一、无线信道的应用模型和估计（论文文献综述）
张瑞齐[1]（2021）在《高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究》文中提出随着高速公路、高速铁路以及城市道路的爆炸式发展,交通系统的安全性、交通管控的有效性和及时性等问题亟待解决。智能交通系统成为未来交通运输系统的发展方向。随着车联网的蓬勃发展,低时延、大容量、高可靠的通信需求日益迫切。但是传统移动通信的设计主要瞄准终端静止或者低速运动场景,当其应用在高速公路和铁路场景时面临诸多的挑战。以第五代移动通信（The Fifth Generation Mobile Communication,5G）标准为例,终端用户在低速运动条件下,比如移动速度不高于30km/h,100MHz系统带宽可提供大于1G比特率（Bit Per Second,bps）数据传输速率。而随着终端用户移动速度的增加,可支持数据传输速率急剧下降,在终端移动速度高于350km/h时,系统的可支持数据传输速率只有50Mbps,该数据吞吐量只有车联网通信所需数据速率的10%。通信系统传输速率严重下降的主要原因是车辆高速运动引起的信道快速时变以及多普勒频偏。因此,克服多普勒效应、提高高速移动场景中的数据传输速率是非常重要的课题,具有重要的科学意义。为了解决高速移动场景中无线通信系统数据传输效率下降的问题,本文充分考虑高速运动场景中的信道快速时变、多普勒效应、用户信道状态信息（Channel State Information,CSI）难以跟踪等典型问题,采用理论分析、数学建模与系统仿真验证相结合的方法,对快速时变信道估计、低复杂度的子载波间干扰抑制以及面向多输入多输出的线性预编码等方向进行了系统研究。论文的创新性工作包括以下四个方面:第一、提出了一种新的基于波束域分解的信道预测方法,解决高速运动状态下,终端反馈的信道状态信息难以跟踪信道变化而带来的系统性能恶化的问题。基于信道状态信息的自适应调制编码技术（Adaptive Modulation and Coding,AMC）在无线移动通信系统中发挥重要的作用。但是当终端用户处于高速运动状态时,无线信道快速变化。终端用户反馈的信道状态信息与被应用时刻的信道失配,导致系统性能严重恶化。针对该问题,本文提出了一种新的信道预测方法。该方法根据扩展Saleh-Valenzuela模型,将无线信道在空域分解为多个簇,每一簇的信道由空间波束角相近的子径组成。通过波束域、频率域分解,无线时变信道被表征为有限个波束域和频域基向量的线性加权。针对加权参数和波束矢量估计复杂度过高的问题,本文提出了改进的快速迭代插值波束赋形（Fast Iterative Interpolated Beamforming,FIIB）算法。针对加权参数的预测问题,本文提出由多项式模型近似。通过向基站反馈多项式系数和波束矢量,基站可以精确的预测未来的信道。本方法提高了时变信道预测的准确性,仿真显示在反馈有限阶系数条件下,本方法已经可以准确的预测信道的变化,同时反馈多项式系数所需的资源也远低于传统方法。第二、提出了基于频率偏移的基扩展模型（Frequency Shifted Basis Expansion Model,FS-BEM）,解决高速时变信道条件下信道估计性能恶化的问题。在正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统中,通过在OFDM符号中插入参考信号（Reference Signal,RS）来做信道估计。在传统的信道估计中,认为信道在一个OFDM符号中保持不变。当终端用户处于高速运动状态的时候,信道在一个OFDM符号中也会发生变化,从而使得传统信道估计方法失效。针对该问题,本文基于基扩展模型（Basis Expansion Model,BEM）的理论,研究了复指数基扩展模型（Complex Exponential BEM,CE-BEM）在建模快速时变信道时存在较大误差的原因,提出了FS-BEM信道估计方法。通过对复指数基向量进行过采样获取过完备基向量集合,采用最小均方误差（Minimum Mean Squared Error,MMSE）或者最大信息率准则（Maximum Information Rate,MIR）全局寻优最佳采样基。仿真显示,本方法很好的克服了传统CE-BEM模型的缺点,在不同的移动速度下均具有较好的性能。第三、提出了一种新的发射端预编码和接收端均衡方法,解决传统子载波间干扰抑制方法存在的复杂度过高、性能不理想等问题。在OFDM通信系统中,当终端处于高速移动的时候会引起子载波间干扰（Inter-Carrier Interference,ICI）,严重的影响了无线移动通信性能。在传统的均衡算法中,通常采用迭代干扰消除的方法来克服ICI带来的影响。这种方法存在复杂度过高、用户移动速度快的情况下性能不理想等问题。本文提出了一种新的发射端预编码和接收端均衡方法。该方法在发射端将发射信号频域分段,并在每个频域分段中添加冗余子载波,从而隔绝了相邻频域分段之间的干扰,将子载波互扰限制在一个频域分段内。在接收端,通过简单的线性变换和一阶均衡就可以抑制频域分段内的ICI。该方法可以大大降低接收端实现复杂度,具有较好的ICI抑制性能。第四、提出了一种新的基于波束域反馈的码本设计方法,解决传统码本设计不能匹配中高速场景、反馈开销过大的问题。在多输入多输出（Multi-Input Multi-Output,MIMO）系统中,预编码矩阵的反馈占用大量的上行无线资源,尤其是当终端处于快速运动的时候,需要配置很短的反馈周期才能跟踪信道状态信息的变化,这会进一步增加反馈开销。针对该问题,本文提出了一种新的基于波束域反馈的码本设计方法。该方法利用矩阵分解理论,将预编码矩阵表征为若干个正交向量的线性加权。用户需要反馈被选择的正交向量的索引以及每个被选择的正交向量对应的复系数。通过联合配置长和短周期反馈,该方法可以在跟踪信道变化的同时,维持较低的反馈开销。仿真结果显示,本文提出的码本结构和反馈方法在获得预编码增益的同时,极大的缩减了反馈信道状态信息的信息量。本方法中的双码本结构以及第一级码本的正交向量设计等方法被5G通信标准‘3GPP TS38.214:NR Physical layer procedures for data’的5.2.2.2.3章节接纳。
李雪靖[2]（2021）在《智慧标识网络中边缘计算服务的任务卸载和资源适配研究》文中认为随着互联网技术的发展,网络服务和网络应用已渗透到各个领域。网络数据流量和计算任务的迅猛攀升,导致传统网络体系难以满足高效、可靠、海量、泛在等服务需求。智慧标识网络从解决传统互联网三重绑定问题出发,提出了“三层两域”的体系架构,为实现网络的可管、可控、开放、灵活提供了新的思路。针对智慧标识网络中的计算服务,边缘计算可以利用网络边缘计算资源为其提供更好的服务质量。然而,边缘网络的服务复杂性和资源有限性给不同场景下计算服务的动态灵活管控带来了新的挑战。本文分别针对边缘网络中的终端复杂计算服务、终端流式计算服务、多终端竞争计算服务和边缘汇聚计算服务,依据不同服务的需求特征,融合网络通信资源和计算资源,分析了具有特定优化目标的服务管控问题,研究了基于智慧标识网络的任务卸载和资源适配策略。本论文主要工作和创新点如下:（1）针对边缘网络中终端复杂计算服务的任务卸载和资源适配问题,提出了一种复杂服务分割和部分任务卸载的联合管控优化策略。本文以复杂计算服务的处理开销最小化为优化目标,通过综合考虑服务模型特征、任务依赖关系、节点设备能力和无线信道状况等因素,提出了基于智慧标识网络和边缘计算的终端复杂计算服务系统架构和管控机制,构建了服务模型分割和部分任务卸载的联合优化模型;基于深度学习方法构建了针对视频流进行人体姿态估计的服务计算模型,通过分析所构建模型的计算负载和数据流,采用神经层分组和流水线处理方法,设计了基于阈值粒子群优化的协同分割卸载TP-CPO算法,并通过仿真实验进行了性能评估。仿真结果表明,在不同的信道带宽和服务器负载下,所提策略有效地降低了服务响应时间和终端能量消耗。（2）针对边缘网络中终端流式计算服务的任务卸载和资源适配问题,提出了一种任务卸载调度和终端功率控制的联合管控优化策略。本文以流式计算服务的任务处理效用最大化为优化目标,通过综合考虑到达任务特征、终端能量状态、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的终端流式计算服务系统架构和管控机制,构建了任务卸载调度和终端功率控制的联合优化模型;根据终端等待计算任务的马尔可夫性,分析了卸载调度决策和功率控制决策的约束条件,设计了状态、动作和奖惩函数,将系统时间分层划分为决策周期和事件回合,实现了基于分层深度强化学习的自适应调度控制HDRL-ASC算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,在不同的任务到达率、无线信道状况和服务器计算性能下,所提策略有效地提高了任务处理效率,降低了终端功率消耗。