大规模多输入多输出(MIMO,multiple-inputmultiple output)技术被认为是下一代移动通信的核心技术之一,其系统增益建立在基站能够精确获知信道状态信息(CSI,channel state information)的基础上。由于天线数量显著增长,传统基于码本或...
详细信息
大规模多输入多输出(MIMO,multiple-inputmultiple output)技术被认为是下一代移动通信的核心技术之一,其系统增益建立在基站能够精确获知信道状态信息(CSI,channel state information)的基础上。由于天线数量显著增长,传统基于码本或矢量量化的反馈方案面临较大的技术挑战,而深度学习(DL,deep learning)为解决大规模MIMO系统的CSI反馈问题提供了新思路。围绕大规模MIMO系统CSI反馈关键技术展开调研,首先阐述了CSI反馈的研究背景和意义,接着构建大规模MIMO系统模型并分析CSI的稀疏特性,然后详细介绍和比较了国内外将DL技术引入CSI反馈机制中的方案,最后对基于DL的CSI反馈的未来发展趋势做了进一步展望。
针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题，本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先，对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型...
详细信息
针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题，本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先，对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输入.其次，针对混叠信号中扫频、定频信号以及跳频信号之间发生频率碰撞对检测精度的影响，在C2f层中引入可变形卷积核（Deformable Convolutional Net-works v2,DCNv2）提高网络特征提取的泛化能力.再次，在Backbone层中加入SimAM注意力机制，解决低信噪比下背景噪声易与跳频信号混淆影响检测精度的问题.最后，将Detect检测头的卷积核替换为局部卷积核（Partial Convolution,PConv），在mAP@0.5精度损失不超过0.37%的情况下使网络计算复杂度降低32.18%，提高网络模型的推理速度.实验结果表明，本文所提算法在信噪比为-5 dB时分选率达到97.68%，且模型收敛快，鲁棒性强.
暂无评论