一、智能天线系统仿真研究(论文文献综述)
王月,黄玉玲[1](2021)在《无人机测控通信系统中智能天线技术分析》文中研究表明近年来,无人机的出现与应用得到了良好的发展前景,但在实践应用中,无人机测控与信息传输系统中,其地面设备缺乏灵活性,同时其跟踪速度也非常慢,无法满足实际需求。针对此,本文提出了智能天线技术,就是将智能天线用作地面设备的天线,而后通过搭建测控通信系统仿真模型,及其算法设计,而后根据仿真结果,验证了智能天线技术的应用,在极大程度上提高无人机的精确跟踪能力,同时,也使得有用信号信噪比得以提升,提高了抗干扰性。
任春慧,刘升,张伟康,张微微[2](2021)在《柯西变异的骆驼算法优化与应用》文中指出针对骆驼算法(Camel Algorithm,CA)在执行效率低及易陷入局部最优停滞等问题,提出了改进的骆驼算法(Modified Camel Algorithm,MCA)。该算法基于骆驼的行进行为,通过在全局位置处引入柯西分布函数进行变异,使得个体受局部极值点约束力下降,提高局部寻优能力,减少原始算法中使用的设置参数的数量,具有较高的计算速度和简化的结构。通过标准测试函数对MCA与CA,乌鸦搜索算法(Crow Searching Algorithm,CSA)和粒子群优化算法(Particle Swarm Optimization,PSO)进行低维与高维测试对比,实验结果表明该改进算法表现出更好的运行效率和寻优能力。通过优化受约束的工程应用即抗干扰智能天线优化来验证MCA的性能,该算法能够使天线系统到达确定的方向来完美消除干扰信号,提高在实际应用中的精度、速度与稳定性。
安娜[3](2021)在《2.1GHz频段5G NR与现有通信系统的兼容性分析研究》文中提出2020年,随着5G业务量的不断上升,频谱资源的需求量将持续增加,未来5G的全面部署将面临频谱资源短缺和建设运维成本大的问题。根据我国通信系统的实际部署情况,现考虑在2.1GHz频段进行频谱重耕,探索该频段部署NR FDD系统的可能性。在该频段进行频谱重耕,可提高频谱资源利用率,充分利用低频段频谱资源优越的传播特性;同时可充分利用已有的通信网络基础建设,减少5G网络全面覆盖时的运维成本。频谱重耕的前提是确保预部署系统和该频段已部署通信系统间的干扰在各系统的干扰评估准则之内。基于上述需求和企业需求,论文结合理论分析,搭建系统级仿真平台模拟2.1GHz频段NR FDD系统和LTE FDD系统、WCDMA系统、MSS系统的干扰共存。本文的研究内容主要分为三部分:(1)NRFDD系统与LTE FDD系统的共存研究。明确了 2.1GHz频段NR FDD系统和LTE FDD系统基站和用户间的干扰场景,确定各自系统的干扰评估准则。计算上下行链路的隔离度ACIR。通过蒙特卡洛方法搭建系统级仿真平台,并不断校准,保证仿真结果的可靠性。给出了仿真平台的整体架构、关键子模块的实验方案。基于仿真平台,给出了两系统在2.1GHz频段的邻频共存结果。(2)NRFDD系统与WCDMA系统的共存研究。确定两系统间干扰的研究场景和研究假设,计算隔离度ACIR。搭建静态仿真平台,给出仿真平台中WCDMA系统架构和关键子模块功率控制模块的实验方案。分析不同部署方式、不同NR系统功率控制参数、不同天线相同系数下,两系统在2.1GHz频段临频共存所需的额外隔离度。(3)NRFDD系统与MSS系统的干扰共存研究。明确NR FDD系统和GEO卫星通信系统在2.1GHz频段共存时地对空、空对地、地对地的四种干扰场景和干扰评估准则。计算两系统间的隔离度ACIR。搭建仿真平台,给出仿真平台中MSS系统架构和关键子模块包括网络拓扑等的实验方案。分析NR系统功率控制参数、天线的相关系数和水平维度对两系统在2.1GHz频段临频共存的干扰影响。