（3）针对边缘网络中多终端竞争计算服务的任务卸载和资源适配问题,提出了一种终端卸载选择和通信资源编排的联合管控优化策略。本文以多终端竞争计算服务的综合计算效用最大化为优化目标,通过综合考虑终端接入数目、终端设备状态、终端需求优先级、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的多终端竞争计算服务系统架构和管控机制,构建了终端卸载选择和通信资源编排的联合优化模型;提出了融合多种方法的算法框架,包括利用神经网络和阈值判断方法估计多终端任务卸载的优先级,利用一维优化搜索方法编排无线通信的资源块,利用经验回放和梯度下降方法构建神经网络模型的更新机制,利用分布式采样训练方法实现高效的神经网络训练模型,设计了基于纵向联邦学习的灵活卸载编排VFL-FOO算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,算法具有较好的收敛性和较低的复杂度,在不同终端数目和动态环境状况下,所提策略有效地提高了多终端综合计算能力。（4）针对边缘网络中边缘汇聚计算服务的任务卸载和资源适配问题,提出了一种流量鲁棒分类和资源感知转发的联合管控优化策略。本文以边缘汇聚计算服务的综合处理开销最小化为优化目标,通过综合考虑单位时间请求交易量、服务数据量到达速度、单位比特计算负载、服务流量类型、服务器计算资源和传输路径通信资源等因素,提出了基于智慧标识网络和边缘计算的边缘汇聚计算服务系统架构和管控架构,构建了流量鲁棒分类和资源感知转发的联合优化模型;设计了包含异常需求检测、流量特征分类和任务卸载转发的算法框架,实现了基于遗传进化算法的快速分类转发GE-RCF算法,并通过仿真实验进行了参数调优和性能评估。仿真结果表明,在流量动态变化、不同边缘服务器性能和不同传输路径带宽下,所提策略有效地提升了流量分类效率,降低了多流量综合处理开销。
杨汨[3]（2021）在《面向智能交通的时变方向性信道测量与建模研究》文中研究表明交通运输行业是国家经济发展的支柱行业之一,公路运输又是其中重要的组成部分并承担了大部分的运输需求。公路运输在服务人员出行和经济发展的同时,也带来了交通安全、交通拥堵和环境污染等日益严重的负面影响。在此背景下,以蜂窝车联网（Cellular Vehicle-to-Everything,C-V2X）为代表的智能交通技术逐渐成为研究的热点领域。C-V2X技术可以实现交通参与者之间全方位和高效率的信息传输,可以在提升道路交通运行效率的同时缓解交通拥堵。对无线信道电波传播机制的深刻理解以及精确信道模型的构建是无线通信系统设计、性能评估和标准化的基石。车辆通信具有传播环境独特、移动速度高和天线高度低等特点,使得C-V2X无线信道与传统蜂窝通信信道存在显着差别。因此,对于车联网电波传播和信道建模的研究不仅要延续传统蜂窝网无线信道研究中对传播机制、信道特性和模型建立方面的关注,同时也要充分考虑C-V2X信道自身的特殊性并着眼于车联网独特的传播环境和业务需求带来的技术难点,针对性的对C-V2X信道建模中亟待解决的关键问题开展重点研究。基于上述需求,本文从多方面开展了对C-V2X无线信道电波传播特性与建模方法的研究。本论文的主要工作和创新点体现在以下几个方面:1)针对C-V2X信道测量,设计了一套移动场景多天线信道测量系统。测量系统能够实现6GHz以下频段和最高30MHz带宽的车联网环境多天线动态信道测量。随后利用该信道测量系统开展了城区、高速公路等典型场景以及地下车库、隧道等复杂场景下的实际测量。采集的实测数据构成了C-V2X信道传播特征及信道建模研究的基础。2)针对C-V2X通信场景的智能感知,研究了基于机器学习方法的车联网场景实时识别算法以及来波方向快速估计算法。车联网场景实时识别算法以机器学习作为工具来获取场景识别模型,并在多种场景中验证了算法的识别准确性。此外,提出的车联网通信中来波方向快速估计算法以阵列天线输出信号作为训练特性构建来波方向估计模型,能够实现车联网场景中的信号到达角和角度色散程度的实时估计。3)针对C-V2X移动环境下的信道建模,提出了一种基于多径簇的三维方向性动态信道模型,并给出了不同场景时的具体模型参数和信道仿真方法。提出的信道模型能够准确的刻画不同场景中环境差异性对信道特性的影响。此外,提出的信道建模方法具备较好的通用性,在实测数据的支持下可以快速的扩展到多样化的传播场景。另一方面,提出的模型支持信道的动态仿真,适合于车联网等非平稳场景。4)针对C-V2X通信中多样化的信道传播环境,面向地下车库、高架桥、隧道、路堑和车辆遮挡等多个重要车联网复杂场景开展了信道测量,并研究了不同传播场景下的电波传播特性。此外,针对遮挡场景提出了一个基于簇结构的动态信道模型。相关研究有助于深化对车联网场景差异性的理解,给出的模型也可以直接服务于信道仿真和通信系统设计。综上所述,本文围绕车联网无线信道开展了研究,为车联网背景下的场景智能感知提供了新的解决方法,为车联网场景中的方向性非平稳信道提供了新的建模理论,为多样化的车联网场景的信道特征进行了深入刻画和建模,弥补了当前车联网信道研究领域的一些不足,丰富了相关电波传播理论和信道建模研究工作。
黄晨[4]（2021）在《基于机器学习的时变信道数据处理与信道建模方法研究》文中进行了进一步梳理本文重点对基于机器学习的无线信道数据处理与信道建模展开研究。Beyond5G（B5G）是面向2020年以后移动通信需求而发展的新一代移动通信系统。根据移动通信的发展规律,B5G将在用户体验速率、连接数密度、流量密度和用户峰值速率上得到显着的提升,同时降低端到端时延并支持高速移动性。在这些性能指标下,B5G将使信息突破时空限制,拉近万物距离,通过无缝融合的方式,便捷地实现人与万物智能互联。另一方面,对无线信道的理解与分析是对任何现有的或新提出的无线系统设计、分析、评估及应用的前提,对电波传播特性的掌握则是对无线信道进行研究的物理基础。电波传播与无线信道建模是无线通信系统主要参数与关键技术设计的重要依据,是对无线接口候选技术的选拔与测评的必要条件。因此,无线信道建模一直是无线通信领域的热点研究课题之一。在5G高速发展的环境下,信道建模方法从经典的确定性建模、统计性建模逐渐发展向结合机器学习的混合信道建模方法。同时随着大规模阵列天线技术的快速发展以及测量技术和手段的提高,人们对信道观测越来越准确,实测数据量越来越大,以往传统的统计性建模方法在如此大规模、多维度下已不再适用。但是,如果通过机器学习算法对实测数据进行预处理,对数据进行降维、压缩或特征化,可以显着降低分析数据的难度,抑制数据噪声的干扰,最终提高建模准确度。本文从信道数据处理方法切入,基于时变信道动态簇识别的需求,结合动态多径的演化特征实现了高精度时变多径簇的识别,并结合图像处理算法,实现了时变信道中多径簇的在线识别,随后针对信道建模与移动定位对信道场景识别的需求,充分挖掘车辆网信道高维特征,提出了基于机器学习的信道场景高精度识别算法,并在上述研究的基础上,针对当前车联网无线通信缺乏簇结构信道模型的问题,建立了基于轨迹簇结构的时变混合非规则几何随机信道模型。论文的创新性工作主要包括如下几个方面:1)提出了面向车联网时变信道的基于轨迹追踪的无线多径簇识别算法,通过全局最小距离匹配方法完成对连续帧内多径分量的追踪。设计了多径轨迹距离测量方案,基于不同轨迹之间的相对位置建立轨迹重叠场景和轨迹分隔场景。通过形状距离和绝对距离来描述不同轨迹之间的相对距离,并基于轨迹之间的相似性提出了高精度动态轨迹簇识别算法。通过信道仿真数据和信道实测数据验证了所提方案可以准确地识别时变信道中的轨迹簇。所提算法相比于传统算法进一步提高了无线多径簇的识别准确度和鲁棒性,成功解决了时变信道多径簇提取困难的问题。2)针对时变非平稳信道,提出了基于角度功率谱的无线多径簇在线识别算法,在未经高精度参数萃取的状态下,使用图像处理算法对信道快照的实时角度功率谱进行识别,相对准确地识别当前信道中的主要多径簇。基于无线多径簇的物理特性,将多径簇量化为形状、面积、位置三个主要特征,并通过使用全局最小匹配方法实现多径簇的追踪。通过反追踪过程,避免了信道非平稳性对多径簇连续性的破坏。通过信道仿真数据验证和信道实测数据测试,所提算法成功实现了无线多径簇在线识别,打破了传统簇提取方案只能离线处理的僵局。3)对于车联网时变信道,提出了面向时变信道的信道场景识别算法,并提出了信道角度域时变特征,并结合多个传统信道特征分别对支持向量机、随机森林和神经网络等常用于识别分类的机器学习算法进行训练。设计了直接使用角度功率谱进行实时场景识别的方案。分别对比了不同信道特征、不同机器学习算法对信道场景识别的影响。建立了同街同测、同街异测以及异街异测三类典型信道识别应用场景,并验证相关算法在三类场景下的实际性能。通过多组训练特征与多组测试场景的横向对比,验证了时变信道角度特征对于信道场景识别具有深刻意义,对智能场景识别系统设计具有积极的指导意义。4)通过使用高精度萃取算法从原始测量数据中提取无线多径分量,使用上述提出的基于轨迹追踪分簇算法对时变动态簇进行识别,并将无线多径簇建模为四种基本模型:直射径信号、静态反散射体反射信号、动态反散射体反射信号以及多跳反射信号,并对簇间特征和簇内特征分别进行建模。基于实测数据对非规则随机几何信道模型进行参数化,通过对比所提信道模型生成数据与不同街道的信道实测数据验证模型准确性,并给出了动态信道模型仿真的具体执行步骤。所提模型的高扩展性使得本模型可以方便且准确地扩展到类似的城郊场景提供模拟信道数据,避免了信道重复测量的工作,并为上层网络优化与设计提供准确的数据支持和理论依据。
