第五代移动通信MIMO-GFDM系统检测算法研究

来源 :天津大学 | 被引量 : 0次 | 上传用户:vitalee
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
第五代移动通信对无线通信系统提出了更高的挑战,如提供更高的传输速率、实现更低的时延和提供灵活的波形选择等。时下流行的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)波形已经不能满足这些需求。因此,需要为其寻找合适的替代方案。广义频分复用(generalized frequency division multiplexing, GFDM)波形因其灵活性和鲁棒性备受关注。多输入多输出技术(Multi-input Multi-output, MIMO)与候选波形的结合必不可少。相比于OFDM,GFDM在MIMO检测精度上与其相当,但其检测复杂度要高出许多,不利于硬件实现。此外,子载波非正交的GFDM波形用于MIMO信道时会同时遭受载波间干扰(Inter-carrier Interference, ICI)、符号间干扰(Inter-symbol Interference, ISI)和天线间干扰(Inter-Antenna Interference, IAI)三重干扰,需要通过接收端均衡联合消除。这也导致了GFDM检测算法有着很高的计算复杂度,大大限制了其在实际工程中的应用。因此,设计一种低复杂度、高性能的MIMO-GFDM检测算法,具有十分重要的意义。
  本文在传统的迭代最小均方误差(Minimum Mean Square Error, MMSE)并行干扰消除(Parallel Interference Cancellation, PIC)检测算法的基础上,总结了一种适用于MIMO-GFDM系统的MMSE-PIC解映射方法。该方法通过使用条件无偏估计器替代传统的有偏估计器来消除检测过程中的系统偏差。算法层面分析频域数据估计和时域数据估计的关联,基于此介绍一种三步骤MMSE-PIC解映射方法。为了在不损失性能的前提下充分降低计算复杂度,利用三步骤表达式中矩阵的特殊性质将估计器分解为多个子系统,结合共轭梯度法(conjugate Gradient Method, CGD)法,给出相应的低复杂度近似求解算法。
  复杂度评估表明,相比于原始的迭代MMSE-PIC检测器关于子符号数M的立方阶计算复杂度,所介绍三步骤MMSE-PIC解映射的迭代检测算法仅有关于M的伪线性阶计算复杂度,近似达到了OFDM的线性程度。不同迭代次数下GFDM与OFDM的帧差错率(Frame Error Rate, FER)对比实验显示了迭代接收机优于非迭代接收机,GFDM优于OFDM的事实。此外,最大似然性能对比实验表明迭代MMSE-PIC检测算法能够实现最优的最大似然检测性能。
其他文献
3D图像作为信息传递的重要载体,能够呈现场景中物体之间的深度关系,在电影电视、科技教育、远程医疗等领域有着广阔的应用前景。与此同时,人们对3D图像质量也提出了更高的要求,包括分辨率和清晰度等。然而,受传感器精度的限制和噪声的影响等,3D图像分辨率常常难以满足实际需求。因而,通过超分辨率技术,提高3D图像的空间分辨率并抑制噪声,有着重要的研究意义。本文针对3D图像超分辨率技术,从基于深度学习的深度图
图像配准的主要任务是寻找两幅或多幅图像之间的空间变换关系,以实现图像在空间位置上的对齐。其中,非刚性图像配准是计算机视觉领域的研究热点,在医学图像处理、遥感图像分析、图像拼接与融合等领域都有着重要的理论意义和研究价值,代表了未来的研究方向。  本文首先分析了非刚性图像配准的研究背景以及国内外研究现状,着重介绍了基于特征和光流估计的非刚性图像配准方法,并指出了这两类方法的优势与不足,同时给出了评价配
近年来,随着计算机技术的不断发展,高级辅助驾驶系统以及自动驾驶系统的研发工作引起了国内外学者的广泛关注,其中道路交通标线检测是最为基础且重要的一部分。道路交通标线包括车道线以及路面交通标志,车道线是指用于划分车辆可行驶区域的线条图形,路面交通标志是指涂绘在车道中央的箭头、文字、图案等,可通过计算机视觉算法实现道路交通标线的检测功能,从而对车道保持、车辆换道、转弯等驾驶行为起到关键的指示和监督作用。
现如今,卷积神经网络作为实现计算机视觉的重要方法之一,得到蓬勃并且急速的发展。基于卷积神经网络的目标检测技术在精度和速度方面远远超过传统算法,可以达到甚至超过人眼的水平。人脸检测技术作为目标检测领域的一个核心技术,是计算机视觉的重要组成部分,可以应用于考勤系统、智能监控、车站安检等众多场景之中。  作为基于卷积神经网络的目标检测算法的经典代表,Faster-R-CNN算法在目标检测任务中达到了很高
学位
时间触发以太网(Time-triggered Ethernet, TTE)是一种时间业务与事件业务混合的以太网网络通信新技术,相较于传统以太网,时间触发以太网提高了网络资源利用效率。  本文首先基于现有的混合流量分区调度策略,引入TT响应约束,设计适用于存在响应约束的TTE网络离线调度表生成方法。同时采用对网络流量信息先综合复合,再细化不同终端节点调度表的策略,简化调度表生成方法。并设计离线调度表
深度学习极大促进了计算机视觉领域的发展,如图像检索、目标检测等。但这些任务依赖于大量的标注数据进行训练。然而,现实世界中的某些类别只有少量的标注样本,甚至没有标注样本,这为传统分类算法带来了新的挑战。为了解决该问题,零样本图像分类技术得到关注,即:对训练阶段未出现的类别进行分类。本文针对零样本图像分类技术分别提出基于特定类别的合成字典模型(Class-Specific Synthesized Di
最近几年来,由于互联网技术的快速发展,伴随着信息传播速度的提升,大量三维模型数据开始呈现井喷式增长,三维模型的数据也成为一种新型的数据类型。随着深度学习的出现,国内外研究学者对三维模型的研究成了现阶段一个热点,在各行各业的应用也十分广泛,诸如:医学3D打印技术、计算机辅助设计(CAD)、3D动画设计、工业产品设计、机械零件制造等。鉴于三维模型的应用前景广泛,如何在有效管理大量的三维模型数据同时,并
随着移动互联网技术和相机设备的快速发展,多媒体数据呈现爆发式增长,人们通过图片来直接表达意见、传递信息的方式也越来越常见。一方面,尽管高动态范围图像可以细致反映真实场景,为了方便输出,其通常会被图像处理算法将其动态范围压缩至输出显示设备的动态范围以下。这是高动态范围图像研究的热点和重点之一。另一方面,图像质量的主观评价在过去几年引起了很多的关注。传统的图像主观质量评价主要侧重于预测图像的平均意见得
入侵检测系统是信息与网络安全保障的重要环节,随着网络环境的日益复杂以及黑客技术的不断提升,传统的入侵检测技术已经无法满足安全系统的需求。近年来,越来越多的相关研究都将机器学习与入侵检测技术相结合,以提升检测器对入侵的检测率,并且减少系统的误报率与预测时间。  本文提出了两种基于机器学习的入侵检测模型。(1)针对网络数据的特征维数高、非线性可分等问题,提出了一种基于独立成分分析ICA(Indepen
学位
听力损失是导致儿童聋哑的首要原因,也是困扰老年人正常生活的重要问题之一,因此听力损失的早期诊断具有重要的研究和现实意义。听觉脑干诱发电位(Auditory brainstem response,ABR)检测作为一种客观、无创的听力损失诊断技术,其波形的准确提取对临床诊断结果具有重要影响。  现有ABR检测方法主要基于叠加平均技术,存在信号失真严重、检测时间过长、对患者和测试环境要求过高等问题。卡尔