何伟[4](2020)在《基于深度学习的5G大规模MIMO天线参数优化研究》文中研究说明5G系统的大规模MIMO天线需要根据小区中的用户分布频繁、实时地调整天线的方位角、下倾角和波束组合,以提高蜂窝网络的覆盖和接入性能。由于联合优化蜂窝网络中所有小区的天线参数非常复杂,传统的基于专家经验等静态配置方案已不能满足灵活快速的自适应天线配置的要求。本文提出了一种新颖实用的基于深度强化学习的实时三维大规模MIMO天线参数优化算法,用于联合优化蜂窝网络中各小区的天线参数。该智能天线优化算法在5G仿真平台上进行训练和执行,前期的准备工作包括用户和业务行为模拟,相关的用户分布和天线参数数据的产生和预处理,以及用户参考信号接收功率查询数据库的搭建。算法的具体研究分为两个阶段:第一个阶段是针对固定用户分布提出了智能天线优化算法,采用Policy Gradient框架,对输入神经网络的单个用户分布进行多轮次的训练,得到一个单用户分布强化学习模型,根据该模型可输出一个在该用户分布下较优的天线参数码本;第二个阶段是针对多场景用户分布提出了智能天线优化算法,采用Asynchronous Advantage Actor-Critic框架,将不同的用户分布输入到不同线程的神经网络进行异步训练,得到一个多用户分布强化学习模型,根据该模型可输出在训练集中的用户分布下较优的天线参数码本。最后在不同场景下与静态天线配置方案进行性能比较,本文提出的智能天线优化算法的平均用户参考信号功率提高了 2-4.3%,证明使用了智能天线优化算法的小区覆盖和接入性能优于专家经验的静态配置方案,表明使用机器学习、深度学习等人工智能方法,解决实际网络规划中的复杂问题可行的。
马巧娣[5](2020)在《GSM-R系统中智能天线DOA估计算法研究》文中研究说明随着我国铁路运输业的飞速发展,列车的行驶速度不断提高。由于铁路通信系统信道的快速时变特性,而引发了信道中的干扰、多径衰落、容量损失和频谱效率降低等一系列问题,这对铁路专用移动通信系统GSM-R提出了更高的要求。近年来智能天线技术在移动通信系统中的成功应用为解决这些问题带来了新思路。智能天线早期应用于军事通信、雷达和声呐等领域,可实现空间滤波和识别定位。后因其可以显着降低移动通信系统中的干扰、减少信号衰落、提高系统容量以及实现移动台定位等优势而被发展应用于更多复杂的移动通信环境中。其中DOA(Direction of Arrival,波达方向)估计作为智能天线的核心技术,在很大程度上决定着智能天线的性能。经过长期的研究,现已出现了很多经典的DOA估计算法。本文对传统类和基于子空间类的DOA估计算法进行了详细的介绍并仿真比较。仿真结果显示,基于子空间的MUSIC、Root-MUSIC、ESPRIT和LS-ESPRIT算法都能够实现高分辨率的DOA估计。但这类算法仅适用于静态场景中,而铁路移动通信系统GSM-R的高速移动会引起信源位置时刻变化,因此需要对GSM-R系统中的信源DOA进行实时跟踪以提高DOA估计的可靠性。基于上述分析,本文在最后一章首先建立了采用智能天线技术的GSM-R系统结构的简单模型,并分析了GSM-R系统中高速移动状态下的智能天线阵列信号数学模型,进而展开对适用于GSM-R系统的DOA跟踪算法的研究。目前,比较具有代表性的子空间跟踪算法,PASTd(Projection Approximation Subspace Tracking with deflation,紧缩近似投影子空间跟踪)算法,因其实时性强、计算量小、收敛快而被广泛应用到DOA跟踪中。而由于现实中高速列车复杂的行驶环境,可能存在列车接收信号DOA比较靠近或变化轨迹出现交叉重合的情况,对此,PASTd跟踪算法不能做到准确地匹配跟踪。为解决这一问题,本文研究了一种将卡尔曼滤波器与PASTd算法相结合的算法并对此算法进行了简化。最后通过仿真实验验证,简化的结合算法不仅能够实现高速移动的GSMR系统中DOA的实时准确地跟踪估计,而且复杂度低。
陈炀[6](2020)在《基于机器学习的通信信号调制识别技术研究》文中进行了进一步梳理调制信号识别技术是无线通信领域中的一种基础技术,也是通信接收系统中的一个重要环节。它介于信号检测和信号解调之间,主要对调制信号进行智能接收和处理。为了获取通信信息,首先要判断接收到信号的调制方式,之后才能进行正确解调以及随后的信息处理和分析。如今是一个信息技术日新月异的时代,各种通信技术不断进行更新。无线通信的信道环境越来越复杂,通信信号的调制方式相应的也变得更加多样和复杂,这对调制信号识别技术带来了新的挑战及问题。本论文研究基于机器学习的数字信号调制识别算法,主要完成的工作如下:(1)给出了一种基于LSSVM技术的调制信号识别算法,克服了基于SVM的调制识别算法实现复杂度较高的缺点。将原算法中SVM分类器替换为LSSVM并完成对调制信号的分类,仿真结果表明两种算法整体性能相当,但基于LSSVM的调制识别算法复杂度更低,计算速度更快。