佘骏[5]（2020）在《室内人-机-物复杂场景下的无线传播模型研究》文中认为室内无线通信技术是现有和未来通信系统的关键组成部分。随着技术的不断进步,室内无线通信已经从传统的语音、数据和多媒体业务,逐渐衍生出基于5G技术与人工智能、物联网、云计算、大数据和边缘计算等相结合的新兴室内应用场景,这些场景中存在大量人体、物体以及设备的生产、活动、连接和交互,构成了室内的人-机-物复杂场景。这类场景具有散射体丰富、环境小且封闭等特点,人体和物体对其无线传播特性的影响远比室外以及传统的室内场景更显着。因此,充分了解室内人-机-物复杂场景无线信道的传播特性具有重要的理论意义和很高的应用价值。本文紧密围绕室内人-机-物复杂场景下的无线传播模型研究这一科学问题,在会议室、走廊、楼梯和办公室等各种典型的室内环境中,进行了2.6GHz、3.5GHz等热点频段和9～12GHz等潜力频段上的大量信道测量实验,研究了不同人员密度、用户握持终端、遮挡视距等典型室内人-机-物复杂场景的无线信道传播特性,建立了针对各类传播特性的室内人-机-物复杂场景无线信道传播模型,主要工作和贡献包括:（1）提出了适用于会议室、楼梯和走廊三种典型室内环境在不同人员密度下的路径损耗模型,为室内人-机-物复杂场景中路径损耗的精确预测提供了一种解决方案。该方案的特征是将功率延迟函数建模为一个损耗值与距离无关、与人员密度相关的混响分量,和一个服从对数-距离衰减方式的主径分量的叠加值,并通过积分运算得到路径损耗公式,然后采集大量实测结果实现模型参数拟合。经验证,该模型的预测结果与实测吻合。相比已有的对数-距离路径损耗模型,所提出的模型能在准确预测路径损耗的同时,更好地解释路径损耗因子异常值,并能通过剔除混响分量的影响、提取主径分量的衰落情况,为典型室内人-机-物复杂场景的链路预算提供更准确的模型依据。（2）进一步地,提出了一种包含人数因子和环境因子的混响时间模型。该模型提供了一种在室内复杂场景中快速计算混响时间的方法,并解决了因室内人数增减或环境的改变而带来的变化建模问题。验证结果表明,与既有模型相比,提出的模型具有更高的精确度。该模型还可方便地扩展到同类场景,并通过更新人数因子和场景依赖的环境因子来实现模型的场景适应。此外,还改进了功率延迟谱的预测方法,通过引入混响时间参数降低了Nakagami-m分布因子的建模算法复杂度。（3）进行了Massive MIMO室内办公室环境信道传播特性分析与建模。在典型办公室环境内,搭建了基于32天线的Massive MIMO阵列和不同天线数的多天线终端组成的测量平台,进行了3.5GHz频段上实地信道测量以及信道频率响应的建模和分析。研究结果表明,信道遍历容量随终端天线数目增长而提高;在用户手持情形下,遍历容量的统计平均值与非手持情形无显着差异,但信道性能在低容量区段存在进一步劣化的现象。（4）在上述工作的基础上,提出了一种包含用户手持效应因子的室内环境无线传播模型。该模型充分考虑了用户的手持效应、接收端相关效应、发射端相关效应、耦合效应,并将手持效应因子建模为幅度服从对数正态分布、相位服从均匀分布的随机变量,将耦合效应因子建模为幅度服从Nakagami-m分布、相位服从均匀分布的随机变量。验证结果表明,模型预测的遍历容量、中断容量值均与实测吻合,与既有的Kronecker模型和Weichselberger模型相比,该模型具有更高的精确性、更明确的物理意义和更强的可扩展性。（5）提出了X波段室内人-机-物复杂场景无线传播模型。该模型采用粒子滤波方法,解决了人-机-物复杂场景下信道参数的动态预测问题。该模型并利用多径分量的主要衰减机制联立状态方程,并实现了时延域动态预测。经与测量数据对比验证,该模型可以准确预测功率延迟谱、平均时延参数。与传统的TDL等静态模型相比,可以进行动态更新和实时建模。本章的测量工作有助于较高频段室内无线传播特性的系统性研究,本章模型成果可为海量机器类通信等典型人-机-物复杂场景下的感知数据采集、信道主动测量等算法开发提供支撑。本文围绕室内人-机-物复杂场景下的无线传播模型开展的研究工作和所得成果,可为未来移动通信系统的室内覆盖部署、物理层设计、系统级别仿真和系统搭建提供重要支撑。
李伟[6]（2020）在《车对路边单元的无线信道测量与建模研究》文中认为车联网作为未来无线网络的重要应用场景,已经成为了无线通信领域的研究热点之一。无线信道测量和建模是网络设计的基础,也是信号能否被接收的重要参考标准,特别是当车载通信服务于交通安全相关应用时,信号的正确接收与否直接关乎到个人的生命安全。车载通信的无线链路主要分为两类:车对车通信（Vehicle-to-Vehicle communication,V2V）和车对路边单元通信（Vehicle-toInfrastructure communication,V2I）,其中车对车信道的传播特性已经被广泛研究。本文主要研究2.4 GHz频段下车对路边单元信道的传播特性与建模分析,包括路径损耗、大尺度衰落特性和小尺度衰落特性。本文考虑的是以行道树为主要障碍物的这类车载通信场景,其广泛存在于城市、郊区和乡村的交通道路,是部署路边单元时必不可少的一类重要场景。本文的主要工作如下:1.车对路边单元信道的路径损耗模型。车辆在移动过程中,无线信号可能会受到路边树木的遮挡,这取决于路边单元的部署高度与车辆离路边单元的距离,基于地理位置和几何特征等空间信息,本文将车对路边单元的无线链路分为了视距（Line of Sight,LOS）链路和被路边行道树遮挡的非视距（Non Line of Sight by foliage,NLOSf）链路两类。针对这两种不同类型的链路特征,本文提出的基于几何信息的确定性路径损耗模型预测精度高,尤其是准确估计了NLOSf链路中由树冠引起的额外损耗,相比经典的双径模型,提升了高达15 d B的预测精度。路径损耗模型有助于优化路边单元的部署策略,减少不必要的设备投出,提升车联网系统的建设效益。2.车对路边单元信道的大尺度衰落特性。在前期工作的基础上将本场景中的车对路边单元信道进一步划分为三段式链路:低于树冠的视距路径（Line of Sight Beneath,LOS-B）、被树冠遮挡的非视距路径NLOSf和高于树冠的视距路径（Line of Sight Above,LOS-A）,其覆盖了部署路边单元时的所有高度范围。针对这三种不同的链路类型,本文主要分析了车对路边单元信道的大尺度衰落特性,包括路径损耗因子随天线高度变化的关系和阴影衰落分析（主要包括分布特性和自相关性）,测试数据验证了所提模型的合理性。准确描述无线信道的大尺度传播特性有利于成功预测无线网络的覆盖范围以及链路预算问题,通过研究阴影衰落的相关性和分布特性有利于合理设计系统阴影衰落余量以及完善大尺度传播信道仿真模型库。3.车对路边单元信道的小尺度衰落特性。首先分析了车辆移动带来的时间相关性以及多径效应引起的频率选择性;然后分析了V2I信道小尺度衰落的统计特性,主要包括衰落深度、电平交叉率、平均衰落时间和自相关特性等;接着采用赤池信息准则（Akaike Information Criteria,AIC）和Kolmogorov-Smirnov（K-S）检验的判决方法得出莱斯分布是最适合描述这类V2I场景的小尺度分布函数;最后,基于矩估计的经典方法求得莱斯K因子,并建立了莱斯K因子的空域变化关系。V2I信道小尺度衰落特性的研究反映了接收功率的微观变化,有助于设计车联网系统的物理层编码和帧结构,对于未来实现与V2I通信相关的安全应用具有重要意义。综上所述,本文针对车对路边单元通信进行了无线信道测量与建模研究,为车对路边单元无线通信系统的设计提供了电磁波传播的预测工具,弥补了对该场景下信道建模的理论不足,是构建和完善车联网信道模型库的基础。
