基于预衰落合成法的高效信道重构算法研究

来源 :北京邮电大学 | 被引量 : 0次 | 上传用户:xiekc
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来,随着5G商业化的大力推进,5G大规模多入多出(Multiple Input Multiple Output,MIMO)天线设备的市场占有率逐渐提升。与此同时,大规模MIMO技术的提出给5G设备的测试带来了新的难题,进一步制约了 5G设备的推广和量产。因此,暗室多探头法作为能够在理论上复现任意目标信道的MIMO设备空口测试(Over-the-Air testing,OTA testing)方案,已经成为业界研究的重点。预衰落合成法是暗室多探头法中重要的信道重构技术,它的主要思想在于利用有限数量的探头,在测试区域内部合成目标信道的空间特性。然而,由于5G设备的新特性,导致了预衰落合成法在信道重构方面存在着新的挑战。因此,本文分别从效率和精度这两个方面,对预衰落合成法进行了研究。首先,暗室多探头法一个重要的挑战就是降低系统成本。由于系统中的每一个探头需要连接到昂贵的信道模拟器上,过多的探头数量会大幅提高系统成本,因此需要进行探头选择来减少系统中所需探头的数量。然而,在5G MIMO OTA测试中,由于备选探头数量的增加,导致探头选择算法的复杂度大幅上升,严重影响了信道重构的效率。本文提出了一个高效的探头选择算法,相较于主流的凸优化算法能够大幅减小计算复杂度。算法的主要思想是通过计算目标问题的梯度,并利用动量梯度下降来进行探头权重的优化。为了在迭代的同时进行探头的选择,该算法在目标函数中加入了正则化函数。并通过在迭代过程中对参数的动态调整,保证了算法的结果精度和收敛速度。经过理论分析和仿真对比发现,本算法具有更小的复杂度和更高的准确性,能够大幅度提高的预衰落合成法的信道重构效率。其次,预衰落合成法的目的是在测试区域内部精确复现目标信道的空间相关性。在以往文献中,通常从统计平均的角度进行测试区域内部空间相关性的推导。然而在实际的测试中,由于信道模拟器中的每一个随机参数都是提前设置好的,信道模拟器生成的信道时间序列固定不变。因此,文献中基于统计平均的假设不成立,导致测试区域内部合成的空间相关性存在误差。本文首先基于时间平均的角度对目标信道和OTA信道的空时联合相关性进行公式推导和理论分析。公式推导结果显示,空时联合相关性是由信道模型中子径的初始相位决定的。基于此,本文提出了一种基于离散傅里叶变换矩阵的信道改进方法,能够消除传统预衰落合成法中空间相关性合成误差的问题。该方法的主要思想是利用了离散傅里叶变换矩阵的正交性,将矩阵中各个列向量作为信道模型中子径的初始相位。仿真结果表明,相较于传统预衰落合成法,该方法能够大幅提升信道重构的精度。
其他文献
科技在进步,我国的工业化技术水平也需要提升起来,自动化技术是我国工业生产中先进生产力的代表,它具有极其重要的地位.在现在的工业化生产中,大多数生产需要使用机械设备,为了有效降低生产成本,在生产中,引用机械自动化技术,在一定程度上节约了大量人力资源,不但提高了生产效率,而且在生产的质量、企业的经济利润也得到了大幅提升.机械自动化技术在保障劳动生产率的同时,还降低了我国人工劳动力成本,极大地解放了生产力.但是,如果想要有更好的发展,目前的机械自动化技术还有待进一步完善,让其发挥优势.本文分析了机械自动化技术的
随着5G、物联网、云计算等新技术的不断发展,在大数据传输中具有基础支撑作用的光通信系统,需要有更优良的传输性能才能去更好地适应飞速发展的通信传输速率和互联网数据流量。因此,对光传输网络进行相关的理论和技术研究,是引入新技术和实现超高速大容量的必要过程。近年来,深度学习(Deep Learning,DL)中的卷积神经网络(Convolutional Neural Networks,CNN)在光信号的
随着5G网络新应用和物联网技术的快速发展,虚拟现实、电子医疗、辅助驾驶以及人脸识别等新型应用对网络的低时延和高可靠性提出了更高的要求。然而,在传统的网络架构中业务只能被传输到核心网进行集中式处理,传输距离长,带宽占用大等问题使得云计算不能满足上述具有延迟敏感特性的新型应用的性能需求。这种情况下,边缘计算应运而生。通过将计算和网络资源下沉到用户边缘侧,使得终端任务可以被卸载到就近的边缘服务器上执行,
当今数据中心交换机通常使用片上共享内存,合理的缓存管理策略对保证端口之间的缓存公平共享和减少分组的丢失具有重要意义。本论文首先对交换机共享缓存管理这一领域进行了研究,研究发现传统的缓存管理策略在一些场景下会导致端口之间的缓存分配不公平,甚至导致某些突发流的不必要丢包。这是因为传统的缓存管理策略只根据当前缓存区的聚合信息进行决策(如动态阈值(Dynamic Threshold,DT)策略只根据空闲缓