(2)提出了一种基于卷积神经网络模型的深度学习智能调制识别算法,克服了传统调制识别中特征提取依赖人工经验以及算法在低信噪比下性能较低的缺点,提高了数字信号在低信噪比下识别的精确率。该算法首先对接收到的调制信号进行预处理,将通信信号的采样数据转换为灰度图像,将其作为神经网络的输入,使用在深度学习架构Py Torch下搭建的VGGNet网络进行训练,对数字调制信号进行特征的自动选择和提取,从而实现了数字调制信号的自动识别。仿真结果表明,在信噪比为-2d B时识别率达到98%以上,要比传统的调制信号识别算法效果好,从而验证了该方法在低信噪比下对数字调制信号识别的有效性。(3)在ARM开发平台上对基于决策树的调制识别算法进行了模拟实现及测试,为基于机器学习的调制识别算法的实现提供了参考。
张超[7](2020)在《三维无线光传感器网络分簇算法研究》文中进行了进一步梳理无线光传感器网络(Optical Wireless Sensor Network,OWSN)的出现是建立在广泛运用的无线传感器网络(Wireless Sensor Network,WSN)和蓬勃发展的无线光通信(Optical Wireless Communication,OWC)技术上的。OWSN吸取了OWC高速率、大容量、高安全性的优势,又继承了WSN低投入、分布式和自组织的特点,使得其发展迅猛。目前,越来越多的科研工作者将研究的目光投向了无线光传感器网络。与WSN类似,OWSN中的节点由于能量有限、数据处理能力弱和存储空间小的不利因素,限制了网络的生存时间和传输量等网络性能。因此,如何更有效的使用节点能量,并尽可能提高网络的存活时间是一个重要的研究方向。其中,网络分簇算法无疑是这个方向的重点。WSN中的经典分簇算法协议——LEACH协议能够有效降低无线传感器网络的能量消耗,但是仍存在簇首选举过于随机、选举簇首时忽视节点能量因素、未考虑节点分布情况等问题。本文针对上述问题,以全向光学智能天线技术为物理基础,根据提出的无线光传感器节点能耗模型,同时参照WSN的相关技术研究,对三维环境下的OWSN分簇算法开展了深入研究。基于LEACH协议的相关理论,本文提出了OWSN环境下的三维分簇算法(Three-Dimensional Clustering Algorithm,TDCA)和三维分簇多跳算法(Three-Dimensional Muti-hop Clustering Algorithm,TDMCA)。在研究TDCA算法时,本文首先讨论了该算法的网络模型和节点能耗模型,以此为基础来论证网络簇首最优个数和簇结构半径,并优化了簇首选举阈值公式,最后详细叙述了簇建立和数据传输过程。而对于TDMCA算法的研究,搭建了多跳结构网络模型,并沿用已经建立的节点能耗模型,分析论证了该算法的网络簇首最优个数和簇结构半径,讨论了簇首的多跳传输,并改进了簇首选举阈值公式,最后详细描述了簇建立和数据传输过程。基于理论研究,本文通过MATLAB仿真软件,对两种三维环境下OWSN的分簇算法进行了仿真验证。结果表明,相对于LEACH协议,两种分簇算法在网络节点能量消耗、节点存活时间和网络接收到的总数据包方面的性能更优。
盛冰清[8](2019)在《面向物联网应用的小型天线设计》文中研究指明随着物联网技术和通信技术的飞速发展,人们对移动通信终端信号传播的要求越来越高。传统的单天线技术因其种种缺点限制已无法满足4G、5G时代的数据传输需求,MIMO多天线技术作为当代通信的核心技术之一则能很好地弥补这些不足。在不额外增加发射功率和工作带宽的前提下,MIMO技术只需通过调整天线单元的数目便能达到提高传输速率、增加系统容量、降低误比特率等目的。同时,移动终端尺寸的小型化趋势也给MIMO天线的设计增加了难度,同频段天线单元间的耦合作用是主要障碍。针对以上问题,本文提出了三种小型化移动设备中的MIMO天线设计方案,主要工作包括:1、提出一种工作于高频WIFI(5.15GHz-5.85GHz)的四单元MIMO小型化终端天线的设计,该结构由三个相同的偶极子天线和一个缝隙天线组成。实测结果显示四个单元的回波损耗均在-10dB以下,隔离度低于-20dB,辐射效率高于70%,最高87%;增益均在2.8dBi以上,最高4.5dBi。2、提出一种面向5G(3.4GHz-3.8GHz,5.15GHz-5.925GHz)的八单元MIMO手持终端天线,高低频天线单元都是由从馈点伸出的辐射贴片和从地点伸出的短路耦合枝节构成。实测结果显示,八个单元的回波损耗在工作频段内均在-6dB以下,高频单元隔离度在-22dB以下,低频单元隔离度在-14dB以下。高、低频单元的辐射效率高于50%,远场增益均大于2.8dBi。3、提出一种面向5G(3.4GHz-3.8GHz,5.15GHz-5.925GHz)的十二单元MIMO手持终端天线,高频单元采用缝隙天线形式,低频单元采用单极子天线形式。实测结果显示,高低频天线在工作频段内回波损耗均低于-6dB,隔离度在-14dB以下。高频单元的辐射效率高于50%,低频单元的辐射效率高于40%,所有单元的远场增益均高于2.2dBi。