陈嘉琦[7]（2020）在《基于分形理论的无线多接入信道空间相关性研究》文中研究说明随着大量智能设备（如智能手机、平板电脑、便携电脑）和海量物联网的快速普及,以及各类新业务和应用场景的蓬勃发展,无线移动设备的流量需求极速攀升。海量流量需求在第五代移动通信系统（the fifth generation,5G）中通过应用大规模天线、毫米波和超密集异构网络等技术提高网络容量来得到解决。然而,在5G通信系统中无线信道特征将表现出不可忽视的空间差异性。同时,由于用户密度增加导致用户之间无线传输环境有部分重叠,使得相邻用户无线信道的空间相关性增强。无线多接入信道空间相关性表现为基站不同方向上无线信道变化过程具有一定的关联性,不再是独立变化的随机变量。现有无线信道模型对不同方向上多个信道状态之间的关联特性关注较少,导致海量接入场景中多接入信道模型不能很好逼近实际信道的空间变化规律。自然界中不规则变化过程普遍存在分形特性,同时分形理论是被提出来描述小尺度特性以及局部与整体关系的学科。因此引入分形理论来研究无线多接入信道空间变化规律,特别是海量场景下密集用户信道变化规律,是十分有效的,能够解决现有无线信道模型在空间相关性方面的不足。利用分形理论研究无线信道空间特性对5G通信技术的进一步演进具有十分重要的意义。本文就无线信道空间特性展开深入研究,其主要创新点总结如下:第一,因非自由空间中传播的无线信号受到环境影响表现出各向异性衰落,故本研究以蜂窝网络的覆盖边界,即基站在各方向上能够覆盖的最远距离,来表征传输环境对无线信道特征的影响。为分析各向异性无线传输环境对蜂窝小区覆盖的影响,在城区和郊区环境中测量无线信道状态,以此获得基站的覆盖边界,并且基于分形理论对无线蜂窝覆盖边界的统计特性进行了分析。分析结果表明,在实际环境中无线蜂窝覆盖边界在角度域上具有统计分形特征。第二,在5G网络中配备毫米波技术的超密集异构网络将成为主要网络组成部分。采用毫米波传输系统的微小区蜂窝网络中,覆盖和切换性能至关重要。基于蜂窝覆盖的分形特征,本文提出了一种多向路径损耗模型来分析各向异性无线传输环境对5G分形微小区网络性能的影响。基于此模型,推导了5G分形微小区网络的覆盖概率、接入概率和切换概率,并以此来研究各向异性无线传输环境对蜂窝网的影响。仿真结果表明,随着5G分形微小区网络中各向异性路径损耗效应的增加,短距离（例如50米）的接入概率明显降低;各向异性传输环境的切换率大于各向同性路径损耗模型下切换率。第三,基于蜂窝网络覆盖的分形特性,对基站覆盖边界在角度尺度上的长程相关性进行了理论分析和实验验证。通过利用基站不同方位角信道的空间相关性,提出了一种针对大规模接入场景的分形信道估计方案。借助分形理论和测得的中国上海基站覆盖边界数据,建立了分数自回归聚集滑动平均模型,以表示基站相邻方位角上最大传输距离之间的关系。此外,基于经验传播模型,将信道的信道状态信息视为该信道的传输距离和最大传输距离的函数。因此,可以基于相邻的已检测信道的信道状态信息来估计未检测信道的信道状态信息。基于提出的分形信道估计方案,可以使用少量的导频资源来进行大型终端的信道估计。与传统的最小二乘方案相比,当终端密度为每平方千米一千万时,新提出的分形信道估计方案的导频开销最大可以减少94.34%。第四,无线蜂窝网络覆盖边界在角度尺度上具有分形的特性,表现为基站在不同方向覆盖最远距离具有自相似性。基于此,本文推导出了无线多接入分形信道的容量域,并且构建了两个相邻方向无线信道的误比特率关系模型;同时,提出了一种分形信道编码码率自适应方案,在降低系统整体误码率的同时减小导频开销。仿真结果表明,在环境剧烈变化情况下所提出的分形码率自适应方案相比于固定码率方案最大可以降低45.92%的误码率。综上所述,本文针对无线多接入信道空间相关性,基于分形理论,实验验证了无线蜂窝网络覆盖的分形特性;同时分析了分形特性对毫米波微小区网络性能的影响;基于分形覆盖的自相似性和长程相关性,提出了利用信道空间相关性的分形信道估计和码率自适应方案,相对于导频辅助信道估计方案我们新提出的信道估计方案能够有效节省导频开销。本论文的研究工作丰富了研究者对无线信道特性的认识,为未来通信技术的发展提供了一定的理论基础。
姚永健[8]（2020）在《改进的最大多普勒频移估计方法及其应用研究》文中提出信道的特征参数提取是获得信道状态、确保无线通信质量的基础。同时,随着用户数量的激增,频谱资源日趋紧张,信道特征参数提取是通信资源合理分配的关键。最大多普勒频移是无线信道小尺度特征参数,是体现终端移动速度和信道衰落程度的主要指标,在通信系统的资源管理、越区切换中发挥着积极的作用,因此对无线信道最大多普勒频移参数的提取具有重要意义。本文针对瑞利信道及单输入多输出（Single Input Multiple Output,SIMO）信道环境下的最大多普勒频移估计问题,展开理论与应用研究,主要研究工作如下:（1）针对现有最大多普勒频移估计方法在噪声背景环境下估计精度差、资源消耗多的问题,提出了一种基于奇异熵增量曲率的噪声匹配改进方法。该方法首先对含噪的接收信号包络矩阵进行奇异值分解,通过寻找奇异熵增量曲率的最大值保证信号的有用分量不受损,根据最佳滤波带宽比选择合适的矩阵重构阶次,利用重构后的信号包络估计最大多普勒频移。（2）针对SIMO系统中因存在少量莱斯信道导致电平通过率算法应用时对统计结果造成误差的问题,提出了一种基于信道判别的偏差值剔除方法。该方法首先通过包络的概率密度函数对各子信道的类型进行判别,根据判别结果求取各子信道的最大多普勒频移,构造单因素方差分析表,通过方差分析剔除表中估计结果的偏差值,得到有效的最大多普勒频移统计结果。实验表明:所提方法一实现了在噪声环境下无需对接收信号包络的反复低通滤波处理,保证最大多普勒频移的准确估计的前提下提高算法效率,降低了算法的时间开销。所提方法二实现了电平通过率算法在系统级应用的适用性,扩大了算法的应用范围,可以保证估计结果不受子信道莱斯因子影响,提高了估计精度。
范云婷[9]（2020）在《基于信道估计及其利用的辐射源聚类算法研究》文中研究表明辐射源信号分选是现代电子战中电子侦察的关键技术。辐射源信号分选是指将侦收到的电磁信号按照所属的辐射源进行分类。目前通常利用信号特征参数来实现辐射源信号分选,但事实上来自不同辐射源的电磁信号所含的信道特征同样具有较大差异。本文研究基于信道特征差异的辐射源智能分选方法,该方法分为两步:首先对电磁信号的信道特征进行提取,然后利用聚类技术对提取到的信道特征进行聚类从而实现辐射源信号的分选。针对本文提出的新思路,本文的主要研究内容分为两部分:一是精确提取信道特征的方法,二是研究聚类技术,将提取到的信道冲击响应作为对象开展对聚类算法的研究。针对上述研究内容,本文的主要研究工作如下:1.基于信道特征差异的辐射源智能分选技术方案概述。针对传统方法的不足,提出了基于信道特征差异实现辐射源智能分选的处理新流程。对研究问题进行了详细的阐述,建立了问题的模型,分析了研究内容中的关键问题和技术难点。提出了基于信道特征差异实现辐射源智能分选的总体方案。2.基于截获信号的信道冲击响应盲估计。本文研究的盲信道估计问题有两大难点:一是没有训练序列,二是不知晓包含信号样式、码等任何先验信息。本文通过对盲信道估计技术的研究,选定了一种盲均衡算法,能够在非合作接收条件下实现信道均衡。在此基础上,研究了一种基于盲均衡算法的信道特征提取方案。该方案在仿真实验中和实测试验下均能有效提取出信道冲击响应。当信噪比在10d B以上时,该方案提取的信道冲击响应达到了较高的准确率。3.基于信道冲击响应的辐射源聚类分析。研究了目前常用的几类聚类算法的工作原理、适用条件和优缺点。基于本设计的目标需求和信道冲击响应数据集的特点,选择了DBSCAN、BSAS两种聚类算法来进行辐射源信号的分选。这两种算法均在仿真实验中取得了较高的分选正确率。后续结合仿真实验结果讨论了两种算法的分选效果、优缺点以及参数选择对分选结果的影响。4.基于实测系统的辐射源智能分选试验验证。本文基于Yun SDR平台设计了实测试验,在此基础上,提出了一种基于实测系统的辐射源智能分选方案。通过实测试验,验证了该方案的有效性。该方案在已测的试验中均取得了较高的分选正确率。最后通过试验分析验证了引起信道改变的因素,给出了本方案的适用范围和限制条件。
