利用最大信号泄露噪声比设计多用户VBLAST系统下行链路

该文针对多用户MIMO系统提出利用最大信号泄漏信噪比准则设计多用户VBLAST下行链路的方法。相对于以多用户系统中广泛关注的块对角化方法设计多用户VBLAST下行链路,所提方法性能有较大的提高。另外,相对于块对角化方法对天线数目的约束,该文所提方法在不满足块对角化的条件下仍能拥有不错的性能。仿真表明该方法拥有优异的性能。     

LDPC编码AMC-OFDM系统中的两种MCS选择准则

该文提出低密度奇偶校验(LDPC)码的自适应调制编码正交频分复用(AMC-OFDM)系统,并详述了该系统的原理。针对传统AMC系统中调制编码方案(MCS)的选择准则对性能提升有限的问题,提出可用于该AMC系统的两种MCS选择准则,根据接收到的所有单元信号的后验SNR确定相应自适应块采用的MCS。文章分析了这两种准则的吞吐量性能。仿真结果表明,把这两种准则应用于LDPC编码的AMC-OFDM系统中,能够带来比传统选择方法更高的吞吐量。     

一种新的基于脉冲超宽带系统的发送分集方案

本文针对UWB信道特点,提出了预瑞克(Pre-RAKE)与空时块码(STBC)结合的新的发送分集方案,采用了基于最小均方误差准则(MMSE)的Pre-RAKE参数估计算法.最后仿真结果表明,基于MMSE算法的发送分集方案对系统误码率性能有较大改善,尤其是多径衰落严重而且存在符号间干扰(ISI)和窄带干扰(NBI)的非视距(NLOS)信道性能改善明显.     

FuURE 4G TDD试验系统链路预算与组网分析

FUTURE4GTDD试验系统采用了3．5GHz频段作为载波频率，使用了宽带多输入多输出（MIMO）、正交频分复用（OFDM）等一系列关键技术，这给FUTURE4GTDD试验网的链路预算及组网分析等工作带来了挑战。文章探讨了基于3．5GHz频段的实测电波传播模型以及试验系统的射频参数的链路预算，并进一步结合MIMO系统外场实测数据进行了试验系统组网分析及网络规划工作。FUTURE4G TDD试验系统及试验网已经顺利完成并通过鉴定验收，全面达到了预期指标，试验系统支持2基站3用户的配置，支持多用户，支持移动性，提供高达100Mb／s的峰值数据速率，支持高清晰数字电视、高速数据下载、IP电话等业务。     

可用于高阶调制的伪正交载波干涉MC-CDMA方案

通过对伪正交载波干涉（PO CI）序列在不同调制方式下扩频解扩原理的分析，论证了其在复信号高阶调制（如四相移相键控（QPSK）、正交幅度调制（QAM）等）下无法正确解码，在此基础上提出了一种可行的扩频调制结构. 该结构结合PO CI扩频码，使用脉冲幅度调制（PAM）方式取代通常使用的复信号调制方式，能在仅有很小性能损失且不增加系统带宽的条件下，将传统多载波码分多址接入（MC CDMA）系统容量提高2倍.     

快速V-BLAST排序检测方法

提出了一种应用于垂直 贝尔实验室分层空时码（V BLAST）系统的新的排序检测算法. 该算法利用新的排序方法和施密特正交化分解算法进行信号的检测，降低了检测算法的复杂度，并将排序与数据检测分离，提高了算法应用的灵活性. 分析结果表明，该算法运算复杂度仅为传统的排序迫零干扰删除算法(ZF SIC)的1/3～3/4，且理论与仿真结果证明新方法性能与传统的ZF SIC误码率(BER)性能相同. 因此，新算法有利于硬件系统的集成实现，达到了降低硬件实现难度和成本的目的.     

分布式多天线系统中的TDOA估计

在分布式多天线系统架构下提出一种估计到达时间差(TDOA)的新方法。利用分布式多天线系统的特性，通过构造具有良好自相关性的正交训练序列，将传统的TDOA测量问题转化为多径信号中首先到达径(FAP)的时延估计。数值仿真表明，与传统基于定时同步的TDOA估计方法相比，此方法能在无线多径传播环境中将非视距(NLOS)误差降低65%左右，从而显著提高TDOA的估计精度。     

一种MIMO-OFDM系统的导频设计及信道估计方法

针对多输入多输出正交频分复用系统,提出了一种利用空频分组码码字正交特性的导频设计方法,并提出了基于该导频的低复杂度信道估计算法. 推导了该信道估计方案的均方误差,并评估了复杂度计算公式. 计算机仿真验证了此算法可以以较低的复杂度获得近似最小均方误差（MMSE）信道估计算法的均方误差性能及误码率性能。     

面向智能工厂多机器人定位的无线分布式协同决策

由于未来智能工厂中智能机器人的工作环境复杂多变,机器人进行协作定位时无法获知全局信道状态,其选择的标定节点可能被其他机器人占用,导致定位性能的波动较大,稳定性差。针对该问题,提出了基于双重深度超Q神经网络(DDHQN)的多机器人协同决策算法;首先将多机器人进行协作定位时的决策系统构建为竞争加合作模型,并通过奖励函数的设计鼓励机器人参与协作;为了避免机器人之间的决策冲突,引入表示机器人决策轨迹的记录空间以实现对其他机器人的行为预估,记录空间的内容依据机器人的无线感知结果进行迭代更新;最后,仿真证明了所提出的基于DDHQN的多机器人协同决策算法使得每个机器人能够以群体性能最大为目标进行独立学习,在一定的迭代次数后可以实现精准的行为预估,并收敛到稳定有效的决策方案。