尹冬梅[9](2020)在《云无线接入网络波束成形技术研究》文中研究指明随着移动互联网与通信技术的飞速发展,移动数据流量呈指数级增长。采用云无线接入网络(Cloud Radio Access Networks,C-RAN)架构,进行轻量级接入节点的超密集部署,是运营商适应流量需求变化,保持利润的有效方式。然而接入节点密集部署也带来了强干扰和高能耗的问题。协作波束成形能够有效抑制小区间干扰,提升系统性能和资源利用率。因此,在C-RAN中根据其架构的特性以及用户的需求设计协作传输策略,是一个值得研究的课题。本文分别从全网功耗和实用化两个需求出发点对C-RAN中的波束成形技术展开了研究。首先,以降低全网功耗为切入点,设计了一种基于BBU波束成形、前传容量、RRH模式选择和RRH协作波束成形联合优化的无线前传C-RAN网络低功耗传输策略。现有研究缺乏通过对BBU和RRH操作的联合优化,实现全网功率最小化的策略。本文构建了全局网络的功耗模型,将基于BBU波束成形、前传容量、RRH模式选择和RRH协作波束成形联合优化的无线前传C-RAN网络低功耗传输建模为非凸混合整数规划问题。引入组稀疏和连续凸近似方法进行了问题的转化。通过迭代求解获得了使全网功率最小化的BBU波束成形和RRH协作波束成形方案以及休眠RRH集合。仿真结果表明该方案在保证用户Qo S的前提下,可以有效减少网络的能量消耗。其次,以最大化某个优化目标的C-RAN协作波束成形的最优设计存在迭代和求解数学规划问题,导致协作波束成形优化算法复杂度过高。本文提出了基于用户速率公平性的启发式协作波束成形算法。利用最大总发射功率约束下最大化和速率非凸问题(P1)和用户Qo S需求约束下最小化总发射功率重构凸优化问题(P2)的最优解存在的隐含关系和拉格朗日对偶法。在此基础上基于问题P2的KKT条件构建了参数化的最优波束成形的结构表达式。同时,利用问题P1和问题P2在最优解上的隐含关系和问题P2的强对偶性得出最优波束成形方向中参数的约束条件,结合系统信道参数辅助的方法,获得了基于用户速率公平性的启发式协作波束成形方向的闭合表达式。仿真结果表明该启发式波束成形算法和以往启发式波束成形算法相比具有更高的和速率、实现用户间速率公平性以及对CSI误差更稳健等优势。
陈浩[10](2020)在《基于OneNET平台的小型泵站控制系统研究与实现》文中指出随着国家政策扶持乡村全方面发展,农业发展得到了历史性突破。为了让科技更好地服务于农村发展,国家正投入大量人力、物力、财力支持农村产业转型,大力发展智慧农业,缓解农村劳动力的缺失,提高水资源利用率和农作物收获率,推动农业向智能化、高科技化方向发展。根据乡村全方位和智慧农业发展战略,本文是以基于物联网技术进行农业智能化灌溉为研究对象,结合当下移动4G通信技术,设计了一套基于OneNET云平台的小型泵站控制系统,并且在如皋市一体化智能泵站建设中得到了应用。本文主要研究是基于OneNET云平台的小型泵站控制系统的硬件和软件设计。以当前小型泵站发展现状和物联网技术运用为研究背景,分析了现有的4种移动通信技术特点,选定了移动4G通信技术作为控制系统的数据传输与下发的通信方式。硬件部分采用了ARM公司研发的低功耗、高性能单片机STM32F103ZET6作为核心CPU,由4G通信模块供电电路与继电器控制电路等构成外围电路,外围电路还包括:电源电路、晶振电路、复位电路、传感器采集电路以及泵站机房控制电路等。硬件设计考虑到后续的功能需求保留了可扩展部分,这样既节约成本又方便后期升级改造。软件部分充分利用了单片机STM32F103ZET6内部资源和外围电路,集成了数据采集、存储与下发的功能,同时还兼顾了 OneNET云平台数据解析Lua脚本的开发,Lua脚本将传感器传输的数据转换成JSON格式存储在OneNET云平台上。