【摘 要】
：
极化码是近些年来信道编码领域的重大突破,不仅理论可达香农限,且编译码复杂度低。因此,在提出短短七年后便被第五代移动通信标准所采纳。然而,现有极化码译码算法无法有效兼顾高纠错性和高速率,难以满足未来移动通信99%以上高可靠性和Tbps量级高吞吐率的需求。为此,本文研究了极化码的快速简化连续消除翻转（Fast Simplify Successive Cancellation Flip,Fast-SSC
论文部分内容阅读
极化码是近些年来信道编码领域的重大突破,不仅理论可达香农限,且编译码复杂度低。因此,在提出短短七年后便被第五代移动通信标准所采纳。然而,现有极化码译码算法无法有效兼顾高纠错性和高速率,难以满足未来移动通信99%以上高可靠性和Tbps量级高吞吐率的需求。为此,本文研究了极化码的快速简化连续消除翻转（Fast Simplify Successive Cancellation Flip,Fast-SSC-Flip）和置信传播列表（Belief Propagation List,BPL）两种译码算法,在保持原始算法高速率译码特性的基础上,进一步提升了纠错性能。主要创新点总结如下:1、针对Fast-SSC-Flip算法无法高效准确定位翻转比特位置的问题,利用FastSSC按照节点类型译码的特征,提出了简化搜索域的Fast-SSC-Flip算法。具体地,首先分析推导了翻转比特与特殊节点之间的映射关系,进而将翻转比特搜索域中的对象转变为翻转节点。同时,为了降低搜索翻转节点时的计算复杂度,采用蒙特卡洛方法剔除翻转概率极低的节点。在此基础上,提出节点可靠度、节点译码时间函数的概念,并联合信道状态设计了评估节点翻转概率的度量值,从而准确定位翻转节点。实验结果表明,简化搜索域的Fast-SSC-Flip算法可以在显著提升纠错性能的同时使构建候选翻转集合的计算复杂度下降90%以上。2、为了提升BPL算法的纠错性能,基于校验级联极化码,提出了奇偶校验辅助的BPL算法。首先,分析总结了置信传播译码下的错误分布规律,进而基于贪婪算法实现校验位的选择以及校验关系的设计。其次,根据校验关系,在译码过程中动态调整校验节点右信息,以增强译码准确性。同时,从信道极化效应的本质出发,引入停止树可靠度的度量机制,优化译码因子图的选取策略,降低译码迭代次数。实验结果表明,所提算法在降低计算复杂度的同时达到与循环冗余校验辅助的串行消除列表算法相近的性能。
其他文献
下一代移动通信系统将不仅具备组网能力,还拥有感知和计算能力,真正迎来万物感知、互联和智能的时代。在这一必然趋势的驱动下,感知集群拥有单感知设备无法覆盖的优势:强大的探测能力、良好的可扩展性、强大的装载能力以及较长的整体电池寿命。作为感知集群联合工作的重要分支,协同感知将成为未来的研究热点之一。本文主要研究群体节点协同目标探测和高实时信息感知问题。本文主要利用随机几何工具来建模感知节点空间位置分布,
近年来,随着网络技术的发展,智能家居技术逐渐进入家家户户。然而与传统Wi-Fi家庭业务场景不同,智能家居是典型的密集用户接入场景。在该场景中,大量终端设备竞争信道导致网络接入冲突概率增大,这给Wi-Fi信道接入带来极大的压力,从而损害了吞吐量性能,降低了用户体验。因此解决智能家居场景下的用户接入问题至关重要。针对单接入点、密集终端设备的智能家居WLAN场景,本文使用数值分析和NS-3仿真分析了Wi