宋玉鸣[10]（2019）在《基于自适应分布式压缩感知重建算法的无线信道估计研究》文中认为压缩感知（Compressive Sensing,CS）技术作为一种新型的信号处理技术,能够同时进行数据采集和数据压缩,其信号采样速率远低于传统奈奎斯特采样方法,可以有效解决大数据量的数字信号处理带来的难题。在压缩感知理论的基础上,分布式压缩感知（Distributed Compressive Sensing,DCS）理论充分利用各个重建信号间的联合稀疏性,实现单次联合重建多个稀疏信号,提高整体重构的效率。由于DCS技术在多信号重建中能够达到比CS更高的准确度且速度更快,具有非常可观的应用前景,DCS理论引起了国内外学者的重视。重建算法是分布式压缩感知理论的研究重点,直接影响信号的重建效果,而大部分的重建算法都需要在已知信号稀疏度的条件下才能运行,与实际情况相悖。因此,研究自适应DCS重建算法具有实际意义。正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术凭借频带利用率高、抗干扰能力强等优点已被应用在多个通信系统当中。实际应用中,OFDM系统的传输信号常常会遭受时间频率双选择性（Doubly Selective,DS）衰落,如高速铁路通信系统和水声无线网络等。而时频双选OFDM信道表现出联合稀疏性,这就意味着可以利用DCS重建算法对其进行信道估计。本文的研究重点是分布式压缩感知自适应重建算法及其在时间频率双选择性OFDM信道中的应用,主要的研究工作和内容如下:1)在研究了大量传统CS和DCS重建算法之后,以分布式压缩感知稀疏度自适应匹配追踪算法（DCS-Sparsity Adaptive Matching Pursuit,DCS-SAMP）为基础,提出了一种改进的分布式压缩感知稀疏度自适应匹配追踪算法（DCS-Improved Sparsity Adaptive Matching Pursuit,DCS-IMSAMP）。该算法采用了动态阈值作为预筛选的判断条件,同时引入裁剪机制和可变步长。仿真结果表明,在相同的重建条件下,与DCS-SAMP相比较,本文提出的算法能够在更快的运行速度下实现更好的联合重建效果,达到的重建信号归一化均方误差（Normalize Mean Square Error,NMSE）平均降低8d B。另一方面,与DCS-SAMP算法初始步长只能取1不同,DCS-IMSAMP算法的初始步长可以根据实际需求在[1,6]整数范围内取值,其获得的联合重建效果也均优于DCS-SAMP算法。2)从分布式压缩感知理论的角度出发,以基扩展模型（Basis Expansion Model,BEM）为基础,深入研究了时间频率双选择性OFDM系统,具体分析其信道估计模型和表示形式。通过BEM将快速变化的信道抽头表示为有限个具有不变系数的基函数的线性组合,从而减少需要估计的信道参数个数。经过数学变换,基于BEM的信道模型表现出了联合稀疏性。最后,根据DCS理论的思路对OFDM导频符号的放置进行了研究,将双选择OFDM信道估计问题建模成基于DCS的时频双选信道估计模型。3)将改进的分布式压缩感知稀疏度自适应匹配追踪算法用于时间频率双选择性OFDM信道估计中,在未知信道稀疏度的情形下完成了性能优越且高效的信道估计。仿真结果表明,在未知信道稀疏度的条件下,与其他的信道估计算法相比,本文提出的自适应信道估计算法获得的NMSE平均降低5d B,且估计速度更快,更具有实用价值。
二、无线信道的应用模型和估计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、无线信道的应用模型和估计（论文提纲范文）
（1）高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 常用数学符号 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状和不足 |
| 1.2.1 高速移动场景对无线通信的需求和挑战 |
| 1.2.2 高速移动场景下信道预测的研究现状和不足 |
| 1.2.3 高速移动场景下信道估计的研究现状和不足 |
| 1.2.4 高速移动场景下预编码技术的研究现状和不足 |
| 1.3 主要创新工作与章节安排 |
| 2 一种基于波束域分解的信道预测方法 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.3 现有信道预测方法 |
| 2.4 改进的基于波束域的信道预测方法 |
| 2.4.1 基于波束域分解的信道预测方法理论推导 |
| 2.4.2 性能分析 |
| 2.4.3 反馈负载分析 |
| 2.5 仿真结果与分析 |
| 2.5.1 链路仿真参数 |
| 2.5.2 仿真结果 |
| 2.6 本章小结 |
| 3 一种基于频率偏移BEM信道估计方法 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 现有时变信道估计方法 |
| 3.4 改进的基于频率偏移基扩展模型的信道估计方法 |
| 3.4.1 频率偏移基扩展模型理论推导 |
| 3.4.2 简化的FS-BEM信道估计方法 |
| 3.4.3 性能分析 |
| 3.4.4 实现复杂度分析 |
| 3.5 仿真结果与分析 |
| 3.5.1 链路仿真条件 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 4 一种发射预编码与接收频域均衡方法 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 现有子载波间干扰抑制方法 |
| 4.4 新的发射预编码和接收均衡的联合设计方法 |
| 4.4.1 发射预编码和接收均衡方法的理论推导 |
| 4.4.2 性能分析 |
| 4.4.3 实现复杂度分析 |
| 4.5 仿真结果与分析 |
| 4.5.1 链路仿真条件 |
| 4.5.2 仿真结果 |
| 4.6 本章小结 |
| 5 一种低反馈开销码本设计方法 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 现有码本设计方法 |
| 5.4 新的高性能、低反馈量的码本设计方法 |
| 5.4.1 预编码码本设计理论推导 |
| 5.4.2 性能分析 |
| 5.4.3 反馈负载分析 |
| 5.5 仿真结果与分析 |
| 5.5.1 系统仿真条件 |
| 5.5.2 仿真结果 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 附录A |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）智慧标识网络中边缘计算服务的任务卸载和资源适配研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 新型网络技术及智慧标识网络研究现状 |
| 1.2.1 新型网络相关关键技术 |
| 1.2.2 智慧标识网络理论及其相关研究 |
| 1.3 边缘计算及其服务管控问题的相关研究 |
| 1.3.1 边缘计算技术概述 |
| 1.3.2 边缘计算中服务管控问题的相关研究 |
| 1.3.3 机器学习在边缘计算中的应用研究 |
| 1.4 研究内容和主要创新 |
| 1.5 论文组织结构 |
| 第二章 复杂计算服务的服务分割和任务卸载研究 |
| 2.1 引言 |
| 2.2 复杂服务分割和部分任务卸载的优化问题 |
| 2.2.1 系统架构 |
| 2.2.2 服务管控机制 |
| 2.2.3 问题建模和优化 |
| 2.3 复杂计算服务模型和协同分割卸载算法 |
| 2.3.1 基于DL方法的模型分析 |
| 2.3.2 终端复杂计算服务的模型构建 |
| 2.3.3 服务模型的数据流和计算负载分析 |
| 2.3.4 TP-CPO算法设计 |
| 2.4 仿真实验和结果分析 |
| 2.4.1 复杂计算服务仿真环境的建立 |
| 2.4.2 TP-CPO策略的性能评估 |
| 2.4.3 TP-CPO策略的扩展性分析 |
| 2.5 本章小结 |
| 第三章 流式计算服务的任务调度和功率控制研究 |
| 3.1 引言 |
| 3.2 任务卸载调度和终端功率控制的优化问题 |
| 3.2.1 系统架构和管控机制 |
| 3.2.2 问题建模和优化 |
| 3.3 基于分层深度强化学习的自适应调度控制算法 |
| 3.3.1 深度强化学习方法简介 |
| 3.3.2 状态、动作及奖励函数设计 |
| 3.3.3 HDRL-ASC算法设计 |
