大规模MIMO系统中基于CNN的延迟CSI反馈改进算法

在大规模多输入多输出（Multiple-Input Multiple-Output，MIMO）系统中，基站根据用户反馈的信道状态信息进行自适应编码调制以提高频谱效率，因此需要将用户侧估计到的信道状态信息反馈到基站。由于反馈过程存在的延迟会降低系统性能，因此在考虑延迟的情况下，对基于深度学习的信道状态信息自编码器CsiNet进行改进，使用下行信道的延迟状态信息作为信道状态信息自编码器的期望输出信号来对自编码器进行训练，减少了反馈延迟误差的影响。仿真结果表明，在延迟为1时隙时，所提方案的归一化均方误差(Normalized Mean Square Error,NMSE)仅为自回归-主成分分析方案、基于压缩感知的方案和基于卷积神经网络的CsiNet方案的1/8~1/7，并且随着时隙增加，NMSE性能提升越明显。     

基于压缩感知的大规模MIMO下行信道状态信息获取

信道状态信息（Channel State Information,CSI）对于大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）发挥高性能至关重要。但在上下行传输信道不存在互易性的频分双工（Frequency Division Duplex,FDD）制式下,若采用传统的信道估计方法会给CSI的获取带来巨大的导频开销和计算量。考虑利用大规模 MIMO 信道的虚角域稀疏性来减少获取CSI所需开销,在此基础上进一步研究了大规模 MIMO 正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中各子载波信道在虚角域的共同稀疏特性和稀疏支撑集的时间相关特性,达到降低信道维度的目的,则大大减少了基站对 CSI 获取所需的资源开销。同时,为了降低信道稀疏支撑集信息获取所需的导频开销和提高信息的时效性,利用压缩感知技术对支撑集进行估计。仿真结果验证了所提方案性能的优越性。     

含脉冲噪声的洛伦兹双阈值余量追踪信号重构

在压缩感知(CS)技术中,基于最小洛伦兹范数的重构算法在脉冲噪声环境下具有较强的鲁棒性。但是,洛伦兹硬阈值追踪(LHTP)算法采用残差的负梯度更新信号的估计量,从中引入了噪声的影响。基于此,提出了洛伦兹双阈值余量追踪(LDTRP)算法,通过迭代估计的重构误差来修正信号的估计量,并利用残差设置新的野点阈值。实验结果表明,无论信号是否受到噪声影响,LDTRP算法均能获得更好的信号重构质量。另外,在含有脉冲噪声的环境中,相比洛伦兹迭代硬阈值(LIHT)算法与LHTP算法,所提算法降低了对脉冲数量以及脉冲功率变化的敏感度,提高了重构性能。     

活动图象压缩中的运动补偿算法研究

主要介绍活动图象压缩编码中最常用的几种运动补偿的算法——条件补充法和实现运动补偿技术的块匹配算法,梯度算法,傅立叶变化方法,其中也提出了用模糊数学处理方法,并指出,为了加快运动补偿向量的计算,搜索路径采取逐渐向外扩张的方式在运动较小的会议电视和可视电话中得到广泛应用;另一方法是计算象子块运动补偿时,只要所设定的(i,j)值的象块和原象块的相关系数达到一定的门限值就停止搜索,也会大大加快搜索的速度。