【摘 要】
：
近年来无线通信技术快速发展,静止场景下的无线通信需求得到了很好的满足。但高速移动场景中信号传播会经历时频双选择性衰落,导致通信系统性能恶化。目前广泛采用正交频分复用技术在快时变信道中需要大量的导频符号提高信道估计准确性,数据传输速率较低。正交时频空（Orthogonal Time Frequency Space,OTFS）调制是新一代的调制技术,通过辛傅里叶变换和逆辛傅里叶变换两个变换对,将时频域
论文部分内容阅读
近年来无线通信技术快速发展,静止场景下的无线通信需求得到了很好的满足。但高速移动场景中信号传播会经历时频双选择性衰落,导致通信系统性能恶化。目前广泛采用正交频分复用技术在快时变信道中需要大量的导频符号提高信道估计准确性,数据传输速率较低。正交时频空（Orthogonal Time Frequency Space,OTFS）调制是新一代的调制技术,通过辛傅里叶变换和逆辛傅里叶变换两个变换对,将时频域的时变信道转换为时延多普勒域的时不变信道,能够较好的对抗信道动态时变性。为了满足高速移动场景中的无线通信需求,研究OTFS系统的信道估计和信号检测等信号处理技术十分必要。论文围绕OTFS系统中存在的分数多普勒问题和同相/正交（Inphase/Quadrature,I/Q）不平衡问题展开,并借助深度学习方法来解决上述问题。论文的主要研究内容如下:（1）针对OTFS系统存在的分数多普勒问题,分析了其产生的原因,提出了基于深度学习的信道估计与信号检测算法。信道估计中,将图像去噪神经网络应用到无线通信系统中去除导频信号噪声,优化了OTFS信道估计性能。信号检测中,设计基于数据驱动的全连接神经网络应用于信号解调,提升了OTFS信号解调性能。仿真结果表明,存在分数多普勒时,上述信道估计与信号检测算法的误码率性能优于最小均方误差检测算法。（2）针对OTFS接收机存在的I/Q不平衡问题,分析了I/Q不平衡产生的原因,设计了存在I/Q不平衡的OTFS系统导频方案,提出了一种分类神经网络估计I/Q不平衡。通过仿真分析,验证了该神经网络能够有效估计OTFS系统的I/Q不平衡,结合现有的时域补偿算法能够降低I/Q不平衡对OTFS系统带来的影响。
其他文献
随着无线通信技术向着高质量、高速率、高集成、多频段、多标准和宽频带的通信方向发展,对无线通信系统射频前端的天线提出了更高的性能要求。宽带平面滤波天线不仅可以很好的满足上述需求,而且还能减少无线通信系统中天线的数量,实现系统的小型化、多功能集成以及降低成本的目标。因此,本论文开展了针对不同应用场景下的高性能宽带平面天线的课题研究,提出并研制了四款宽带平面天线,包括高选择性宽带滤波准八木天线、具有陷波
脑电（Electroencephalogram,EEG）和功能磁共振成像（functional Magnetic Resonance Imaging,f MRI）是目前研究大脑活动的最常用的无创神经成像技术。EEG具有高时间分辨率,f MRI具有高空间分辨率。同步采集EEG和f MRI的最大优势在于将两种模态的时程完全对应起来,大脑的神经活动变化在两个模态中保持一致,从而能够实现这两种无创神经成像
高速高精度模数转换器（ADC）广泛应用于图像处理、信息存储和无线通信等领域。为了实现高速高精度,通常使用流水线型ADC—兼顾精度与速度。同时随着无线通信、宽带收发器以及数字设备的新兴应用,转换器的功耗问题成为了人们关注的核心。基于上述流水线型ADC高速与高精度的特点,同时为了实现低功耗的需求,本文采用流水线结构,在0.18μm CMOS工艺下,设计实现了一种在保持高速高精度的同时能够减小转换器功耗
近年来,全球车辆用户数量已超过十亿和涌现出各类车载服务,例如道路预警,自动驾驶和智能停车等,为车联网中计算存储资源提出了极为严苛的要求。为保证车联网中用户服务质量,将移动边缘计算引入传统车联网,即车联网边缘计算。然而,车联网边缘计算存在资源受限和硬件部署开销大的问题。为此,有学者提出将具有计算能力的停泊车辆作为边缘计算节点,辅助边缘服务器提供计算服务,从而构成一种新型网络范式—停泊车辆辅助边缘计算
移动群智感知（Mobile Crowd sensing,MCS）是近年来新兴的一种感知模式,利用智能设备内置的传感器采集大量的传感数据,感知平台实时处理以支持物联网的各类服务,其有效降低感知成本,扩大感知覆盖范围和提升感知质量,将推动物联网的发展。任务分配作为MCS的重要组成部分,合理高效的任务分配是群智感知系统能否大量应用的基石。然而,在智慧城市中,随着越来越多的应用场景需要多源异构的感知信息,
在第五代（5th Generation,5G）移动通信架构下,移动边缘计算（Mobile Edge Computing,MEC）直接从网络边缘为用户设备提供计算和存储功能,能有效降低用户设备处理任务的时延和能耗。在移动边缘计算的任务卸载过程中,由于通信资源受限以及移动设备间的干扰,导致通信开销增大;此外,卸载任务的分配不均衡会导致某些MEC服务器出现过载现象,从而影响任务执行效率。因此,对移动边缘
卷积神经网络是深度学习算法中一个重要的研究分支,已经在智慧医疗和智能门禁等应用中取得巨大成功。随着各行各业智能化革新的推进和深化,在智能安防、自动驾驶等高速AIo T应用的终端设备上实现端侧智能计算成为大势所趋。如何在成本和功耗受限的物端设备上实现高速卷积神经网络推理成为亟待解决的难题。研究卷积神经网络轻量化算法和设计突破冯式架构的卷积神经网络专用加速器是实现低成本高速卷积神经网络端侧计算的关键方
疲劳驾驶作为诱发交通事故的主要因素之一,其造成的交通事故占总交通事故的20%左右,占特大交通事故的40%以上,危害性极大。基于面部特征的疲劳检测方法无需与驾驶员进行接触,具有成本低、受限小且精度高等优点。如何通过面部特征快速、准确地检测驾驶员的疲劳状态具有重要的研究意义和应用价值。目前,基于面部特征的疲劳检测方法未能融合图像的多尺度特征及多层次信息,在复杂多变的驾驶环境下难以满足实时性和准确性两方
当今无线通信系统为了获得更快的信息传输速率,其调制信号的带宽与峰均功率比均不断增加,通信频带的分布也越来越碎片化,这对无线通信系统中的核心部件之一功率放大器的性能的要求越来越高。如何高效的放大宽带高峰均功率比信号一直是众多学者关心问题。本文针对宽带、大回退范围效率提升两个应用场景,分别对双模三路Doherty功率放大器以及负载调制平衡式功率放大器进行了研究。本文的主要内容与创新点如下:1、提出了一
交通运输现在已经成为国家经济发展中最重要的行业之一。为缓解交通运输安全和拥堵日益增长的压力,需要对车联网通信的可靠性和时延提出更高的要求,在长期演进的车对路基础设施（Long Term Evolution-Vehicle to Infrastructure,LTE-V2I）通信中,接收端的信号处理通过信道估计和均衡技术来提高通信性能。但信号在V2I场景下传播会受到噪声和衰落的影响,导致接收端不能正