| 3.4 仿真实验和结果分析 |
| 3.4.1 实验参数和环境变量的设置 |
| 3.4.2 HDRL-ASC算法性能分析 |
| 3.4.3 HDRL-ASC策略性能评估分析 |
| 3.5 本章小结 |
| 第四章 多终端竞争计算服务的卸载选择和资源编排研究 |
| 4.1 引言 |
| 4.2 终端卸载选择和通信资源编排的优化问题 |
| 4.2.1 系统架构和管控机制 |
| 4.2.2 问题建模和优化 |
| 4.3 基于纵向联邦学习的灵活选择编排算法 |
| 4.3.1 L-FOO算法框架设计 |
| 4.3.2 VFL-FOO算法设计 |
| 4.4 仿真实验和结果分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 VFL-FOO算法参数调优 |
| 4.4.3 VFL-FOO算法收敛性分析 |
| 4.4.4 VFL-FOO算法复杂度评估 |
| 4.4.5 VFL-FOO策略的综合计算效用评估 |
| 4.5 本章小结 |
| 第五章 边缘汇聚计算服务的流量分类和资源适配研究 |
| 5.1 引言 |
| 5.2 流量鲁棒分类和资源感知转发的优化问题 |
| 5.2.1 系统架构和管控架构 |
| 5.2.2 问题建模和优化 |
| 5.3 基于遗传进化算法的快速分类转发算法 |
| 5.3.1 RCF算法框架设计 |
| 5.3.2 GE-RCF快速分类转发算法 |
| 5.4 仿真实验和结果分析 |
| 5.4.1 仿真实验参数设置 |
| 5.4.2 GE-RCF策略评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）面向智能交通的时变方向性信道测量与建模研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 常用缩略语 |
| 常用数学符号 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 车联网通信系统概述 |
| 1.1.2 车联网通信系统全球发展态势 |
| 1.1.3 车联网无线信道的研究意义 |
| 1.2 车联网无线信道研究现状 |
| 1.2.1 车联网无线信道研究方法概述 |
| 1.2.2 车联网无线信道测量研究现状 |
| 1.2.3 当前研究存在的难点与不足 |
| 1.3 主要工作与创新点 |
| 1.4 章节安排 |
| 2 车联网信道测量方法和测量系统设计 |
| 2.1 引言 |
| 2.2 无线信道测量方法 |
| 2.2.1 频域测量方法 |
| 2.2.2 多天线信道测量 |
| 2.3 车联网信道测量系统设计 |
| 2.3.1 车联网信道测量难点 |
| 2.3.2 系统架构 |
| 2.3.3 测量系统设计和实现 |
| 2.4 测量系统校准和数据预处理 |
| 2.4.1 天线系统校准 |
| 2.4.2 仪器校准与数据预处理 |
| 2.5 本章小结 |
| 3 基于机器学习的车联网场景识别算法研究 |
| 3.1 引言 |
| 3.2 相关工作综述 |
| 3.3 基于机器学习的车联网场景识别算法 |
| 3.3.1 场景识别算法 |
| 3.3.2 场景识别模型训练方法 |
| 3.3.3 训练数据集生成 |
| 3.4 场景识别算法性能评估 |
| 3.5 本章小结 |
| 4 面向车联网通信的到达角快速识别算法研究 |
| 4.1 引言 |
| 4.2 相关工作综述 |
| 4.3 到达角快速识别算法和实现 |
| 4.3.1 信号模型 |
| 4.3.2 到达角快速识别算法 |
| 4.3.3 数据测量和训练集 |
| 4.4 算法性能验证 |
| 4.5 本章小结 |
| 5 基于多径簇的方向性动态车联网信道建模 |
| 5.1 引言 |
| 5.2 相关工作综述 |
| 5.3 信道测量活动 |
| 5.4 信道方向特性分析 |
| 5.4.1 MPC参数估计 |
| 5.4.2 MPC角度特性分析 |
| 5.5 多径成簇特性 |
| 5.6 基于多径簇的方向性动态车联网信道模型 |
| 5.6.1 信号模型 |
| 5.6.2 全局簇参数 |
| 5.6.3 散射体簇的簇间参数 |
| 5.6.4 散射体簇的簇内参数 |
| 5.7 信道模型仿真和验证 |
| 5.7.1 基于提出模型的信道仿真方法 |
| 5.7.2 模型验证 |
| 5.8 本章小结 |
| 6 车联网复杂场景信道测量和建模 |
| 6.1 引言 |
| 6.2 相关工作综述 |
| 6.3 地下车库场景无线信道测量与建模 |
| 6.3.1 地下车库场景信道测量 |
| 6.3.2 地下车库场景信道特性分析 |
| 6.4 高架桥、隧道和路堑场景无线信道测量与建模 |
| 6.4.1 高架桥、隧道和路堑场景信道测量 |
| 6.4.2 时变信道特性 |
| 6.4.3 MPC空间特性 |
| 6.4.4 动态MPC簇的生灭过程 |
| 6.5 车辆遮挡场景无线信道测量与建模 |
| 6.5.1 车辆遮挡场景信道测量 |
| 6.5.2 车辆遮挡下的路径损耗模型 |
| 6.5.3 时变信道特性 |
| 6.5.4 动态簇特性 |
| 6.5.5 信道模型和仿真 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 不足与展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于机器学习的时变信道数据处理与信道建模方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 常用数学符号 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 无线信道建模研究中的数据处理及建模方法 |
| 1.2.1 无线信道多径簇识别 |
| 1.2.2 无线信道中的基于谱估计的簇识别与追踪 |
| 1.2.3 基于机器学习的信道状态识别研究 |
| 1.2.4 基于机器学习数据预处理的信道建模方法研究 |
| 1.3 基于机器学习的无线信道研究现状 |
| 1.3.1 无线信道多径簇识别研究 |
| 1.3.2 基于机器学习的信道场景识别研究 |
| 1.3.3 面向V2V的时变信道建模研究 |
| 1.4 当前研究不足 |
| 1.5 主要工作与创新点 |
| 1.6 各章节安排 |
| 2 时变信道下基于移动轨迹的动态多径簇识别 |
| 2.1 引言 |
| 2.2 系统模型和问题描述 |
| 2.3 基于移动轨迹的动态簇识别算法 |
| 2.3.1 移动轨迹识别 |
| 2.3.2 轨迹簇识别 |
| 2.4 性能分析与验证 |
| 2.4.1 追踪准确性验证 |
| 2.4.2 簇识别准确性验证 |
| 2.4.3 计算复杂度分析 |
| 2.5 本章小结 |
| 3 基于角度功率谱的时变信道动态簇快速识别 |
| 3.1 引言 |
| 3.2 系统模型和问题描述 |
| 3.2.1 信道数据采集 |
| 3.2.2 问题描述 |
| 3.3 无线多径簇快速识别 |
| 3.3.1 潜在目标识别 |
| 3.3.2 无线多径簇分割 |
| 3.4 无线多径簇追踪 |
| 3.4.1 多径簇特征 |
| 3.4.2 多径簇追踪 |
| 3.5 数据测试结果与分析 |
| 3.5.1 基于仿真模拟数据的验证 |
| 3.5.2 基于信道实测数据的验证 |
| 3.5.3 计算复杂度分析 |
| 3.6 本章小结 |
| 4 基于机器学习的智能LOS/NLOS场景识别算法 |
| 4.1 引言 |
| 4.2 系统模型和问题描述 |
| 4.3 特征提取 |
| 4.3.1 高精度参数萃取特征 |
| 4.3.2 低精度参数估计特征 |
| 4.4 机器学习算法 |
| 4.4.1 SVM算法 |
| 4.4.2 RF算法 |
| 4.4.3 ANN算法 |
| 4.5 算法训练数据采集 |
| 4.5.1 系统参数 |
| 4.5.2 验证数据路线选择 |
| 4.6 仿真结果与分析 |
| 4.6.1 建立数据集 |
| 4.6.2 不同的信道特征和训练算法对识别效果的影响 |
| 4.6.3 不同训练数据样本集对识别效果的影响 |
| 4.7 本章小结 |
| 5 基于时变簇结构的非规则随机几何MIMO信道模型 |
| 5.1 引言 |
| 5.2 V2V信道测量 |
| 5.2.1 信道测量系统 |
| 5.2.2 信道测量环境 |
