【摘 要】
：
大规模多输入多输出（Massive Multiple-input Multiple-output,Massive MIMO）作为第五代移动通信的核心技术之一,可以显著提升移动通信系统的传输速率和可靠性,但基站和用户端天线规模的提升使得通信系统的设计变得非常困难。深度学习因良好的鲁棒性和并行性成功地在众多领域得到了广泛应用,为其在移动通信领域的发展提供了坚实的理论基础。设计高可靠性、低复杂度的大规模
论文部分内容阅读
大规模多输入多输出（Massive Multiple-input Multiple-output,Massive MIMO）作为第五代移动通信的核心技术之一,可以显著提升移动通信系统的传输速率和可靠性,但基站和用户端天线规模的提升使得通信系统的设计变得非常困难。深度学习因良好的鲁棒性和并行性成功地在众多领域得到了广泛应用,为其在移动通信领域的发展提供了坚实的理论基础。设计高可靠性、低复杂度的大规模MIMO检测算法是大规模MIMO系统设计需要解决的核心问题。目前用深度学习解决大规模MIMO检测问题分为两种解决方案。其中一种是在原有算法基础上增加训练参数以提升算法性能,本文以二阶Richardson（Second-order Richardson,SORI）线性检测算法为例,通过训练算法中的超参数,将迭代过程展开为神经网络,设计了SORI-Net检测算法,解决了线性迭代算法在相关信道下收敛较慢的问题。为了进一步提升算法性能,将训练参数的方法推广到非线性检测算法中,本文在消息传递检测算法（Message Passing Detection,MPD）的基础上,通过简化概率计算函数,设计了低复杂度的MPD检测网络（LCMPD-Net）。仿真结果表明,LCMPD-Net在128×16天线规模,64-QAM调制方式的MIMO系统中,在误码率（Bit Error Rate,BER）为10-5时较现有方法有0.7d B的性能提升。另一方面,基于深度神经网络（Deep Neural Network,DNN）的检测算法具有更好的泛化性和自适应性。本文在此基础上对该网络进行了降维处理,针对该网络无法支持高阶正交幅度调制的问题,提出一种基于径向基神经网络的高斯去噪激活函数。仿真结果表明,与基于DNN的检测网络相比,本文提出的去噪稀疏连接检测网络（Denoising Sparsely connected detection network,DSNet）可以以2/15的训练参数量在加性高斯白噪声（Additive White Gaussian Noise,AWGN）信道和相关信道下实现高阶调制检测。
其他文献
地铁是现代城市出行的首选交通工具。为了最小化对地表城市景观的影响,大部分地铁线路位于地下隧道内。由于地下水的存在,墙面渗漏是地下隧道的常见病害。目前对隧道内渗漏点的检测仍然依靠线路维护人员步行巡道,该方法需要较高的时间成本与人力成本。由于城市地铁的运营十分饱和,地铁的日常维护任务繁重,迫切需要一种识别渗漏点的自动化方法,提高维护工作的效率。目标检测是计算机视觉领域的重要分支。传统的目标检测任务需要
随着物联网（Internet of Things,Io T）设备的普及,基于无线信号的精确定位技术近年得到了飞速的发展并在工业界催生了大量的智能应用。其中重要的应用有传送带上的产品排序和货架上的物体定位及盘点,这些应用都需要对目标物体进行精确的定位。作为物联网重要的支撑技术之一,无线射频识别（Radio Frequency Identification,RFID）技术已被广泛应用于智能工厂或仓库的
近些年来,计算机技术的发展与互联网的普及极大便利了各种生产生活活动,但是安全意识的缺失也为恶意代码的出现提供了必要条件。恶意代码检测成为了安全领域的热点问题,但是恶意代码使用的各种对抗技术也让检测与分析十分困难。在传统的针对加壳恶意样本的处理流程中,会先对加壳的种类与算法进行识别,再使用对应的脱壳算法处理,得到原始代码,再进行分析处理,这一过程中存在很多技术难点,耗时也较长。本文希望针对加壳样本的
应变传感器作为传感器领域重要的组成部分,在实际生活如城防建设,器械生产监测以及基础设施的预防和检查方面都有重要应用。同时随着柔性电子学相关领域的发展,应变传感器在人机交互、医疗健康、人体运动检测等领域有更加广阔的应用。目前市面上存在各种类型的传感器如电阻与电容型传感器,但是由于电源与连接线的限制,应变测量的场景受到诸多约束。同时应变测量的非一致性和高造价也极大地限制了它们的发展。声表面波应变传感器
三轴磁通门传感器具有精度高、稳定性好、可矢量测量等优点,在空间探测、姿态控制、地质勘探以及地磁检测中具有重要应用。现代微型卫星、无人机、车辆导航等新兴领域对三轴磁通门传感器提出了微型化、集成化、成本低的新要求。现有研究显示,通过MEMS工艺制备高精度的二维平面螺线管平行式磁通门传感器的技术手段已经非常成熟。但是,常规MEMS技术的限制使得很难使用同一技术路线实现Z分量器件的同步集成制造,因此三维磁
卷积神经网络（Convolutional Neural Network,CNN）由于具有表征学习的特点,被广泛应用于各个领域。近年来,随着卷积神经网络数量与规模的不断增加,基于现场可编程门阵列（Field Programmable Gate Array,FPGA）的卷积神经网络加速器快速设计方法已成为重要的研究方向。但是现有的设计主要针对吞吐率进行优化,整体延时通常较长,不能很好地满足实时应用的需
精确测量飞行器流场速度分布对分析飞行器的空气动力学性能及实现飞行器主动流动控制有着重要的意义。目前,随着小型飞行器的快速发展,迫切需要有可分辨0.01m/s空气流速变化,量程达到100m/s的宽量程、高分辨率,且体积小、功耗低、易集成的微传感器来满足其空气动力学测试需求。目前,市场上还没有性能可以满足上述要求且对流场干扰小的传感器可供使用。近年来,基于仿生学和MEMS（Micro-Electro-
深度学习中复杂的网络结构需要大规模的计算资源支持。在面积和功耗资源有限的移动端和嵌入式系统中,神经网络的层数和尺寸受到严格约束。随机计算作为一种新兴计算方式,有着硬件开销低、运算速度快、容错率高等优点。与传统二进制计算不同的是,随机计算是用随机比特流进行逻辑运算,其中比特流中数字1出现概率表征目标值。这种编码方式使得如乘法和加法等重要的算术运算,可以用简单的逻辑运算实现。因此,近年来随机计算在深度
由于工艺特征尺寸持续缩小,模拟集成电路设计对多级运放的兴趣不断增高。多级运放可以获得更高增益,但其补偿设计也同时变得困难。本文主要研究利用设计方程以及粒子群优化算法（PSO）来实现多级运放的自动化尺寸定制的方法。与已有研究不同的是,本文尝试将手工推导的设计方程引入到基于仿真的启发式搜索程序中,可以有效地降低搜索空间维数和提高PSO算法的探索结果质量。另外,在多级运放的自动化尺寸定制的研究过程中,本
随着人工智能技术的发展,生物特征识别作为实现新型人机交互的重要载体,已经被运用到很多产业中。其中,人脸识别技术因其非接触性、非侵入性、设备简单和不易破解等优势,逐渐成为了现今较为重要的身份鉴定方式之一。卷积神经网络是目前在人脸识别上应用较为广泛的网络,通常采用余弦域损失函数来扩大特征间边际,训练耗时会因此增大。为此,本文将对余弦域下的网络训练速度和实际识别效果展开研究:首先,针对余弦域下网络训练耗