- 博客(7)
- 资源 (2)
- 收藏
- 关注
原创 网络边缘的使能智能:联邦学习
摘要:机器学习和无线技术的迅速发展正在为未来网络创造新的范式,人们期望通过大量数据集的推理获得更高程度的智能、并能够及时对当地响应作出反应。由于终端设备产生的海量数据,以及人们对隐私信息共享的日益关注,一个新的机器学习模型分支——联邦学习在人工智能和边缘计算的交叉领域应运而生。与传统的机器学习方法相比,联邦学习将模型直接带到设备中进行训练,将得到的参数发送到边缘服务器。该模型在设备上的本地副本带来了消除网络延迟和保护数据隐私的巨大优势。然而,要是联邦学习成为可能,我们需要应对新的挑战,这些挑战需要从根本
2020-08-14 23:06:51 2761 1
原创 无线通信系统中的莱斯分布
一、场景当接收信号中有视距传播的直达信号时,视距传播成为主要接收分量,同时还有不同角度随机到达的多径信号叠加在这个主信号分量上,这时的接收信号包络服从莱斯分布。值得注意的是,莱斯分布适用于一条路径明显强于其他多径的情况,但并不意味着这条路径是直射径,在非直射系统中,如果源自某一散射路径的信号功率特别强,信号的衰落也会服从莱斯分布。二、推导不失一般性,为了便于推导,我们考虑一种最简单的情况,即视距信号是主要信号分量,多径传播看作是窄带随机噪声。发送:接收:其
2020-08-09 00:34:19 6655 1
原创 无线通信系统中的莱斯分布MATLAB仿真
一、场景1、当接收信号中有视距传播的直达信号时,视距传播成为主要接收分量,同时还有不同角度随机到达的多径信号叠加在这个主信号分量上,这时的接收信号包络服从莱斯分布。2、更一般的场景:莱斯分布适用于一条路径明显强于其他多径的情况,但并不意味着这条路径一定是直达路径,在非直射系统中,如果某一散射路径的信号功率特别强,信号的衰落也会服从莱斯分布。是否存在一条路径明显强于其他多径是是莱斯分布和瑞利分布的显著依据。二、代码1、莱斯信道存在强路径的多径传播,该强路径可以是直达路径或者是多径中的某一径
2020-08-06 00:39:05 12487 5
原创 无线通信中多径传播包络服从瑞利衰落衰落MATLAB仿真
无线通信中多径传播引起的瑞利衰落信道MATLAB仿真1、瑞利信道(多径传播叠加)function [r,x,y] = raychan(n) %n:路径数%x:叠加后信号实部%y:叠加后信号的虚部%r:信号包络t=1; v=50; lamda=1/3;%t、v、lamda初始化值alpha = rand(1,n); %产生n条路径的幅度向量phi = 2*pi*rand(1,n); %产生n条路径的相位向量s = alpha.*(exp(j.*phi))*ones(1,n)';
2020-08-05 00:12:48 3502
原创 IRS综述2:面向智能可重构环境——智能反射面辅助的无线通信网络
IRS是一种全新的革命性技术,它通过使用大量低成本无源反射单元组成的平面智能地重构无线传输环境,显著提高无线通信网络的性能。具体说,不同的IRS单元通过控制入射信号的幅度和/或相位可以独立反射入射信号,从而协同实现细粒度的三维波束成形,用于定向信号的增强和抵消。本文,首先介绍了IRS技术概况,包括他在无线通信中的主要应用、相对于现有技术的竞争优势、硬件架构、响应的新的信号模型。然后,我们解决了设计和实现IRS辅助的混合(有源和无源并存)无线通信网络方面的关键性,传统网络仅包含有源器件。
2020-07-28 00:05:10 13767
原创 IRS综述:智能反射面研究——面向6G无线通信网络
智能反射面(IRSs)通过调整无线环境来提高频谱和能源利用率。鉴于最近业界对IRSs的关注,将其看作是6G无线通信的潜在技术,我们将IRSs近期研究情况进行如下的分类整理。对于IRSs辅助的通信系统,包括容量/数据率分析、功率/频率优化、信道估计、基于深度学习的设计、可靠性分析。然后,我们回顾IRSs的实现以及IRSs在安全通信、终端定位和其他新用途的应用。展望IRSs在6G通信网络中发挥的重要作用,我们进一步确定了IRSs未来的研究方向,正如大规模MIMO在5G中的应用。
2020-07-25 15:42:01 33515
原创 信道建模(大尺度、小尺度、莱斯衰落、瑞利衰落、莱斯信道、瑞利信道)
本文介绍了无线通信领域信道建模的基础知识。具体介绍了大尺度衰落和小尺度衰落的产生机理,以及莱斯信道与瑞利信道的建模方法,对无线通信领从业者,特别是对初学者具有一定的价值。本文意在抛砖引玉,欢迎各路大神不吝赐教。
2023-02-11 13:38:35 20701 6
随机过程联合概率密度函数坐标系转换中的雅各比行列式及其与重积分坐标转换中雅各比行列式的比较.docx
2020-08-09
通信系统中多径传播引起的瑞利衰落模型推导.docx
2020-08-03
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人