【摘 要】
：
信道估计的好坏在很大程度上决定了整个通信系统性能的优劣,一直是无线通信系统研究的热点问题。信道估计能够获知信道的状态信息,通过对接收端数据进行补偿以恢复出原始数据,从而提高整个通信系统的传输性能。随着无线通信业务的爆炸式增长,信道环境日趋复杂化,人们对通信系统的要求也越来越高。在复杂信道条件下,如何使信道估计更为准确,已经成为目前研究的新热点,特别是在面向未来的智能通信中,新老技术的结合无疑是国内
论文部分内容阅读
信道估计的好坏在很大程度上决定了整个通信系统性能的优劣,一直是无线通信系统研究的热点问题。信道估计能够获知信道的状态信息,通过对接收端数据进行补偿以恢复出原始数据,从而提高整个通信系统的传输性能。随着无线通信业务的爆炸式增长,信道环境日趋复杂化,人们对通信系统的要求也越来越高。在复杂信道条件下,如何使信道估计更为准确,已经成为目前研究的新热点,特别是在面向未来的智能通信中,新老技术的结合无疑是国内外研究的热点问题。OFDM技术作为4G的核心技术之一,在新一代无线通信系统中被广泛运用,因此在OFDM系统中对信道估计算法进行改进创新是非常有必要的。在最近的几年,深度学习发展迅速,并且在各个领域都得到了广泛的应用,如计算机视觉、图像处理、语言识别等。深度学习目前已经初步应用于无线通信领域当中,并已被证明这种结合所产生的效果是可观的。本文在基于DNN信道估计方法基础上,采用善于处理文本信息的RNN改进版LSTM网络,在系统有更少的导频、更多个数的OFDM符号、去除循环前缀、受削波噪声影响以及各种负面条件叠加的情况下,与传统LS和MMSE方法进行了信道估计性能对比,并研究了实验参数对结果的影响,还对各种参数进行了调优。仿真结果表明,深度学习方法在信道估计上有着良好的发挥,当信道受到严重干扰的情况下,深度学习方法具有鲁棒性,且相比于DNN,基于LSTM网络的信道估计方法表现得更好。
其他文献
新时期背景下，智能技术的广泛普及，为机械制造行业进一步发展提供了强大的技术支撑，促进机械制造技术愈加成熟，在一定程度上提高了社会生产水平，为国家经济建设奠定了良好基础。基于此，本文将针对新时代背景下我国机械制造与智能制造现状进行分析，深入探索机械智能制造的特点和意义，并对机械智能制造技术展开研究，希望能够为专业人士提供参考、借鉴。
对学生学业进展及影响因素进行可视化与分析有助于优化课程结构和师资配置,改进专业课程教与学的过程,提升大学各专业的教学质量。然而,长时间跨度的离散化学生成绩数据难以直接展现学生学业进展;学生成绩又具有高维多元、时序相关等数据特征,且易受学生自身、课程结构和教师等多因素影响,对分析过程带来挑战。为此,本文面向专业教学的学业进展分析进行可视化与交互设计研究,并开发了可视分析原型系统——APVAS,支持从
手写文本（字符串）识别方法是将手写文本转化为电子文本的技术。近年来随着计算机技术的发展和深度学习方法的兴起,涌现出多种字符串识别方法。它们按照对输入图片的切分思路可以分为两类:基于显式切分（也叫过切分策略方法,over-segmentation）的字符串识别方法和基于隐式切分（也叫无切分策略方法,segmentation-free）的字符串识别方法,两种方法其各有优缺点。本文拟融合两种方法,利用这
油藏生命周期是指油田从勘探、开采、加工、储存和运输到销售的所有业务和数据。随着油田长期开采和注水开发的深入,特高含水油田的高耗水层不断发育,导致油田开采效率低下,不利于提高原油采收率,大大增加了成本。因此,立足于油藏生命周期的全过程,研究如何改善高耗水层油藏的开发、提高油田采收率对我国石油行业具有十分重要的意义。针对油田高耗水层普遍发育、开采效率低下的问题,本文以孤东油田历史数据为研究对象,展开了
我国石油企业经历多年的安全管理存储了大量的安全管理文本数据,由于这些文本数据种类繁多,而且是非结构化数据,本文旨在找出隐藏在大量安全管理文本数据中企业的管理短板及安全隐患,降低企业风险,提升企业的安全管理水平。本文针对非结构化的文本数据,采用分词、词性标注等文本挖掘技术,结合关联规则算法,构建一种针对石油企业安全隐患文本数据的挖掘方法,找出安全隐患及漏洞,并编制了面向石油化工领域的文本挖掘软件。（
近年来随着国家加大环保治理力度,颁布了新的工业污染物排放标准,对于原油炼化企业催化裂化装置的达标排放提出了更高的要求。大数据时代下,需要切实提升监测手段,结合机器学习方法进一步挖掘和发挥污染源在线监控系统作用,减少或避免环境污染事件及其他重大环境问题的发生。污染排放数据在采样、传输与存储过程中,会受多种因素影响而产生异常值。为避免异常值对后续数据分析与预测的影响,数据清洗是必不可少的重要环节。本文
近年来,由于数据量的大幅度增长和计算机硬件水平的提升,以生成对抗网络（GAN）为主体框架的深度学习逐渐成为热点话题,并在很多领域的应用中取得较好的效果。同时,对多元时间序列数据的异常检测,无论在智能运维还是电力或网络系统监测等方面都起着至关重要的作用。基于深度学习的异常检测比传统的机器学习算法更能挖掘出数据中的特征表示,因此将GAN应用于多元时间序列的异常检测是一个非常重要的研究方向。本文工作主要
实体关系抽取是信息抽取的核心任务之一,其目标是从文本中识别实体并抽取出实体间的语义关系。实体关系抽取是构建知识库、知识图谱的重要步骤,在智能问答、基于关系的搜索引擎和机器翻译中应用广泛。然而,相较于通用领域,油气勘探领域的实体关系抽取面临着缺少训练数据的挑战。人工标注训练数据代价昂贵并且目前已有的标注方法无法自动化标注大量高质量的训练数据。另一方面,油气勘探领域实体和关系种类多样,难以预定义全部的
随着我国在工业领域的高速发展,危险气体意外泄漏扩散引发的火灾、爆炸以及造成人员伤亡等事故发生的频率也在不断增加。在气体扩散模拟分析中,计算流体动力学对计算机的要求限制了它的应用,本文建立了计算流体动力学的代理模型来预测气体浓度随时间的变化趋势以及预测气体的空间分布特征,研究主要从以下三个方面展开。首先利用随机Hamersley采样设计输入变量的值,从而实现利用较少的样本点实现空间更好的覆盖效果。基
从卫星地图准确标注出建筑物地基轮廓在地理信息勘测、区域建筑规划等领域等方面的工作中有着重要的意义。但是由于卫星拍摄图像时会带有一定角度,图像中建筑物位置会与其地基轮廓位置产生偏差,传统图像语义分割方法基于图像的像素值进行划分,只能得到建筑物图像,无法得到建筑物地基轮廓。同时由于卫星图像数据来源较少,数据集获取较为困难,数据集中卫星图像涵盖的拍摄角度也十分有限,这会导致语义分割模型无法得到充分训练。