认知无线电中基于状态转移概率的感知时隙优化算法

为了在感知性能与系统传输效率之间对感知时隙长度进行有效折衷,在对授权信道当前分别为"占用"和"空闲"状态时的感知时隙长度与状态转移概率之间的关系进行分析的基础上,提出了一种基于授权信道状态转移概率预测的感知时隙长度优化算法。该算法能够保证在感知过程中始终用最小的感知时隙长度来满足系统对感知性能的最低要求,以最大化认知系统的能量效率与传输效率。     

认知无线电中一种感知节点集自适应选择算法

本文主要考虑认知网络中感知节点集的选择问题。联合谱感知技术虽然可以极大地提高认知系统的感知性能,但是随着参与感知的认知节点数目的增加,对系统资源的占用也会越来越多,使系统的传输效率下降。本文首先给出了认知网络中最优感知节点集的概念,接着分析了最优感知节点集的节点数目和平均接收信噪比所必须满足的条件,最后通过推导得到了在固定虚警概率条件下最优感知节点集的检测概率与它的节点数目和平均接收信噪比之间的关系表达式,并在此基础上提出了一种最优感知节点集的自适应选择算法。该算法不但能在认知网络中寻找最优感知节点集,同时还可以适应认知网络的动态拓扑变化。仿真结果证明了该算法的有效性。      

码片均衡导频抵消Rake联合接收

码片均衡是提高第三代移动通信系统性能的关键技术之一。为了增强码片均衡器的性能,该文提出了一种新的码片均衡导频抵消Rake联合接收机方案,给出了导频抵消算法,分析了3种典型的码片均衡器及低扩频比下的Rake接收与导频抵消的一些特征。计算机模拟结果证明与码片均衡器相比,联合接收机无论在小扩频比还是大扩频比,一股信道还是严重失真信道的条件下,均有较大的性能增益。     

无线多媒体接入中的超宽带技术

简要介绍了超宽带(UWB)的概念及发展过程，通过与现有短距离无线接入技术的比较，表明它在无线多媒体接入系统中具有传输速率高、空间容量大等特点，分析了尚需解决的关键技术并展望了应用前景。     

用于自适应天线的稳键的RLS算法

抗干扰通信是电子战的重要组成部分，自适应天线不仅具有很强的抗干扰能力而且可以与其它通信抗干扰技术相兼容，自适应算法是自适应天线的核心，本文把应用数学学科研究的热门方法之一“稳健估计（RE）”应用于RLS算法中，得到稳健的RLS算法（RRLS），理论分析与计算机模拟结果都证明了RRLS算法基本保持了RLS算法的优点，同时在抗突出值干扰方面，优于RLS算法，提高了RLS算法的稳健性。     

基于Dempster-Shafer证据理论的协同频谱感知算法

认知无线电的首要任务是频谱感知,单个认知用户的频谱感知结果容易受到衰落和多径的影响,本文结合证据理论研究了多个认知用户的协同频谱感知问题.为了在融合中心未知先验信息的条件下实现对授权用户的有效检测,文章基于Dempster-Shafer证据理论,对认知用户的本地感知结果提取证据,然后在融合中心进行融合并判决,提出了一种基于Dempster-Shafer证据理论的协同频谱感知算法.仿真结果表明,该算法能够在融合中心未知先验信息情况下,获得较好的频谱感知性能.     

用于自适应天线的稳健的RLS算法

抗干扰通信是电子战的重要组成部分，自适应天线不仅具有很强的抗干扰能力而且可以与其它通信抗干扰技术相兼容，自适应算法是自适应天线的核心。本文把应用数学学科研究的热门方法之一“稳健估计（RE）”应用于RLS算法中，得到稳健的RLS算法（RRLS），理论分析与计算机模拟结果都证明了RRLS算法基本保持了RLS算法的优点，同时在抗突出值干扰方面，优于RLS算法，提高了RLS算法的稳健性。     

无人机自组网路由协议研究综述

随着无人机软硬件技术的发展,多无人机集群自组织形成的无人机自组网（Flying Ad-Hoc networks, FANETs）受到了越来越多的来自学术界和工业界的关注,其灵活的部署和快速的反应能力使其能高效地完成多种多样的任务。而无人机自组网路由协议是提高服务质量（Quality of service, QoS）最重要的方法之一,但无人机自组网的移动性和动态性给路由协议的设计带来了严峻的挑战。传统的移动路由协议不能很好地满足无人机自组网的路由需求,因此研究者们从基于拓扑、地理和分层的角度提出了各式各样的无人机自组网路由协议,旨在克服移动性和提高网络的服务质量,并指出未来无人机自组网的路由协议可以考虑机会路由、软件定义网络（Software defined network,SDN）决策和预测驱动决策等综合提高QoS。本文主要针对无人机自组网网络特征,从不同的路由方法出发,SDN对路由协议进行总结和归纳,并对未来的研究方向进行了展望。     

电磁频谱空间射频机器学习及其应用综述

针对电磁频谱空间中频谱资源日益稀缺的问题,新兴的射频机器学习旨在结合电磁频谱领域知识,设计专门的机器学习模型,具有快速、小样本甚至零样本、可解释性和高性能的优势。按照五层网络结构,从物理层、数据链路层、网络层、传输层和应用层出发,本文对已有的射频机器学习在无线通信中具体应用的最新成果进行归类分析。同时,在现有成果基础上,通过对数据驱动和知识驱动的相互作用关系,总结了4种射频机器学习框架（串行/并行/耦合/反馈双驱动框架）。最后,为了促进射频机器学习的研究和实际应用,本文讨论了关键挑战和开放性问题。