针对正交时频空(Orthogonal Time Frequency Space, OTFS)调制系统中均衡器性能不佳及线性滤波器复杂度较高等问题,提出了一种LU(Lower-Upper)分解与迭代最小均方误差(Iterative Minimum Mean Square Error, IMMSE)均衡器结合的OTFS系...针对正交时频空(Orthogonal Time Frequency Space, OTFS)调制系统中均衡器性能不佳及线性滤波器复杂度较高等问题,提出了一种LU(Lower-Upper)分解与迭代最小均方误差(Iterative Minimum Mean Square Error, IMMSE)均衡器结合的OTFS系统信号检测算法(LU-IMMSE)。该算法依据时延多普勒域稀疏信道矩阵的特征,采用一种低复杂度的LU分解方法,以避免MMSE均衡器求解矩阵逆的过程,在保证均衡器性能的前提下降低了均衡器复杂度。在OTFS系统中引入一种IMMSE均衡器,通过不断迭代更新发送符号均值和方差这些先验信息来逼近MMSE均衡器最优估计值。LU-IMMSE算法通过调节迭代次数可以有效降低误比特率。在比特信噪比为8 dB时,5次迭代后的LU-IMMSE均衡器误比特率相比传统的MMSE均衡器降低了约11 dB。随着迭代次数的增大,较传统IMMSE算法降低了计算复杂度。在最大时延系数为4、符号数为16的情况下,与直接求逆相比,所提出的低复杂度LU分解方法降低了约91.72%的矩阵求逆计算复杂度。展开更多
传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配...传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配问题,提出一种异构功率控制图神经网络(Heterogeneous Power Control Graph Neural Network,HPCGNN)算法,旨在最大化所有用户的加权和速率。首先通过构建干扰的异构图,将信道和噪声等信息嵌入到图的节点和边;再由HPCGNN完成消息传递和更新,采用无监督学习方式优化深度神经网络(Deep Neural Network,DNN)参数,最终得到最佳的功率分配。仿真结果表明,相较于其他深度学习算法,所提算法能够有效提高系统性能,且在损失5%性能下相较分式规划(Fractional Programming,FP)能降低82%~98%的时间复杂度。展开更多
为了减少5G异构网络中不必要的小区切换次数以及降低无线链路失败率,提出了一种基于熵权优劣解距离法(Technique for Order Preference by Similarity to an Ideal,TOPSIS)的小区预切换方案。熵权TOPSIS法将小区作为预切换对象,将下行...为了减少5G异构网络中不必要的小区切换次数以及降低无线链路失败率,提出了一种基于熵权优劣解距离法(Technique for Order Preference by Similarity to an Ideal,TOPSIS)的小区预切换方案。熵权TOPSIS法将小区作为预切换对象,将下行信干噪比、预测驻留时间和移动角度均作为切换指标,分析并预测目标切换小区从而达到预切换目的。首先,根据邻小区的参考信号接收功率(Reference Signal Receiving Power,RSRP)值得到候选目标小区列表;然后,采用熵权法计算三个切换指标的权重;最后,使用TOPSIS法对候选小区进行排序,排序最高的小区即为目标切换小区。实验和仿真结果表明,与现有的切换方法比较,所提方案在一定程度上减少了小区切换次数和无线链路失败率。展开更多
文摘针对正交时频空(Orthogonal Time Frequency Space, OTFS)调制系统中均衡器性能不佳及线性滤波器复杂度较高等问题,提出了一种LU(Lower-Upper)分解与迭代最小均方误差(Iterative Minimum Mean Square Error, IMMSE)均衡器结合的OTFS系统信号检测算法(LU-IMMSE)。该算法依据时延多普勒域稀疏信道矩阵的特征,采用一种低复杂度的LU分解方法,以避免MMSE均衡器求解矩阵逆的过程,在保证均衡器性能的前提下降低了均衡器复杂度。在OTFS系统中引入一种IMMSE均衡器,通过不断迭代更新发送符号均值和方差这些先验信息来逼近MMSE均衡器最优估计值。LU-IMMSE算法通过调节迭代次数可以有效降低误比特率。在比特信噪比为8 dB时,5次迭代后的LU-IMMSE均衡器误比特率相比传统的MMSE均衡器降低了约11 dB。随着迭代次数的增大,较传统IMMSE算法降低了计算复杂度。在最大时延系数为4、符号数为16的情况下,与直接求逆相比,所提出的低复杂度LU分解方法降低了约91.72%的矩阵求逆计算复杂度。
文摘传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配问题,提出一种异构功率控制图神经网络(Heterogeneous Power Control Graph Neural Network,HPCGNN)算法,旨在最大化所有用户的加权和速率。首先通过构建干扰的异构图,将信道和噪声等信息嵌入到图的节点和边;再由HPCGNN完成消息传递和更新,采用无监督学习方式优化深度神经网络(Deep Neural Network,DNN)参数,最终得到最佳的功率分配。仿真结果表明,相较于其他深度学习算法,所提算法能够有效提高系统性能,且在损失5%性能下相较分式规划(Fractional Programming,FP)能降低82%~98%的时间复杂度。
文摘为了减少5G异构网络中不必要的小区切换次数以及降低无线链路失败率,提出了一种基于熵权优劣解距离法(Technique for Order Preference by Similarity to an Ideal,TOPSIS)的小区预切换方案。熵权TOPSIS法将小区作为预切换对象,将下行信干噪比、预测驻留时间和移动角度均作为切换指标,分析并预测目标切换小区从而达到预切换目的。首先,根据邻小区的参考信号接收功率(Reference Signal Receiving Power,RSRP)值得到候选目标小区列表;然后,采用熵权法计算三个切换指标的权重;最后,使用TOPSIS法对候选小区进行排序,排序最高的小区即为目标切换小区。实验和仿真结果表明,与现有的切换方法比较,所提方案在一定程度上减少了小区切换次数和无线链路失败率。
