针对多输入单输出(multiple input single output,MISO)系统中的空时分组码(space-time block code,STBC)盲识别问题,提出了一种基于卷积神经网络(convolutional neural network,CNN)的串行STBC识别方法。首先,结合STBC识别问题提出了基...针对多输入单输出(multiple input single output,MISO)系统中的空时分组码(space-time block code,STBC)盲识别问题,提出了一种基于卷积神经网络(convolutional neural network,CNN)的串行STBC识别方法。首先,结合STBC识别问题提出了基本CNN(CNN basic,CNN-B)框架;然后在分析STBC相关性的基础上,针对空间复用和Alamouti信号混叠问题,设计了基于相关性的CNN(CNN based on correlation,CNN-BC)模型;最后将STBC数据集输入到网络模型中,完成网络的训练和识别测试。仿真结果表明,相比于基于特征提取的传统算法,该方法将可识别的STBC扩展到了6种,并且在低信噪比下的识别准确率更高,识别过程可控制在微秒级别,具有较高的工程应用价值。展开更多
针对多小区下行多进单出(multiple-input single-output,MISO)干扰信道,在控制每个用户信漏噪比(signal to leakage plus noise ratio,SLNR)低于门限值的概率小于中断概率的约束条件下,以最小化系统总加权发射功率为优化目标设计线性预...针对多小区下行多进单出(multiple-input single-output,MISO)干扰信道,在控制每个用户信漏噪比(signal to leakage plus noise ratio,SLNR)低于门限值的概率小于中断概率的约束条件下,以最小化系统总加权发射功率为优化目标设计线性预编码。利用半定松弛和Bernstein-type不等式,将非凸的具有随机性的原始优化问题转换为确定性凸优化问题。仿真结果表明,所提出的预编码设计比worst-case等比较方案耗费的总加权发射功率更少。展开更多
文摘针对多输入单输出(multiple input single output,MISO)系统中的空时分组码(space-time block code,STBC)盲识别问题,提出了一种基于卷积神经网络(convolutional neural network,CNN)的串行STBC识别方法。首先,结合STBC识别问题提出了基本CNN(CNN basic,CNN-B)框架;然后在分析STBC相关性的基础上,针对空间复用和Alamouti信号混叠问题,设计了基于相关性的CNN(CNN based on correlation,CNN-BC)模型;最后将STBC数据集输入到网络模型中,完成网络的训练和识别测试。仿真结果表明,相比于基于特征提取的传统算法,该方法将可识别的STBC扩展到了6种,并且在低信噪比下的识别准确率更高,识别过程可控制在微秒级别,具有较高的工程应用价值。
文摘针对多小区下行多进单出(multiple-input single-output,MISO)干扰信道,在控制每个用户信漏噪比(signal to leakage plus noise ratio,SLNR)低于门限值的概率小于中断概率的约束条件下,以最小化系统总加权发射功率为优化目标设计线性预编码。利用半定松弛和Bernstein-type不等式,将非凸的具有随机性的原始优化问题转换为确定性凸优化问题。仿真结果表明,所提出的预编码设计比worst-case等比较方案耗费的总加权发射功率更少。
