【摘 要】
：
大规模MIMO系统作为5G移动通信系统中的一项关键技术,其性能依赖于精确的DOA估计。大多数广泛应用的DOA估计算法都是假设信源信号模型为点信源。然而相比于点信源,非相干分布式信源信号模型更适合实际通信环境。因此本文对大规模MIMO系统中非相干分布式信源的DOA估计算法进行研究。由于庞大的天线数量导致阵列接收到的信号的协方差矩阵的维数增加,进而增加了特征分解的计算负担,因此高精度的子空间类算法在大
论文部分内容阅读
大规模MIMO系统作为5G移动通信系统中的一项关键技术,其性能依赖于精确的DOA估计。大多数广泛应用的DOA估计算法都是假设信源信号模型为点信源。然而相比于点信源,非相干分布式信源信号模型更适合实际通信环境。因此本文对大规模MIMO系统中非相干分布式信源的DOA估计算法进行研究。由于庞大的天线数量导致阵列接收到的信号的协方差矩阵的维数增加,进而增加了特征分解的计算负担,因此高精度的子空间类算法在大规模MIMO系统中具有非常高的计算复杂度;此外,实际的天线阵列通常是具有各种缺陷的,在这种情况下,子空间类算法的估计性能大大降低。为解决以上问题,本文提出基于神经网络的DOA估计算法。本文首先提出了一种基于深度神经网络的自动编码器-深度神经网络多层分类器（AE-DNNMC）算法,网络的输入先通过自动编码器被分解到不同的子区域并进行降噪处理;再通过由多个深度神经网络组成的多层分类器实现DOA估计。由于DNNMC存在的过拟合现象会导致算法的精确度有所下降,对DNNMC进行进一步改进,通过?2正则化（regularization）和丢弃法（dropout）共同作用对过拟合现象进行抑制,设计了基于?2正则化和丢弃法的深度神经网络多层分类器（RD-DNNMC）。最后,为了使DOA的估计结果更精确,利用卷积层能够处理输入元素的实部与虚部之间的关系从而提升算法的估计性能这一特性,在RD-DNNMC的基础上做出进一步改进,在分类器中加入一定数量的卷积层,提出基于?2正则化和丢弃法的自动编码器-深度卷积网络多层分类器（AE-RD-DCNMC）算法。多层分类器的输入数据首先通过卷积层进行特征提取,再通过RD-DCNMC的处理输出空间谱进一步得到DOA估计。仿真实验结果表明提出的AE-RD-DCNMC算法在阵列存在缺陷的情况下具有更好的估计性能且复杂度较之子空间类算法大大降低。
其他文献
目前传统的视频分类方法是基于人工提取的特征,这种方法在早期任务中取得了较为优秀的性能,但传统方式非常依赖特征提取算法以及特定任务的知识,因此,目前已过渡到基于深度学习的方式。解决该问题的传统深度学习算法是基于双流卷积神经网络结构,将网络分为空间流与时序流,分别使用视频帧和密集光流输入网络,获得最终分类标签。但传统方式存在一定弊端,即以密集光流作为特征,该特征目前的提取算法计算量庞大,且极其耗时,无
在农业领域,随着信息科技的高速发展,传统的手工劳作方式逐渐被智能化作业所代替。农业机器人的引入既提高了劳动效率和作物产量,又带动了农业经济的发展。众所周知,导航系统是农业机器人进行田间劳作的关键,这对于精准化作业来说至关重要。因此,针对农业机器人的导航系统研究已经受到越来越多学者的重视。本文针对农业机器人采集的田间作物的视频数据,基于深度语义分割模型实现农业机器人的自主实时导航。首先,为了改善低分
毫米波大规模MIMO是未来移动通信最具潜力的研究方向之一。然而,由于大规模MIMO系统中配备多个昂贵的射频链路使得硬件的成本和复杂度大幅增加。天线选择技术通过优化策略选择部分高性能天线通信可以在保证系统性能的前提下简化硬件结构;同时混合波束成形技术利用低维数字波束成形与高维模拟波束成形,大大降低了射频链路数目的需求,与天线选择技术相结合可以进一步降低系统复杂度,提升信号传输质量。但是目前传统的面向
深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）已成为深度学习中用于数字图像内容分类的关键算法之一,这是因为DCNN可以从足够多的训练数据中学习到具有高度代表性的分层图像特征。但是,DCNN的计算复杂度要比经典算法的计算复杂度大很多,这造成了基于中央处理器（Central Processing Unit,CPU）或图形处理器（Graphics Pr
在过去几年里,深度学习一直是人工智能取得成功的基础,但是巨大的计算复杂度和庞大的存储需求使得它们在实时应用中部署成为一个巨大的挑战,特别是在资源有限的设备上。因此,如何利用压缩和加速技术将模型应用于实际场景中成为了一个研究热点。目前大多数的神经网络压缩方法可解释性较弱,本文选择了可解释方法沙普利值和注意力机制作为压缩依据,并基于卷积神经网络展开研究,主要完成了以下工作:首先基于卷积神经网络模型压缩
在农作物生产中,提高农作物的产量是当今研究中比较热门的课题,也是农作物科研项目里一个重要的研究方向。农作物的生长环境因子和它的产量有着密不可分的联系。因此,本文主要分析农作物的环境因子间以及自身的变化规律,同时研究其预测方法。首先,对本文需要对实验数据进行预处理,即剔除数据中的异常冗余值,得到一套完整且干净可靠的数据集。然后,对环境因子展开三个方面的研究工作:一是环境因子的相关性分析。以皮尔逊相关
卷积神经网络由于能够模拟生物视神经的行为而获得较高的精度,因此被广泛应用于图像识别领域。随着终端应用需求的急剧增加,早期基于CPU和GPU的神经网络计算平台,其体积大、功耗高等弊端越发明显。FPGA作为一种可编程逻辑器件,拥有丰富的可编程逻辑资源,具有功耗低、体积小、可重配置等优点,与卷积神经网络计算特点相匹配,可用于小型嵌入式系统。本文主要研究利用FPGA实现卷积神经网络的方法,主要内容包含卷积
卷积神经网络作为深度学习领域的杰出算法愈发受到研究人员的关注,其在图像分类、语音识别、目标检测及自然语言处理等领域都有着十分优异的表现。然而,卷积神经网络十分庞大的参数量和计算量给硬件平台带来不小的压力,FPGA凭借其高度并行化计算、可反复编程以及低功耗等优势成为硬件加速卷积神经网络的研究热门。本文完成了基于ZYNQ-XC7Z020平台对卷积神经网络的加速设计,ZYNQ芯片中集成了ARM处理器和F
近年来图像分割技术作为图像分析的重要环节被广泛的应用在安防、医学、农业等领域。传统分割技术存在依赖人工经验且无法实现全自动图像分割等缺点,随着深度学习的发展,基于神经网络的图像分割不仅在准确率上大幅度提高且可以实现全自动端到端分割。本文的研究基于草原上的物种识别课题项目,主要通过分割技术将待识别的植物主体从图像中分割出来,排除非目标区域的干扰为植物物种识别及植物生长状态分析提供基础。植物实际的生长
在牧场中,对于奶牛的运动状态以及健康状况的分析很重要,所以本文结合低功耗广域网（Low Power Wide Area Network,LPWAN）技术,使用LoRa组网搭建奶牛活动量数据采集系统。针对LoRa WAN协议缺乏防碰撞机制的不足,本文在经典轮询协议的基础上结合P-坚持型CSMA机制和频分复用的思想,提出一种基于多信道通信的具有自适应信道速率规划和差异服务机制的SPDS-TDMA（TD