针对智能反射面(Intelligent Reflecting Surface,IRS)辅助的含窃听者的认知物联网(Cognitive Internet of Things,C-IoT)通信系统,提出了一种基于联合波束成型的保密率优化方案。在系统模型中,考虑了一个由发射机、主用户、次用户、窃...针对智能反射面(Intelligent Reflecting Surface,IRS)辅助的含窃听者的认知物联网(Cognitive Internet of Things,C-IoT)通信系统,提出了一种基于联合波束成型的保密率优化方案。在系统模型中,考虑了一个由发射机、主用户、次用户、窃听者和智能反射面组成的多输入单输出通信场景。基于该模型,构建保密率优化问题,即在发射机总功率约束、主用户端干扰功率约束以及智能反射面单位模约束的条件下,通过联合优化主被动波束成型,最大化系统的保密率(Secrecy Rate,SR)。在实现过程中,由于公式化的问题非凸,因此使用交替优化的方法将原始问题分解为两个子问题进行优化,即发射机波束成型矩阵的优化以及IRS相移矩阵优化。针对发射机波束成型的矩阵优化,使用半定松弛法与逐次凸逼近法。接着,使用丁克尔巴赫法与逐次凸逼近的方法对IRS的相移矩阵进行优化。仿真结果表明,在含有窃听者的多输入单输出系统中,引入智能反射面实现主被动波束成型的优化有效提高了系统的保密率。展开更多
针对现有时间维度波达方向(direction of arrival,DOA)估计方案中,时间调控速率受限导致目标信号频谱混叠的问题,提出了一种基于异步调控的DOA估计方法,该方法能够有效提升调控速率,进而提升信号处理的信号带宽。在不改变时间调控超表面...针对现有时间维度波达方向(direction of arrival,DOA)估计方案中,时间调控速率受限导致目标信号频谱混叠的问题,提出了一种基于异步调控的DOA估计方法,该方法能够有效提升调控速率,进而提升信号处理的信号带宽。在不改变时间调控超表面(time-varying metasurface,TVM)硬件约束的情况下,该方法利用单元状态会持续一段时间的性质,交错不同列单元的变化起始时间,在一个状态持续时间内获得了多个不同的响应。异步调控方法能够使TVM在受材料限制的情况下,等效增加虚拟多通道个数,提高DOA估计的精度。仿真结果验证了方法的有效性,相较于现有的同步调控方法,新方法在DOA估计性能上有了较大提升,能够逼近理论上的最优DOA估计结果。展开更多
针对多输入多输出认知物联网(C-IoT:Cognitive Internet of Things)系统中出现的高能耗问题,提出了一种基于智能反射面(IRS:Intelligent Reflecting Surface)辅助的联合波束形成优化算法。以次用户处的信干噪比和IRS处的离散相移为约束...针对多输入多输出认知物联网(C-IoT:Cognitive Internet of Things)系统中出现的高能耗问题,提出了一种基于智能反射面(IRS:Intelligent Reflecting Surface)辅助的联合波束形成优化算法。以次用户处的信干噪比和IRS处的离散相移为约束条件,构建新的优化准则,通过联合优化次发射机处的主动波束形成矩阵和IRS处的被动波束形成矩阵最大化系统的能量效率。将复杂的非凸优化问题分解为子问题,分别使用定点迭代法和逐次细化法对子问题进行处理。仿真结果表明,在多天线场景下所提算法具有良好的收敛性。与基准方案相比,所提算法在多用户情况下有效提高了系统的能量效率。展开更多
为提高室内定位的精度和稳定度,提出了基于无迹卡尔曼滤波(Unscented Kalman Filtering,UKF),并融合蓝牙指纹库和行人航位推算(Pedestrian Dead Reckoning,PDR)的室内定位方法。首先,收集不同位置的信号强度数据,构建蓝牙指纹库。其次,...为提高室内定位的精度和稳定度,提出了基于无迹卡尔曼滤波(Unscented Kalman Filtering,UKF),并融合蓝牙指纹库和行人航位推算(Pedestrian Dead Reckoning,PDR)的室内定位方法。首先,收集不同位置的信号强度数据,构建蓝牙指纹库。其次,利用手机内置加速度计、陀螺仪等多传感器融合进行行人航位推算。在此基础上使用UKF进行融合,克服行人航位推算易产生累计误差的缺点,从而实现高精度室内定位,具有成本低、灵敏度高、稳定性好、定位方法简便等特点。最后,仿真实验结果表明了该方法的有效性。展开更多