恒压供水系统中利用MATLAB中SIMULINK模块建立电机转速的仿真模型,通过比较PID控制与模糊PID控制效果,最终选定模糊PID控制来实现恒压供水的稳定性。基于OneNET云平台的小型泵站控制系统实现了小型泵站数据采集、通信连接、远程控制、恒压供水灌溉等功能。最终研究设计的控制系统设备在如皋市农村泵站建设中得到了应用,实现了远程监测和控制功能。设计智能泵站控制系统所涉及知识而比较广泛,运用新的科学手段使得小型泵站控制更加人性化、智能化,极大减少了人工日常维护的成本。本次设计开发的控制系统有很高的拓展空间和平台数据安全保障,结合4G通信技术传输速度快、大容量的特点,为以后的升级改造提供了技术支持。
二、智能天线系统仿真研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、智能天线系统仿真研究(论文提纲范文)
(1)无人机测控通信系统中智能天线技术分析(论文提纲范文)
引言: |
一、智能天线技术 |
二、无人机测控通信系统模型 |
三、算法设计 |
3.1波束成形算法 |
3.2 DOA估计算法 |
四、仿真结果 |
五、测试分析 |
六、结束语 |
(2)柯西变异的骆驼算法优化与应用(论文提纲范文)
1骆驼优化算法 |
1.1骆驼行进行为 |
1.2骆驼优化算法 |
2骆驼优化算法的改进 |
2.1柯西变异策略 |
2.2改进的骆驼算法 |
3函数测试与结果分析 |
3.1仿真实验环境 |
3.2测试函数 |
3.3实验的初始参数设置 |
3.4实验结果与分析 |
3.5高维系统中的性能比较 |
4工程优化应用 |
4.1抗干扰智能天线系统 |
4.2抗干扰智能天线优化 |
5结束语 |
(3)2.1GHz频段5G NR与现有通信系统的兼容性分析研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文研究内容与组织架构 |
1.3.1 论文研究内容 |
1.3.2 论文组织结构 |
第二章 系统间干扰共存研究综述 |
2.1 引言 |
2.2 2.1GHz频段通信系统概述 |
2.2.1 5G NR系统 |
2.2.2 LTE系统 |
2.2.3 WCDMA系统 |
2.2.4 卫星移动通信系统 |
2.3 无线通信系统间干扰共存研究 |
2.3.1 干扰原理及类型 |
2.3.2 干扰共存研究方法 |
2.4 本章小结 |
第三章 5G NR系统与LTE系统的干扰共存研究 |
3.1 引言 |
3.2 干扰场景与评估准则 |
3.2.1 干扰场景 |
3.2.2 评估准则 |
3.3 隔离度计算 |
3.3.1 ACLR计算 |
3.3.1.1 NR FDD终端干扰LTE FDD基站的ACIR |
3.3.1.2 LTE FDD终端干扰NR FDD基站的ACIR |
3.3.2 ACS计算 |
3.4 仿真平台设计与实现 |
3.4.1 仿真平台架构 |
3.4.2 仿真平台子模块 |
3.5 仿真结果校准与分析 |
3.5.1 仿真平台校准 |
3.5.2 仿真结果及分析 |
3.6 本章小结 |
第四章 5GNR系统与WCDMA系统的干扰共存研究 |
4.1 引言 |
4.2 干扰场景与保护准则 |
4.2.1 干扰场景 |
4.2.2 保护准则 |
4.3 隔离度计算 |
4.3.1 ACLR计算 |
4.3.2 ACS计算 |
4.4 仿真平台设计与实现 |
4.4.1 仿真平台架构 |
4.4.2 仿真平台子模块 |
4.5 仿真结果分析 |
4.5.1 5G NR系统干扰WCDMA系统 |
4.5.2 WCDMA系统干扰5G NR系统 |
4.5.3 仿真结果小结 |
4.6 本章小结 |
第五章 5GNR系统与MSS系统的干扰共存研究 |
5.1 引言 |
5.2 干扰场景与评估准则 |
5.2.1 干扰场景 |
5.2.2 保护准则 |
5.3 隔离度计算 |
5.3.1 ACLR计算 |
5.3.2 ACS计算 |
5.4 仿真平台设计与实现 |
5.4.1 仿真平台架构 |
5.4.2 仿真平台子模块 |
5.5 仿真结果校准与分析 |
5.5.1 仿真平台校准 |
5.5.2 仿真结果分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 下一步工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文目录 |