| 5.3 信道测量数据处理 |
| 5.3.1 MPC参数萃取 |
| 5.3.2 MPC轨迹簇识别 |
| 5.4 基于簇结构的非规则随机几何信道模型 |
| 5.4.1 信道模型框架 |
| 5.4.2 反散射体分布模型 |
| 5.4.3 无线多径簇结构建模 |
| 5.5 信道模型验证 |
| 5.5.1 动态信道仿真 |
| 5.5.2 模型验证 |
| 5.5.3 模型分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文与其他成果 |
| 学位论文数据集 |
（5）室内人-机-物复杂场景下的无线传播模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景和意义 |
| 1.3 室内人-机-物复杂场景无线传播模型研究现状和挑战 |
| 1.3.1 室内人-机-物复杂场景大小尺度衰落特性的研究现状和挑战 |
| 1.3.2 室内人-机-物Massive MIMO场景无线传播模型的研究现状和挑战 |
| 1.3.3 X波段室内人-机-物复杂场景无线传播模型的研究现状和挑战 |
| 1.4 本文的主要工作和结构安排 |
| 1.4.1 主要工作 |
| 1.4.2 结构安排 |
| 第二章 室内无线信道测量与建模概述 |
| 2.1 引言 |
| 2.2 室内无线信道的传播机制 |
| 2.2.1 球面波扩散 |
| 2.2.2 波导效应 |
| 2.2.3 单导体效应和索末菲理论 |
| 2.2.4 镜面反射 |
| 2.2.5 穿透、绕射和散射效应 |
| 2.2.6 多径传播机制 |
| 2.3 室内无线信道的测量 |
| 2.3.1 时域测量 |
| 2.3.2 频域测量 |
| 2.4 室内无线信道的建模 |
| 2.5 本章小结 |
| 第三章 不同人员密度下的室内环境路径损耗模型 |
| 3.1 引言 |
| 3.2 测量场景和方案 |
| 3.2.1 测量场景 |
| 3.2.2 测量方案 |
| 3.3 路径损耗模型 |
| 3.3.1 路径损耗分量定义 |
| 3.3.2 计算公式 |
| 3.3.3 模型验证 |
| 3.3.4 路径损耗因子对比 |
| 3.4 本章小结 |
| 第四章 包含人数因子和环境因子的混响时间模型 |
| 4.1 引言 |
| 4.2 模型建立 |
| 4.2.1 混响衰减机制 |
| 4.2.2 环境因子 |
| 4.2.3 人数因子 |
| 4.2.4 功率延迟谱 |
| 4.3 模型验证 |
| 4.3.1 混响时间模型验证 |
| 4.3.2 功率延迟谱模型验证 |
| 4.4 本章小结 |
| 第五章 不同天线数的Massive MIMO信道传播特性分析与建模 |
| 5.1 引言 |
| 5.2 Massive MIMO信道测量 |
| 5.2.1 测量平台 |
| 5.2.2 测量场景和方案 |
| 5.3 模型建立和参数提取 |
| 5.4 容量性能分析和模型验证 |
| 5.4.1 容量性能分析 |
| 5.4.2 模型验证 |
| 5.5 本章小结 |
| 第六章 包含用户手持效应因子的室内办公室环境无线传播模型 |
| 6.1 引言 |
| 6.2 测量系统、测量场景和实验方案 |
| 6.3 包含手持因子的无线传播模型 |
| 6.3.1 手持效应因子 |
| 6.3.2 模型参数提取 |
| 6.3.3 模型生成算法 |
| 6.4 模型验证 |
| 6.4.1 遍历容量 |
| 6.4.2 中断容量 |
| 6.4.3 验证结果和模型性能对比 |
| 6.5 本章小结 |
| 第七章 X波段室内人-机-物场景无线传播模型 |
| 7.1 引言 |
| 7.2 测量场景和方案 |
| 7.3 路径损耗特性 |
| 7.3.1 喇叭天线 |
| 7.3.2 贴片天线 |
| 7.4 基于粒子滤波的无线传播模型 |
| 7.4.1 粒子滤波初始化 |
| 7.4.2 状态方程 |
| 7.4.3 权值更新和重采样 |
| 7.4.4 模型参数提取 |
| 7.5 模型验证 |
| 7.6 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 未来工作展望 |
| 参考文献 |
| 附录1 攻读博士学位期间撰写的论文 |
| 附录2 攻读博士学位期间参加的科研项目 |
| 致谢 |
（6）车对路边单元的无线信道测量与建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 车载无线信道的研究现状 |
| 1.3 论文主要研究内容及章节安排 |
| 2 无线信道的基础理论与实验测量 |
| 2.1 无线信号传播机理 |
| 2.2 无线信道模型 |
| 2.3 无线信道测量 |
| 2.4 本章小结 |
| 3 车对路边单元信道的路径损耗模型 |
| 3.1 引言 |
| 3.2 无线链路分类 |
| 3.3 LOS链路下的路径损耗模型 |
| 3.4 NLOSf链路下的路径损耗模型 |
| 3.5 性能分析与验证 |
| 3.6 本章小结 |
| 4 车对路边单元信道的大尺度衰落分析 |
| 4.1 引言 |
| 4.2 无线链路分类 |
| 4.3 大尺度衰落信道建模与验证 |
| 4.4 大尺度衰落相关性分析 |
| 4.5 本章小结 |
| 5 车对路边单元信道的小尺度衰落分析 |
| 5.1 引言 |
| 5.2 小尺度衰落的分类 |
| 5.3 小尺度衰落的统计特性 |
| 5.4 最优统计分布判决 |
| 5.5 信道建模与验证 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 |
| 1.1 植物穿透深度的存在性讨论 |
| 1.2 植物的穿透深度与天线高度之间的关系 |
| 附录2 攻读博士学位期间的主要成果 |
（7）基于分形理论的无线多接入信道空间相关性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词中英对照 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容和章节安排 |
| 2 基于分形理论的无线信道空间相关性研究 |
| 2.1 背景及研究现状 |
| 2.2 分形理论基础 |
| 2.3 基于分形理论的蜂窝网络覆盖测量方案 |
| 2.4 测量结果分析 |
| 2.5 本章小结 |
| 3 5G分形微小区网络覆盖和切换性能研究 |
| 3.1 背景及研究现状 |
| 3.2 系统模型 |
| 3.3 分形微小区覆盖及接入概率分析 |
| 3.4 分形微小区切换性能分析 |
| 3.5 仿真结果 |
| 3.6 本章小结 |
| 4 基于信道空间相关性的无线多接入信道估计研究 |
| 4.1 背景及研究现状 |
| 4.2 系统模型 |
| 4.3 无线多接入信道空间相关性分析 |
| 4.4 分形信道估计方案设计 |
| 4.5 仿真结果 |
| 4.6 本章小结 |
| 5 基于分形特性的自适应传输研究 |
| 5.1 背景及研究现状 |
| 5.2 分形信道模型 |
| 5.3 无线分形多接入信道容量分析 |
| 5.4 分形信道码率自适应方案设计 |
| 5.5 仿真结果 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 下一步工作的展望 |
| 致谢 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果 |
（8）改进的最大多普勒频移估计方法及其应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的意义 |
| 1.2 无线信道最大多普勒频移估计研究现状 |
| 1.3 本文主要研究内容与结构安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文结构安排 |
| 1.4 本章小节 |
| 第二章 无线信道理论及建模方法 |
| 2.1 无线信道理论 |
| 2.1.1 无线信道基础 |
| 2.1.2 无线信道类型 |
| 2.1.3 无线信道特征参数 |
| 2.2 无线信道模型 |
| 2.2.1 瑞利衰落信道模型 |
| 2.2.2 莱斯衰落信道模型 |
| 2.3 无线信道模型分析 |
| 2.4 本章小节 |
| 第三章 一种瑞利信道最大多普勒频移估计方法 |
| 3.1 无线信道最大多普勒频移估计方法 |
