Jun, 2008

关于衰落认知多路接入和广播信道的遍历和容量

PDF
TL;DR本文研究了在现有主要无线电网络下采用频谱共享的辅助或认知无线电（CR）网络的信息论极限。研究了多个辅助用户在在其各自的传输功率约束和一个应用于主要接收器之一的干扰功率约束下，向辅助基站（BS）发送信号的信道模型。在辅助发射机的不同状态下，以及每个主要接收器应用的长期或短期干扰功率约束下，导出了辅助用户的最优功率分配方案，以实现信道容量的无穷期望总和。对于辅助网络的动态时分多址（D-TDMA）方案的优化条件也得到了研究探讨。研究了在辅助基站下行链路传输的信道模型（C-BC），并论证了对于所有传输功率和干扰功率约束的组合，D-TDMA 都是实现信道容量的无穷期望总和的最优方案。
cognitive radio networkspectrum sharingpower allocationdynamic time-division-multiple-accessergodic sum capacity
发现论文，激发创造
  • 认知无线电网络中利用多天线进行机会式频谱共享

    研究了二次用户在交互式无线通信过程中的最大吞吐量和最小化每个主接收器产生的干扰之间的权衡，并通过利用二次发射机处的多天线，从信息理论的角度对该基本权衡进行了表征，以实现对时空和频率域中的机会光谱共享。

    Nov, 2007

  • 面向自主与分布式底层动态频谱访问的神经网络认知引擎

    本文介绍了利用人工神经网络进行自主分布式的次级网络的控制策略，并通过预测次级网络对主网络的干扰来解决干扰限制和认知无线电之间的信息交流等问题，以实现更精细的下层传输功率控制和更高的传输机会。

    Jun, 2018

  • 认知无线电网络中的干扰信道的受约束贝叶斯主动学习

    本文提出了一种顺序探测方法，用于允许中央认知无线电网络（CRN）在设计的主用户（PU）保护规范下访问主用户（PU）的频带，并用二进制 ACK / NACK 数据包来学习 PU 干扰约束，我们在 Active Learning (AL) 框架内研究了这个受限设计问题，并提出采用 Expectation Propagation（EP）方法的最优解，并通过数值模拟来演示该解决方案的性能。

    Oct, 2017

  • 大规模 MIMO 多用户接入信道的容量与具有相关天线的分布式集合

    本文提出了大规模 MIMO 天线通道的确定性等效和评估容量实现输入协方差矩阵的算法。研究基于大维随机矩阵理论，在终端天线数量无限接近于无穷大的假设下做了相关推导。结果易于计算，精确性较高，并且不受多种衰落分布影响。

    Sep, 2012

  • 分布式学习和带对数遗憾的认知介质访问算法

    针对多个次要用户的认知网络中的分布式学习和信道访问问题，提出了一种在没有显式信息交换或事先协议的情况下实现自我博弈下（即在所有次要用户实现）达到最佳认知系统吞吐量的分布式学习和访问策略，并被证明其能够实现渐近下限，同时在次要用户数量为已知和未知且通过反馈进行估计两种情况下都有一定优化表现。

    Jun, 2010

  • 干扰受限无线网络中的有限反馈下行空分多址技术

    本研究考虑了零干扰波束成形在去中心化网络中的应用，研究了在干扰限制的无线网络中空分多址技术的网络吞吐量和性能表现，发现单流传输是大多数实际相关场景下的最优选择。

    Mar, 2011

  • 大规模 MIMO 系统的和速率和功率缩放与信道老化

    研究了大规模 MIMO 系统在信道老化情况下的可实现总速率，包括采用最大比合并或零强制接收机的上行情况和采用信道预测方法的影响，得出了最小可实现总速率和信道老化、信道预测对发射功率缩放规律的影响，发现信道老化和信道预测会分别降低或提高有效信干比，从而影响可实现总速率。

    Oct, 2015

  • 有限块长度下准静态多天线衰落信道

    本文探索了在具有和不具有在发射机和 / 或接收机处的信道状态信息（CSI）的情况下，给定块长度和误码率的准静态多输入多输出（MIMO）衰落信道的最大可实现速率。主要发现是，尽管失效容量是一个渐进量，但它是慢衰落信道有限块长度基本极限的尖锐代理。特别是，在分析可行性的边界和实现边界的基础上，显示了通道色散为零，不管衰落实现是否在发射机和接收器上都可用，还是在其中之一或两者都不可用。

    Nov, 2013

  • 并发赌博机与认知无线电网络

    提出一种结合 epsilon-greedy 学习规则和避碰机制的算法，用于解决多用户共享多臂赌博问题，应用于认知无线电网络中，实验证明相比其他算法，该算法在此环境中可以显著提高性能，并取得次线性遗憾。

    Apr, 2014

  • 多路径衰落信道上的模拟梯度下降学习

    本研究针对大型无线网络上的多路访问信道（MAC）上的分布式学习问题，开发了一种新颖的 GBMA 算法，通过使用共同波形传输局部梯度的模拟函数来更新估计，GBMA 不需要功率控制或波束成形来消除衰落效应，并直接处理噪声失真的梯度。我们在理论上分析了 GBMA 的性能，并证明了它可以接近中心梯度下降（GD）算法的收敛速度，在大型网络中确立了误差的有限样本界限。此外，当节点数量增加时，我们还提供了逼近中心收敛速度的能量缩放定律。最后，实验结果支持了理论发现，并使用合成和真实数据展示了 GBMA 的强大性能。

    Aug, 2019