攻读硕士学位期间参加的项目 |
(4)基于深度学习的5G大规模MIMO天线参数优化研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 引言 |
1.2 研究背景及意义 |
1.3 本文工作和主要创新点 |
1.4 论文组织结构 |
第二章 数据集的产生和预处理 |
2.1 引言 |
2.2 用户和业务行为模拟 |
2.3 5G大规模MIMO仿真平台 |
2.4 强化学习和用户参考信号接收功率查询数据库 |
2.5 静态配置方案的介绍 |
2.5.1 随机算法 |
2.5.2 均匀算法 |
2.5.3 专家经验算法 |
2.6 本章小结 |
第三章 固定用户分布下的大规模MIMO智能天线优化算法 |
3.1 用户分布读取模块 |
3.2 RSRP库处理模块 |
3.3 查表算法模块 |
3.4 目标函数设计 |
3.5 奖励函数设计 |
3.6 PG算法流程 |
3.7 本章小结 |
第四章 多场景用户分布下的大规模MIMO智能天线优化算法 |
4.1 模型选型 |
4.2 基于A3C框架的智能天线优化算法流程 |
4.3 算法训练过程 |
4.4 本章小结 |
第五章 不同算法实验结果讨论和比较 |
5.1 仿真参数 |
5.2 仿真结果 |
5.3 本章小结 |
第六章 总结和展望 |
6.1 论文总结 |
6.2 未来展望 |
参考文献 |
附录1 |
附录2 |
致谢 |
攻读学位期间发表的学术论文 |
(5)GSM-R系统中智能天线DOA估计算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 智能天线的研究现状 |
1.2.2 DOA估计算法的研究现状 |
1.2.3 DOA跟踪算法的研究现状 |
1.3 本论文研究内容与章节安排 |
第2章 智能天线理论基础 |
2.1 智能天线的基本结构 |
2.2 智能天线的分类 |
2.2.1 波束切换天线阵列 |
2.2.2 自适应天线阵列 |
2.3 智能天线工作原理 |
2.4 DOA估计的基础理论 |
2.4.1 阵列信号数学模型 |
2.4.2 数学模型统计特性 |
2.5 本章小结 |
第3章 DOA估计算法的仿真研究与分析 |
3.1 传统类DOA估计算法 |
3.1.1 延迟-相加法 |
3.1.2 Capon最小方差法 |
3.2 子空间类DOA估计算法 |
3.2.1 MUSIC算法 |
3.2.2 Root-MUSIC算法 |
3.2.3 ESPRIT算法 |
3.2.4 LS-ESPRIT算法 |
3.3 仿真实验与结果分析 |
3.3.1 传统的DOA估计算法仿真分析 |
3.3.2 子空间类的DOA估计算法仿真分析 |
3.4 本章小结 |
第4章 GSM-R系统中的DOA跟踪算法 |
4.1 GSM-R系统中的智能天线技术 |
4.1.1 采用智能天线技术的GSM-R系统结构 |
4.1.2 GSM-R系统中天线阵列接收信号模型 |
4.2 DOA跟踪算法研究 |
4.2.1 PAST与 PASTd算法 |
4.2.2 卡尔曼滤波器算法 |
4.2.3 基于卡尔曼滤波器的PASTd算法 |
4.2.4 简化的基于卡尔曼滤波器的PASTd算法 |
4.3 仿真实验与结果分析 |
4.3.1 DOA估计算法与DOA跟踪算法的仿真分析 |
4.3.2 DOA跟踪算法的仿真分析 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 本文工作总结 |
5.2 本文不足之处和展望 |
致谢 |
参考文献 |
(6)基于机器学习的通信信号调制识别技术研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 论文研究背景 |
1.2 国内外相关技术发展现状 |
1.2.1 基于Bayes的最大似然识别算法 |
1.2.2 基于特征提取的模式识别算法 |
1.2.3 基于神经网络的识别算法 |
1.3 本文研究内容及安排 |
第二章 相关理论基础 |
2.1 数字调制信号 |
2.1.1 振幅键控调制 |
2.1.2 相移键控调制 |
2.1.3 频移键控调制 |
2.2 支持向量机 |
