针对超大规模多输入多输出(MIMO,multiple-input multiple-output)正交时频空间(OTFS,orthogonal time frequency space)系统,提出了一种适用于高速移动场景的低复杂度下行信道估计方法。不同于现有研究,该方法考虑了超大规模MIMO-OTFS...
详细信息
针对超大规模多输入多输出(MIMO,multiple-input multiple-output)正交时频空间(OTFS,orthogonal time frequency space)系统,提出了一种适用于高速移动场景的低复杂度下行信道估计方法。不同于现有研究,该方法考虑了超大规模MIMO-OTFS系统显著的空间非平稳特性,基于可视路径区域提出了一种低复杂度的增强型稀疏正交匹配追踪算法,利用频分双工(FDD,frequency-division duplex)模式中上下行信道的映射关系实现上行辅助的下行信道估计。仿真结果表明,所提上行辅助的下行信道估计方法能够充分考虑信道非平稳特性,在降低计算复杂度的同时显著提高信道估计性能,并且在高速移动物联网场景下表现良好。
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...
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