反馈丢失条件下的即时译码网络编码研究

来源 :南京邮电大学 | 被引量 : 0次 | 上传用户:yangyupengmei
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
网络编码可显著提高无线网络系统性能,但是传统网络编码中的信宿节点需收到足够多的编码信息才能译码,不能实现实时译码。即时译码的网络编码技术(Instantly Decodable Network Coding,IDNC)通过选择相应数据包进行编码,确保信宿节点可实时译码,因此受到了当前学者的广泛关注。当前IDNC的研究大多基于理想的无线链路,但是现实环境中无线链路由于受到衰落、干扰等因素的影响,传输数据不可避免会出现差错。因此本论文将研究无线链路反馈丢失条件下的IDNC,主要做了如下几方面工作:1、在反馈丢失条件下,建立一种将IDNC和随机线性网络编码(Random Linear Network Coding,RLNC)相关联的网络编码模型。依据建立的IDNC图,提出最优IDNC解决方案下子代的概念,在每个子代中应用RLNC编码模型。研究表明,子代大小介于1和IDNCC之间时,系统性能介于IDNC和RLNC之间,且IDNC和RLNC只是该模型下具有特定子代大小的两个极端例子。2、在反馈丢失的多组播网络中,为了使IDNC的完成时延和译码时延最小化,提出一种最有可能状态找寻(Most Likely State Searching,MLSS)策略。通过MLSS方法建立多组播条件下的IDNC图,依据该模型得出平均完成时延和译码时延的表达式,采用最大权顶点找寻算法找出使两者分别最小化的团。仿真结果表明,相比于其他文献利用盲IDNC图更新法找寻最优编码包的算法,MLSS方法可获得更优的系统性能。3、为了权衡IDNC的完成时延和译码时延两种性能,提出一种多组播网络反馈丢失下的均衡完成时延和译码时延(Balance between Completion Time and Decoding Delay with Feedback Loss,BCD-FL)方案。首先用随机最短路径(Stochastic Shortest Path,SSP)分析IDNC在广播网络中的完成时延和译码时延均衡问题,利用分析出的性能表达式得到多组播网络下BCD-FL问题的SSP描述,从而在IDNC图中采用BCD-FL算法找出最大团。研究表明,提出的BCD-FL方案可较好均衡完成时延和译码时延性能。
其他文献
低密度校验码(LDPC)是一种优秀的信道编码方案。MIMO技术极大的提高了频谱利用率,在时域、频域、码域之外,实现了对空间域的利用,为无线通信系统容量的进一步提升提供了新的
随着无线局域网的迅猛发展,无线网络规模和覆盖范围不断扩大,集中式无线网络架构已经逐步取代了原有的自治式网络架构。伴随着网络架构的成熟和升级,集中式无线局域网接入点控制
在OFDMA系统中运用MIMO技术,虽然能够实现高速率大容量的传输,也可以很好的改善系统的可靠性,但是由于接收信号是多根发射天线的信号叠加,不同天线之间的信号会存在干扰,并且空时
多天线技术可以在不增加额外功率和带宽的前提下极大的提高系统容量和频谱效率,正交频分复用(OFDM)技术则具有抗多径衰落和频谱效率高等优势,二者已成为3GPP长期演进计划(LTE)
无速度传感器矢量控制(SVC)由于省去速度传感器,取消了相关的编码盘连线,降低了系统的维护成本,提高了系统可靠性,故该技术近年来得到广泛关注。该技术的核心便是如何快速准确地估算电机转速信号。目前应用较多的转速辨识方法普遍存在低速或接近于零速时性能较差、负载及电机参数扰动时动态性能不理想等缺点,因此,对高精度速度估计器及相应的电机参数辨识器的研究就成为了热点。在此背景下,针对现有方案的不足,本文以感
IDS(Intrusion Detection Systems)旨在检测网络入侵行为,当前的IDS普遍存在以下问题:1)洪流报警:普通的IDS每天几乎能产生数百甚至上千的报警,报警中的大部分都是误报警(fal
认知无线电技术对授权频谱的不干扰“二次利用”可以有效的缓解频谱资源短缺的问题。频谱感知作为认知无线电网络的关键技术,其感知性能的好坏,直接影响认知无线电系统的整体
随着我国经济和社会的发展,平面定位系统在多种领域的运用日趋广泛。传统的平面定位系统由于其体积较大、重量较重的原因,一直成为限制其发展的症结。近年来,基于微型惯性测量组
随着无线通信技术的迅猛发展,频谱资源的紧缺已成为一个不容忽视的问题。1992年,“认知无线电”作为一个崭新的概念登上无线通信领域的舞台,成为频谱资源优化配置方面一支新
在人类的社交活动以及日常交流过程中,语音、姿态和面部表情被认为是传达人类情感的主要渠道。近年来,人类情感识别领域的相关研究取得了长足的发展与进步,为人工智能在今后