无人机技术辅助移动边缘计算（Mobile Edge Computing,MEC）,通过将算力下沉至网络边缘,不仅有效缓解了核心网络的计算负载,还解决了基站式边缘算力部署模式难以应对的时空高动态计算任务。但因单无人机自身资源受限,难以兼顾高动态、多并发的算力需求,多无人机协同成为必然选择。具有多机协同卸载的无人机集群能在算力需求激增的现状下实现充分且广泛的算力覆盖,使用户享受到低时延高质量的计算服务
随着移动互联网的发展,网络数据量的激增使得路由器单频中继难以支撑终端设备日益增长的业务负载需求。因此,在路由器设备上实现2.4 GHz和5 GHz双频中继融合传输,对提升网络吞吐量和稳定性、扩大无线网络覆盖范围有着重要意义。在实现双频中继融合传输过程中,受CSMA/CA竞争、信号衰减等因素影响,各无线链路不稳定,系统整体吞吐量受限。针对这个问题,本文提出了如下双频传输调度策略:首先为了更好地适应无
最优MIMO检测（ML检测）的复杂度随天线数指数增长,故不具有可实现性;线性检测具有立方级复杂度,但性能较ML检测有相当的损失。能否以线性检测的复杂度量级来获取接近ML检测的性能显然是一个有意义的问题。本文从压缩感知的角度来解决上述问题:从接收信号中移除初始检测信号的影响,将获得一个具有稀疏性的线性系统,再根据压缩感知理论对其稀疏恢复。从接收信号中移除正确检测符号的影响,从而得到一个更小输入维度的
随着无线网络技术的快速发展,Wi-Fi网络凭借其成本低、灵活度高、易于拓展的特性在人类生产生活中得到越来越广泛的应用。但各式各样的应用场景也对Wi-Fi网络传输性能,尤其是传输时延与可靠性提出了更高要求。因此,需要对现有传输机制进行有针对性的优化,以保障不同场景用户的使用体验。本文以当前Wi-Fi 6标准为基础,基于支持多链路传输的产品设备,针对三种应用场景设计新的传输方案,以满足其低时延与高可靠
传统的移动边缘计算（Mobile Edge Computing,MEC）各业务模块高度耦合,在实际系统中难以部署、扩展和维护。近年来,微服务作为一种协作化和自治化的服务体系逐渐成为人们关注的焦点。为了促进网络边缘环境通用化、开放化和灵活化,越来越多的研究结合微服务与MEC架构,将传统的单体业务解耦成一组微服务部署在边缘服务器上,并为用户请求规划访问这些微服务的路由,以更好地提供服务。然而,现有研究
随着物联网的快速发展,应用任务对计算的要求越来越高,资源受限的用户设备将无法满足任务时延和吞吐量等性能需求。为了解决上述问题,移动边缘计算（Mobile Edge Computing,MEC）应运而生,它允许用户设备将延时敏感或高计算复杂度的任务卸载到MEC服务器上进行计算。在MEC系统中,用户设备一般通过主动传输来卸载任务,然而,由于电量有限,用户设备无法长时间地支持高功耗的主动射频通信过程。因
正交时频空（Orthogonal Time Frequency Space,OTFS）技术利用时延多普勒域和时频域之间的二维变换进行调制,具有对抗高速移动环境下多普勒频移的能力,因此在第六代（Sixth-Generation,6G）通信中具有广阔的应用前景。然而OTFS的二维变换结构在带来诸多优势的同时,也给接收机的信号检测问题带来了挑战。更严重的是,这一问题还导致了OTFS系统与多输入多输出（M
基于深度神经网络的语义分割技术,得益于其对周围环境有着像素级的理解的特性,在移动设备中有着广泛的应用,例如自动驾驶、虚拟背景等。但资源受限的移动设备难以运行这些大型的深度学习网络,往往需要用边缘计算技术将需要处理的任务上载到附近的边缘服务器上进行计算来缓解对移动设备的资源需求。为了解决移动设备带宽受限带来的高上载时延问题,一个可行的做法是设计合适的压缩算法来降低上载数据的体积。尽管现有的压缩算法能