【摘 要】
：
在毫米波大规模MIMO系统中,一般采用混合模拟和数字预编码替代全数字预编码来减少射频链和能量消耗.然而,在计算最优无约束混合预编码时,奇异值分解(SVD)具有较高的复杂度.因此,提出了一种基于投影近似子空间跟踪(PAST)的低复杂度混合预编码算法.该算法在计算每个子速率的最优无约束混合预编码时,利用PAST算法估计需要的右奇异矩阵部分主要列向量,从而避免了高复杂度的SVD过程.仿真结果表明,不论是在全连接、混合连接还是在子连接系统结构中,该算法在频谱效率上都接近基于SVD的混合预编码,并且随着发送天线数的
【机 构】
：
南京邮电大学 通信与信息工程学院,南京210003;南京邮电大学 通信与网络技术国家工程研究中心,南京210003;南京邮电大学 通信与网络技术国家工程研究中心,南京210003
论文部分内容阅读
在毫米波大规模MIMO系统中,一般采用混合模拟和数字预编码替代全数字预编码来减少射频链和能量消耗.然而,在计算最优无约束混合预编码时,奇异值分解(SVD)具有较高的复杂度.因此,提出了一种基于投影近似子空间跟踪(PAST)的低复杂度混合预编码算法.该算法在计算每个子速率的最优无约束混合预编码时,利用PAST算法估计需要的右奇异矩阵部分主要列向量,从而避免了高复杂度的SVD过程.仿真结果表明,不论是在全连接、混合连接还是在子连接系统结构中,该算法在频谱效率上都接近基于SVD的混合预编码,并且随着发送天线数的增加,提出的算法的复杂度和耗时远低于基于SVD的混合预编码.同时该算法的系统误码率较小,具有较好的可靠性.
其他文献
为了在缺失数据和噪声数据的脑电信号中保持较好的鲁棒性,并揭示脑电信号多通道之间相互作用关系,利用随机森林算法挑选出具有相互作用的重要通道,去除不相关和冗余的通道;利用状态空间模型描述多通道之间的内部运动规律,反映输入输出与内部状态之间的关系;采用EM算法实现状态空间模型的参数辨识作为识别特征;将提取的特征通过SE-GRU模型进行识别,增加了重要特征的权重.上述方法在公共数据集和虚拟人引导的脑电信号数据集上有效提高了分类准确率,相比不进行通道选择的方法取得了更好的效果,并通过最终训练模型实现了对虚拟人的控制
随着装备系统集成化、信息化程度的提高,复杂装备的工作可靠性至关重要,对其进行健康状态评估有着重要意义;健康度是对装备健康状态进行定量评估的方法,相对于分级的健康状态评估,可以更加细致地反映装备退化状况,能为装备视情维修提供准确依据,近年来得到越来越多的关注;通过对近几年国内外涉及装备健康度评估方法的相关文献整理,综述了复杂装备健康度评估研究的发展现状和相关评估方法,并从部件级和系统级两个方面对各种健康度评估方法进行了分类阐述和优缺点分析;着重指出了复杂装备在健康度评估中存在的权重问题、样本不均衡问题和健康
针对带有输出约束和模型不确定的柔性关节机械臂系统,运用奇异摄动法将系统解耦成慢子与快子系统且分别进行控制器设计,从而实现与刚性控制方法的联系且能减少计算量.针对快子系统,采用速度差值反馈来抑制关节柔性引起的系统弹性振动.针对慢子系统提出了一种全局收敛的分段控制策略,将收敛域拓展到全局,克服了基于tan-障碍Lyapuov函数(BLF)反演控制需要系统初始误差在收敛域内的缺陷,且应用径向基(RBF)神经网络消除未知干扰和模型不确定性引起的误差,至此保证了系统的轨迹跟踪和输出约束要求.仿真对比表明,所提方法能
针对持续集成环境下回归测试需要进行持续优化的问题,提出一种依据回归测试目标自适应调整策略的优化方法.首先将失败标志、缺陷检测数、重要性因子、新旧功能标志作为用例属性进行标记,根据历史数据和关联关系对用例属性进行初始化;而后根据阶段测试目标,区分新功能测试、修改性测试,将需求映射为具体的用例属性指标,据此对用例进行选择;计算重要性因子,更新用例属性标签,根据用例属性进行优先级自动排序;用例执行中,按照时间、资源要求,根据用例属性选择相应规模的测试用例进行执行.最后选择开源数据集进行实验,结果表明该方法针对不
V2G网络下PLC链路带宽受限、高误码率等特点导致现有的TCP NewReno拥塞控制机制缺乏对丢包类型的有效判断,将链路上由噪声干扰的随机错误丢包与网络拥塞丢包统一当做拥塞事件处理,从而造成不必要的拥塞避免,导致了低吞吐量问题.根据此问题,提出了一种基于带宽自适应的拥塞控制算法.该算法通过分组预测拥塞等级感知网络状态,由此估计可用带宽来判断丢包类型,实现了拥塞窗口自适应调节.仿真结果表明该算法在拥塞窗口的增长、吞吐量、公平性、收敛性和友好性等方面都优于现有算法,V2 G网络的吞吐量得到明显提升.
