【摘 要】
：
在室外光线追踪通信场景下,针对毫米波大规模多输入多输出(multiple input multiple output,MI-MO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题,提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法.首先,设定参数产生模拟真实环境的数据集,将所产生的信道矩阵看作二维图像.然后,构建注意力机制网络以增强图像中噪声特征的显著性,并将注意力机制网络嵌入卷积神经网络中进行特征融合.最后,通过网络模型提取噪声并得到去噪的图像,即估计信道矩阵.仿真结果表明,与最小二乘
【机 构】
：
贵州大学大数据与信息工程学院,贵州贵阳550025
论文部分内容阅读
在室外光线追踪通信场景下,针对毫米波大规模多输入多输出(multiple input multiple output,MI-MO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题,提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法.首先,设定参数产生模拟真实环境的数据集,将所产生的信道矩阵看作二维图像.然后,构建注意力机制网络以增强图像中噪声特征的显著性,并将注意力机制网络嵌入卷积神经网络中进行特征融合.最后,通过网络模型提取噪声并得到去噪的图像,即估计信道矩阵.仿真结果表明,与最小二乘法(least square,LS)、最小均方误差(minimum mean square error,MMSE)、卷积神经网络(convolutional neural network,CNN)和去噪CNN (denoising CNN,DnCNN)算法相比,所提出的Attention-CNN方法信道估计精度平均提升约1.86 dB.
其他文献
针对D-S (Dem pster-Shafer)证据理论中证据融合可能存在冲突的问题,通过考虑证据之间的关系及其本身的特性,提出一种基于Lance距离和信度熵的冲突证据融合方法.首先,利用Lance距离来度量证据之间的差异和冲突程度,并通过矩阵形式表示证据的可信度,再通过计算信度熵来度量证据的信息量,并以此表示证据的不确定度.其次,综合考虑证据的可信度和不确定度来衡量证据最终融合的折扣系数,并通过折扣系数修正原始证据.最后,采用Dempster合成规则进行证据融合得到最终结果.算例分析结果表明,所提方法较
针对模型参数不准确条件下的全自动着舰控制技术进行了研究,设计了一种基于保辛伪谱算法(symplectic pseudospectral method,SP)和带遗忘因子递推最小二乘法(recursive least squares with forgetting factor,FFRLS)的舰载机着舰自校正模型预测控制方法(self-tuning model predictive control,ST-MPC).针对舰载机的着舰控制模型,在MPC方法的框架下,首先设计了一种基于预测轨迹形状与位置偏差的引导
针对无人机(unmanned aerial vehicle,UAV)离线航迹规划对算法全局搜索能力和鲁棒性的要求,设计一种自适应郊狼算法,从最优化问题角度研究UAV离线航迹规划.建立UAV离线航迹规划的数学模型;在标准郊狼优化算法的基础上设计4种操作算子和一种自适应学习机制,使算法在搜索的过程中,智能选择合适的操作算子,并设计莱维飞行策略提高算法的全局寻优能力;最后对自适应郊狼算法进行函数测试和离线航迹规划仿真.函数测试表明自适应郊狼算法具有较强的全局搜索能力,离线航迹规划仿真表明自适应郊狼优化算法能适应
针对高速机动目标拦截,提出了一种末制导阶段预设性能制导律.首先,建立三维非线性拦截模型,在俯仰和偏航两个平面中,将期望视线角和视线角速率选做状态量设计滑模动态面,在动态面控制的基础上,将滑动模态误差利用误差转换函数转化为预设性能误差方程,设计制导律,驱动滑模变量按预设性能收敛.该制导律能使制导顺利进行,满足终端视线角约束.然后,考虑视线角速率测量误差以及目标信息不确定性,建立有限时间干扰观测器,保证了制导指令的执行.
针对头脑风暴优化(brain storm optimization,BSO)算法的选择操作中仅部分个体更新追随全局最优和变异操作中步长不能自适应的问题,采用追随全局最优策略以充分利用全局最优信息,并用差分变异代替原来的高斯变异以自适应调节变异步长,提出了基于全局最优和差分变异的BSO (global-best difference-mutation brain storm optimization,GDBSO)算法.通过6个标准测试函数极值寻优的Matlab仿真对比研究表明GDBSO具有优良性能,较好地解
针对高速移动场景正交频分复用(orthogonal frequency division multiplexing,OFDM)系统,提出了一种新的基于堆栈式极限学习机(extreme learning machine,ELM)的时变信道预测方法.为了捕获输入数据的深层信息,基于单隐藏层神经网络,首先利用堆栈式ELM方法从历史信道中提取信道的深层特征,并获得网络的初始输出权值.然后,为了适应信道的变化,新方法基于新构造的历史信道样本与初始的输出权值来实时更新网络的输出权值,并基于更新后的输出权值预测得到未来
目前,在非正交多址接入(non-orthogonal multiple access,NOMA)中继通信的研究中,中继用户的选择是随机的,并没有考虑中继节点之间信道条件的差异.为了得到信道条件较好的中继用户,提出一种基于单源最优路径的中继选择策略,从基站广播信号以用户为节点,设定信道参数,寻找最佳传输通路.当信号到达目标节点后,基站从目标节点处收集所有可达通路,通过对比各通路的信道参数,选出一条最好的传输通路.基于所提中继选择策略,在非机会式NOMA系统中,提出一种新的协作传输方法,该方法在中继传输过程中
针对高分辨率模数转换器(analog-to-digital converter,ADC)接收机给大规模多输入多输出(multiple input multiple output,MIMO)系统带来的硬件成本昂贵和高功耗问题,研究了低分辨率ADC在毫米波MIMO正交频分复用(orthogonal frequency division multiplexing,OFDM)量化系统中的应用方案.通过将单输入单输出(single input single output,SISO)量化系统中的广义Turbo信号检测
环境信号的不确定性导致不可预测的谱能机会.传输机会和能源供应的缺乏给反向散射通信网络的多址接入设计带来了极大的挑战.本文针对多载波非正交多址接入(multicarrier non-orthogonal multiple ac-cess,MC-NOMA)增强型反向散射网络,提出了一种分阶段优化算法实现均衡调控下的谱能效率最大化,该问题是非凸的且难以求解.因此,首先将该问题分解成予载波分配和反射系数优化两个子问题,然后基于Gale-Shapley匹配原理提出多对一稳定匹配算法求解最佳的子载波分配,最后利用凸优
针对无人机能量受限且通信易受到窃听攻击的问题,提出一种基于能量采集的无人机无线供电通信模型,并分析其在全双工主动窃听下的保密性能.首先,采用基于仰角的视距和非视距路径损耗模型对地空无线信道进行建模.然后,将无人机的传输中断概率限制在一个可容忍的最大阈值内,得到基站的最优编码速率,进而推导出无人机的保密中断概率的解析闭合表达式.最后,通过蒙特卡罗仿真验证了理论推导的正确性,并分析了基站发射功率、能量采集时间因子、环境等因素对无人机通信的安全性的影响,从而为实际系统设计提供了参考和依据.