-NOMA),能够实现更高的频谱效率及更大的吞吐量。该文将直传与中继协同传输(CDRT)方案引入多用户CR-NOMA系统,其中CDRT表示次级源(SS)直接与近端次级用户通信,而仅通过中继(R)与多个远端次级用户通信。在非理想自干扰消除和全双工(FD)中继情况下,推导了每个NOMA用户中断概率(OP)的精确闭式表达。此外,在该系统模型下分析SS, R和用户的收益最优化问题,提出一种基于收益的两阶段迭代功率分配算法。仿真结果显示,在高信噪比(30 dB)条件下,与随机功率分配及平均功率分配方案相比,该文所提算法的用户和速率、SS总收益、R总收益分别可最高提升13%, 56%及26%。蒙特卡罗仿真验证了理论分析与实验结果的一致性。