针对无人机(unmanned aerial vehicle,UAV)多输入多输出(multiple input multiple output,MIMO)信道,提出了使用二维单环和三维半球体建模的无人机信道模型.在提出信道模型的基础上,推导并分析了参考模型和仿真模型的空—时相关函数(space time correlation function,STCF)、多普勒功率谱密度(Doppler power spectral density,DPSD)和二阶统计特性如包络电平交叉率(level crossing
当前对于短期负荷预测的研究主要针对影响因素的分析以及模型的改进,很少有对模型的鲁棒性进行研究.以极限学习机(extreme learning machine,ELM)作为研究对象,针对ELM模型的鲁棒性问题进行了深入的研究,并将其应用到短期负荷预测问题中.ELM模型的鲁棒性受损失函数的影响,当前ELM模型在处理含异常点样本时,鲁棒性差、预测精度较低.针对该问题,提出了一种基于p阶最大相关熵准则的损失函数,并将该损失函数应用到ELM模型中,以提高其在短期负荷预测问题中的鲁棒性.提出了一种估计实际样本中异常点
针对室内空间内的人员定位困难问题进行了研究,提出了一种基于Wi-Fi指纹法和循环神经网络(re-current neural network,RNN)的多传感器融合室内定位算法.该算法将智能手机接收到的路由器信号强度作为时间序列输入RN N,通过RN N获得对行人精度较高的定位,与此同时获取智能手机中惯性测量单元提供的位置信息.随后,通过粒子滤波算法对两种定位方式的定位结果进行融合.在实际场景下设计了多组实验进行对比.实验结果表明,该算法定位平均误差为0.9 m,优于加权K近邻等算法,可以为行人提供实时的
现有的大部分基于非负矩阵分解的链路预测方法仅考虑网络拓扑结构信息而忽略节点与链接聚类信息.针对此问题,提出一个融合聚类信息的对称非负矩阵分解的链路预测模型.首先,该模型利用对称非负矩阵分解去捕获网络节点相似度信息;其次,使用基于Jaccard的节点和链接聚类系数去保持网络局部结构信息;最后,启用拉格朗日乘法规则去学习模型参数.在六个真实无向无权和四个加权网络上的实验结果表明,该方法在两种不同类型网络预测精确度分别提升了1.6％和8.9％.
为了提升实际基站部署时的合理性,针对异构蜂窝网络(HetNet)的基站部署,同时考虑了宏基站(mac-ro base station,MBS)与宏基站、宏基站与微基站(pico base station,PBS)部署的相关排斥性,采用蜂窝网络渐进增益分析法推导出两层非泊松网络的覆盖率,并针对网络能效进行分析,推导出系统吞吐量和网络总能效.最后,提出了一种针对微基站发射功率的能效优化算法,通过优化PBS发射功率使网络能效最大化.仿真结果表明,提出的模型覆盖率优于两层HPPP模型,能效优化算法最高可使系统能效