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。     

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.     

应用于超宽带正交频分复用系统的联合估计接收机

针对超宽带正交频分复用（UWBOFDM）系统存在的子载波间干扰（ICI）问题,提出了联合估计（JE）接收机方法. 该方法通过估计ICI矩阵,并进行相应处理以消除ICI. 仿真结果表明,此方法可以有效消除ICI带来的“地板效应”,使系统性能得到改善.     

基于可拓模糊层次分析的快速小区选择算法

针对快速小区选择中评判准则过于单一,缺乏灵活性和公平性的问题,该文提出了一种新型快速小区选择算法。该算法借助可拓理论,构造了一种小区性能QoE参数评价的映射表,并将实际参数映射到对应的标度区间,然后计算待评小区的实际分析值。在此基础之上,采用模糊层次分析的方法构造出判断矩阵,并检验其一致性。最后根据权重向量大小对计算出的各小区总效益函数值排序,找到最优的快速小区选择策略。仿真分析表明,小区性能因子的权重影响到总效益函数值的大小。与现有的快速小区选择算法相比,该算法在增加一定算法复杂度的情况下,实现了小区性能参数评判的全面性,降低了用户的阻塞率,提高了用户的吞吐量。     

一种基于OFDMA系统的频率复用方法

频率复用作为提高小区边缘用户性能的有效方式已被广为研究。然而,如何在提高小区边缘用户性能的同时,使频谱利用率得到有效提高仍是一个有待解决的问题。在以正交频分多址(OFDMA)为基本多址方式的第4代(4G)系统中该问题尤为突出。为此,该文提出了一种OFDMA系统中的频率复用方法,通过抑制小区间干扰提高小区边缘用户性能;同时,根据小区中心与小区边缘通信环境的差异,分别对其实施不同的频率复用策略使频率复用系数接近于1以提高频谱利用率。仿真结果表明,与未经过频率规划的全频率复用相比,该文提出的频率复用方法提高了系统吞吐量并显著改善了小区边缘用户性能。     

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。     

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。     

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。