2.2.1 间隔最大化 |
2.2.2 核函数 |
2.2.3 多分类方法 |
2.3 人工神经网络 |
2.3.1 感知机 |
2.3.2 多层感知机 |
2.4 卷积神经网络 |
2.4.1 感受野 |
2.4.2 卷积运算 |
2.4.3 池化操作 |
2.4.4 经典卷积神经网络 |
2.5 本章小结 |
第三章 基于机器学习的调制信号识别算法 |
3.1 基于LSSVM的调制识别算法 |
3.1.1 最小二乘支持向量机 |
3.1.2 调制信号特征提取 |
3.1.3 算法流程 |
3.1.4 相关参数 |
3.1.5 仿真结果 |
3.2 基于VGGNet的调制识别算法 |
3.2.1 深度神经网络VGGNet |
3.2.2 算法流程 |
3.2.3 相关参数 |
3.2.4 仿真结果 |
3.3 本章小结 |
第四章 基于ARM Cortex-M4 的调制识别系统仿真研究 |
4.1 系统硬件设计 |
4.1.1 微控制器选型 |
4.1.2 MCU最小系统电路 |
4.1.3 所需外设资源 |
4.2 系统软件设计 |
4.2.1 决策树分类器 |
4.2.2 调制识别系统流程 |
4.3 相关算法实现 |
4.3.1 加性高斯白噪声 |
4.3.2 希尔伯特变换 |
4.3.3 功率谱估计 |
4.4 系统测试 |
4.4.1 系统参数设置 |
4.4.2 测试结果 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 本文工作总结 |
5.2 研究展望 |
参考文献 |
致谢 |
作者简介 |
(7)三维无线光传感器网络分簇算法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状与发展趋势 |
1.2.1 国外研究现状与发展趋势 |
1.2.2 国内研究现状与发展趋势 |
1.3 论文的主要研究内容 |
1.4 论文结构与章节安排 |
第二章 OWC的理论与关键技术 |
2.1 OWC大气信道分析 |
2.1.1 大气衰减效应 |
2.1.2 大气湍流效应 |
2.1.3 大气信道模型 |
2.2 全向光学智能天线 |
2.3 APT技术 |
2.4 本章小结 |
第三章 WSN的基础概念和分簇算法分析 |
3.1 WSN的网络结构 |
3.2 WSN的网络体系 |
3.3 WSN的拓扑结构 |
3.3.1 WSN的平面分布式结构 |
3.3.2 WSN的分层分布式结构 |
3.4 WSN的分簇算法协议 |
3.4.1 LEACH协议 |
3.4.2 TEEN协议 |
3.4.3 PEGASIS协议 |
3.4.4 HEED协议 |
3.5 本章小结 |
第四章 OWSN的三维分簇算法 |
4.1 算法模型搭建 |
4.1.1 节点模型 |
4.1.2 网络模型 |
4.1.3 能量模型 |
4.2 算法设计详解 |
4.2.1 簇首最优个数 |
4.2.2 簇结构半径 |
4.2.3 簇首选举阈值公式 |
4.2.4 簇建立过程 |
4.2.5 数据稳定传输阶段 |
4.3 算法仿真与分析 |
4.3.1 仿真参数设定 |
4.3.2 场景仿真和分析 |
4.4 本章小结 |
第五章 OWSN的三维分簇多跳算法 |
5.1 算法模型搭建 |
5.1.1 节点模型 |
5.1.2 网络模型 |
5.1.3 能量模型 |
5.2 算法设计详解 |
5.2.1 簇首最优个数 |
5.2.2 簇结构半径 |
5.2.3 簇首选举阈值公式 |
5.2.4 簇建立过程 |
5.2.5 数据稳定传输阶段 |
5.3 算法仿真分析 |
5.3.1 仿真参数设定 |
5.3.2 场景仿真和分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 研究总结 |
6.2 研究展望 |
参考文献 |
致谢 |
作者简介 |
(8)面向物联网应用的小型天线设计(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究的背景与意义 |
1.2 国内外研究现状 |
1.2.1 物联网的发展和研究现状 |
1.2.2 第五代移动通信技术的发展和研究现状 |
1.2.3 小型化终端MIMO天线的发展和研究现状 |
1.3 论文的主要研究内容 |
第二章 MIMO天线系统概述 |