| 3.1.1 电平通过率法 |
| 3.1.2 零通过率法 |
| 3.1.3 包络自相关函数法 |
| 3.1.4 均方包络自相关函数法 |
| 3.1.5 常用最大多普勒频移估计方法性能对比分析 |
| 3.2 基于奇异熵增量曲率的最大多普勒频移估计改进方法 |
| 3.2.1 奇异熵增量理论 |
| 3.2.2 算法改进思路 |
| 3.2.3 基于奇异熵增量曲率的改进方法的理论分析 |
| 3.2.4 实验分析 |
| 3.3 本章小节 |
| 第四章 一种SIMO系统的最大多普勒频移估计方法 |
| 4.1 SIMO系统模型 |
| 4.2 SIMO系统最大多普勒频移估计改进方法 |
| 4.2.1 算法改进思路 |
| 4.2.2 信道类型判别方法 |
| 4.2.3 基于偏差值剔除的最大多普勒频移估计方法理论分析 |
| 4.3 实验研究 |
| 4.3.1 实验设置 |
| 4.3.2 实验分析 |
| 4.4 本章小节 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）基于信道估计及其利用的辐射源聚类算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景和意义 |
| 1.2 国内外研究历史和现状 |
| 1.3 本论文的结构安排 |
| 第二章 基于信道特征差异的辐射源智能分选技术方案概述 |
| 2.1 研究问题描述 |
| 2.2 模型与关键技术难点分析 |
| 2.2.1 问题模型 |
| 2.2.2 关键技术难点分析 |
| 2.3 技术方案 |
| 第三章 基于截获信号的信道冲击响应盲估计 |
| 3.1 无线信道特性 |
| 3.1.1 无线电波传播基本模式 |
| 3.1.2 无线信道衰落特性 |
| 3.1.3 无线多径信道数学模型 |
| 3.2 基于盲均衡算法的信道冲击响应提取方案 |
| 3.2.1 盲均衡算法原理 |
| 3.2.2 修正的常数模算法 |
| 3.2.3 信道冲击响应的提取 |
| 3.3 基于截获信号的信道冲击响应盲估计仿真实验 |
| 3.3.1 盲均衡算法仿真 |
| 3.3.2 信道冲击响应提取仿真实验 |
| 3.3.3 基于实际通信系统的信道冲击响应提取 |
| 3.3.4 基于MCMA算法的信道冲击响应提取正确率 |
| 3.4 本章小结 |
| 第四章 基于信道冲击响应的辐射源聚类分析 |
| 4.1 聚类技术 |
| 4.1.1 概述 |
| 4.1.2 聚类算法的基本定义 |
| 4.1.3 距离度量函数 |
| 4.2 常用的聚类算法 |
| 4.3 本设计使用的聚类算法 |
| 4.3.1 基本顺序算法 |
| 4.3.2 基于密度的聚类算法 |
| 4.4 基于信道冲击响应的降维算法分析 |
| 4.4.1 主成分分析算法 |
| 4.4.2 基于方差的降维方法 |
| 4.5 基于信道冲击响应的聚类算法仿真分析 |
| 4.5.1 基于仿真数据的聚类算法仿真实验 |
| 4.5.2 聚类算法结果展示形式 |
| 4.5.3 基于实测数据的聚类算法仿真实验 |
| 4.5.4 聚类算法参数选择分析 |
| 4.6 本章小结 |
| 第五章 基于实测系统的辐射源智能分选试验验证 |
| 5.1 实验验证方案 |
| 5.1.1 实验平台设备 |
| 5.1.2 实验系统设计 |
| 5.2 试验中的聚类处理流程 |
| 5.3 基于信道冲击响应的辐射源分选实测试验 |
| 5.3.1 实验设计 |
| 5.3.2 实验参数 |
| 5.3.3 数据处理及结果分析 |
| 5.4 无线信道影响因素分析 |
| 5.4.1 实验设备及实验参数 |
| 5.4.2 不同实验场景的影响 |
| 5.4.3 收发天线角度的影响 |
| 5.4.4 收发天线距离的影响 |
| 5.5 信源参数对提取的信道冲击响应的影响 |
| 5.5.1 实验设计 |
| 5.5.2 码的影响 |
| 5.5.3 调制方式的影响 |
| 5.5.4 载波频率的影响 |
| 5.5.5 信号带宽的影响 |
| 5.6 相关结论 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（10）基于自适应分布式压缩感知重建算法的无线信道估计研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 压缩感知理论研究背景 |
| 1.1.2 分布式压缩感知理论发展现状 |
| 1.1.3 OFDM系统简述 |
| 1.1.4 无线信道估计技术简述 |
| 1.2 论文的结构安排 |
| 第二章 分布式压缩感知理论介绍 |
| 2.1 传统压缩感知理论模型 |
| 2.2 传统压缩感知重建算法 |
| 2.2.1 分段弱正交匹配追踪算法 |
| 2.2.2 稀疏度自适应匹配追踪算法 |
| 2.3 分布式压缩感知理论模型 |
| 2.4 分布式压缩感知重建算法 |
| 2.4.1 一步贪婪算法 |
| 2.4.2 DCS-同步正交匹配追踪算法 |
| 2.5 本章小结 |
| 第三章 OFDM系统和无线信道估计 |
| 3.1 OFDM系统 |
| 3.1.1 OFDM系统模型 |
| 3.1.2 OFDM特点与应用 |
| 3.2 无线信道特性 |
| 3.2.1 频率选择性信道 |
| 3.2.2 时间选择性信道 |
| 3.2.3 时频双选择性信道 |
| 3.3 无线信道估计 |
| 3.3.1 无线信道估计的传统方法 |
| 3.3.2 基于压缩感知的无线信道估计 |
| 3.4 本章小结 |
| 第四章 一种改进的自适应分布式压缩感知重建算法 |
| 4.1 分布式压缩感知自适应重建算法 |
| 4.1.1 自适应重建算法的必要性 |
| 4.1.2 DCS-稀疏度自适应匹配追踪算法 |
| 4.2 改进的自适应分布式压缩感知重建算法 |
| 4.3 仿真结果与性能分析 |
| 4.3.1 不同算法信号重建性能的比较 |
| 4.3.2 测量信号长度变化对不同重建算法影响的研究 |
| 4.3.3 联合稀疏信号个数对不同重建算法影响的研究 |
| 4.3.4 信号稀疏度变化对不同重建算法影响的研究 |
| 4.3.5 不同算法时间复杂度的比较 |
| 4.4 本章小结 |
| 第五章 基于改进的自适应分布式压缩感知算法的时频双选信道估计 |
| 5.1 时频双选择信道估计模型 |
| 5.1.1 时频双选信道OFDM系统模型 |
| 5.1.2 联合稀疏的CE-BEM信道模型 |
| 5.1.3 基于DCS的时频双选信道估计模型 |
| 5.2 基于自适应分布式压缩感知重建算法的信道估计算法 |
| 5.3 仿真结果与性能分析 |
| 5.3.1 DCS-IMSAMP信道估计算法中阈值相关参数?取值的研究 |
| 5.3.2 DCS-IMSAMP信道估计算法中初始步长d取值的研究 |
| 5.3.3 不同信道参数对信道估计算法性能影响的研究 |
| 5.3.4 不同信道估计算法时间复杂度的比较 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
四、无线信道的应用模型和估计（论文参考文献）
- [1]高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究[D]. 张瑞齐. 北京交通大学, 2021(02)
- [2]智慧标识网络中边缘计算服务的任务卸载和资源适配研究[D]. 李雪靖. 北京交通大学, 2021
- [3]面向智能交通的时变方向性信道测量与建模研究[D]. 杨汨. 北京交通大学, 2021
- [4]基于机器学习的时变信道数据处理与信道建模方法研究[D]. 黄晨. 北京交通大学, 2021(02)
- [5]室内人-机-物复杂场景下的无线传播模型研究[D]. 佘骏. 南京邮电大学, 2020(03)
- [6]车对路边单元的无线信道测量与建模研究[D]. 李伟. 华中科技大学, 2020(01)
- [7]基于分形理论的无线多接入信道空间相关性研究[D]. 陈嘉琦. 华中科技大学, 2020(01)
- [8]改进的最大多普勒频移估计方法及其应用研究[D]. 姚永健. 合肥工业大学, 2020(02)
- [9]基于信道估计及其利用的辐射源聚类算法研究[D]. 范云婷. 电子科技大学, 2020(08)
- [10]基于自适应分布式压缩感知重建算法的无线信道估计研究[D]. 宋玉鸣. 南京邮电大学, 2019(02)