空天地融合车载网场景下,无人机设备由于电池容量和能源有限,无法为任务卸载提供长期有效支持;低轨卫星受资源成本以及通信延迟、时延抖动的影响难以为大规模车联网任务提供稳定的高带宽通信服务。针对空天地融合车载网络场景下无人机...空天地融合车载网场景下,无人机设备由于电池容量和能源有限,无法为任务卸载提供长期有效支持;低轨卫星受资源成本以及通信延迟、时延抖动的影响难以为大规模车联网任务提供稳定的高带宽通信服务。针对空天地融合车载网络场景下无人机和低轨卫星的资源优化问题,提出了一种基于多任务深度强化辅助学习(Multi-Task Deep Reinforcement and Auxiliary Learning,MTDRAL)的任务卸载以及功率调整、缓存决策的方案。首先构建了任务切分与传输模型、时延模型、能耗模型、服务器计算与缓存模型和问题模型;然后,基于对任务处理时延、服务器能耗以及缓存命中率的综合考虑,给出了基于MTDRAL的任务卸载及资源调度方案;最后将所提方案与随机卸载策略方案、成功率贪婪决策方案、基于柔性动作-评价算法的多网络深度强化学习的卸载方案、基于深度确定性策略梯度算法的多网络深度强化学习的卸载方案进行了对比实验。实验结果表明:所提方案在服务器数量为14、车载终端数量为10时,综合得分相较于4种对比方案,分别领先约134.41%,31.32%,38.93%,29.49%;所提方案具有较好的性能,能更好地满足空天地融合车载网场景下的任务卸载需求。展开更多
文摘针对智能反射面(Intelligent Reflecting Surface,IRS)辅助的含窃听者的认知物联网(Cognitive Internet of Things,C-IoT)通信系统,提出了一种基于联合波束成型的保密率优化方案。在系统模型中,考虑了一个由发射机、主用户、次用户、窃听者和智能反射面组成的多输入单输出通信场景。基于该模型,构建保密率优化问题,即在发射机总功率约束、主用户端干扰功率约束以及智能反射面单位模约束的条件下,通过联合优化主被动波束成型,最大化系统的保密率(Secrecy Rate,SR)。在实现过程中,由于公式化的问题非凸,因此使用交替优化的方法将原始问题分解为两个子问题进行优化,即发射机波束成型矩阵的优化以及IRS相移矩阵优化。针对发射机波束成型的矩阵优化,使用半定松弛法与逐次凸逼近法。接着,使用丁克尔巴赫法与逐次凸逼近的方法对IRS的相移矩阵进行优化。仿真结果表明,在含有窃听者的多输入单输出系统中,引入智能反射面实现主被动波束成型的优化有效提高了系统的保密率。
文摘针对现有时间维度波达方向(direction of arrival,DOA)估计方案中,时间调控速率受限导致目标信号频谱混叠的问题,提出了一种基于异步调控的DOA估计方法,该方法能够有效提升调控速率,进而提升信号处理的信号带宽。在不改变时间调控超表面(time-varying metasurface,TVM)硬件约束的情况下,该方法利用单元状态会持续一段时间的性质,交错不同列单元的变化起始时间,在一个状态持续时间内获得了多个不同的响应。异步调控方法能够使TVM在受材料限制的情况下,等效增加虚拟多通道个数,提高DOA估计的精度。仿真结果验证了方法的有效性,相较于现有的同步调控方法,新方法在DOA估计性能上有了较大提升,能够逼近理论上的最优DOA估计结果。
文摘针对多输入多输出认知物联网(C-IoT:Cognitive Internet of Things)系统中出现的高能耗问题,提出了一种基于智能反射面(IRS:Intelligent Reflecting Surface)辅助的联合波束形成优化算法。以次用户处的信干噪比和IRS处的离散相移为约束条件,构建新的优化准则,通过联合优化次发射机处的主动波束形成矩阵和IRS处的被动波束形成矩阵最大化系统的能量效率。将复杂的非凸优化问题分解为子问题,分别使用定点迭代法和逐次细化法对子问题进行处理。仿真结果表明,在多天线场景下所提算法具有良好的收敛性。与基准方案相比,所提算法在多用户情况下有效提高了系统的能量效率。
文摘为提高室内定位的精度和稳定度,提出了基于无迹卡尔曼滤波(Unscented Kalman Filtering,UKF),并融合蓝牙指纹库和行人航位推算(Pedestrian Dead Reckoning,PDR)的室内定位方法。首先,收集不同位置的信号强度数据,构建蓝牙指纹库。其次,利用手机内置加速度计、陀螺仪等多传感器融合进行行人航位推算。在此基础上使用UKF进行融合,克服行人航位推算易产生累计误差的缺点,从而实现高精度室内定位,具有成本低、灵敏度高、稳定性好、定位方法简便等特点。最后,仿真实验结果表明了该方法的有效性。
文摘空天地融合车载网场景下,无人机设备由于电池容量和能源有限,无法为任务卸载提供长期有效支持;低轨卫星受资源成本以及通信延迟、时延抖动的影响难以为大规模车联网任务提供稳定的高带宽通信服务。针对空天地融合车载网络场景下无人机和低轨卫星的资源优化问题,提出了一种基于多任务深度强化辅助学习(Multi-Task Deep Reinforcement and Auxiliary Learning,MTDRAL)的任务卸载以及功率调整、缓存决策的方案。首先构建了任务切分与传输模型、时延模型、能耗模型、服务器计算与缓存模型和问题模型;然后,基于对任务处理时延、服务器能耗以及缓存命中率的综合考虑,给出了基于MTDRAL的任务卸载及资源调度方案;最后将所提方案与随机卸载策略方案、成功率贪婪决策方案、基于柔性动作-评价算法的多网络深度强化学习的卸载方案、基于深度确定性策略梯度算法的多网络深度强化学习的卸载方案进行了对比实验。实验结果表明:所提方案在服务器数量为14、车载终端数量为10时,综合得分相较于4种对比方案,分别领先约134.41%,31.32%,38.93%,29.49%;所提方案具有较好的性能,能更好地满足空天地融合车载网场景下的任务卸载需求。