2.1 MIMO通信理论基础 |
2.1.1 MIMO系统容量 |
2.1.2 MIMO系统技术优势 |
2.2 MIMO天线系统特性参数 |
2.3 小型化MIMO天线系统常用天线基本原理 |
2.3.1 偶极子天线 |
2.3.2 单极子天线 |
2.3.3 缝隙天线 |
2.4 本章小结 |
第三章 四单元MIMO天线系统的设计 |
3.1 引言 |
3.2 四单元MIMO天线系统的基本结构 |
3.3 四单元MIMO天线系统仿真与实测结果对比分析 |
3.3.1 四单元MIMO天线系统的仿真结果分析 |
3.3.2 四单元MIMO天线系统的实测结果分析 |
3.4 本章小结 |
第四章 八单元MIMO天线系统的设计 |
4.1 引言 |
4.2 八单元MIMO天线系统的结构与参数分析 |
4.2.1 八单元MIMO天线系统的基本结构 |
4.2.2 八单元MIMO天线系统的参数分析 |
4.3 八单元MIMO天线系统仿真与实测结果对比分析 |
4.3.1 八单元MIMO天线系统的仿真结果分析 |
4.3.2 八单元MIMO天线系统的实测结果分析 |
4.4 本章小结 |
第五章 十二单元MIMO天线系统的设计 |
5.1 引言 |
5.2 十二单元MIMO天线系统的结构与参数分析 |
5.2.1 十二单元MIMO天线系统的基本结构 |
5.2.2 十二单元MIMO天线系统的参数分析 |
5.3 十二单元MIMO天线系统的仿真与实测结果对比分析 |
5.3.1 十二单元MIMO天线系统的仿真结果分析 |
5.3.2 十二单元MIMO天线系统的实测结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 后续工作和展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
致谢 |
(9)云无线接入网络波束成形技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 C-RAN发展现状 |
1.2.2 低功耗协作传输技术研究现状 |
1.2.3 协作波束成形技术研究现状 |
1.3 论文的主要研究内容 |
第2章 C-RAN系统及波束成形技术概述 |
2.1 C-RAN架构 |
2.2 多天线系统 |
2.2.1 智能天线系统 |
2.2.2 MIMO预编码 |
2.2.3 区别与联系 |
2.3 协作波束成形技术 |
2.4 本章小结 |
第3章 无线前传C-RAN低功耗协作传输策略 |
3.1 信号传输模型 |
3.2 基于无线前传的协作传输问题建模 |
3.3 RRH模式和前传容量及波束成形联合优化 |
3.3.1 等价优化问题的建立 |
3.3.2 基于组稀疏和连续凸近似的迭代算法 |
3.4 仿真结果与分析 |
3.4.1 仿真设置 |
3.4.2 功耗性能 |
3.5 本章小结 |
第4章 低复杂度协作波束成形方法 |
4.1 系统模型 |
4.2 启发式波束成形方法 |
4.2.1 最大比值传输波束成形 |
4.2.2 迫零波束成形 |
4.2.3 SLNR-MAX波束成形技术 |
4.2.4 最优波束成形 |
4.2.5 提出的启发式波束成形 |
4.3 仿真结果与分析 |
4.3.1 和速率性能 |
4.3.2 速率公平性分析 |
4.3.3 具有CSI错误的和速率性能 |
4.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间所发表的论文和取得的科研成果 |
致谢 |
(10)基于OneNET平台的小型泵站控制系统研究与实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景及研究意义 |
1.2 国内外发展现状与趋势 |
1.3 本课题研究意义及主要内容 |
第二章 系统关键技术介绍 |
2.1 现场控制单元技术 |
2.2 通信技术及通信协议 |
2.2.1 4G关键技术 |
2.2.2 4G核心网络架构 |
2.2.3 TCP网络传输协议 |
2.3 OneNET云平台 |
2.3.1 云平台概述 |
2.3.2 OneNET云平台用户使用 |
2.4 本章小结 |
第三章 系统硬件设计 |
3.1 系统设计方案 |
3.2 系统硬件结构 |
3.3 泵站电机控制电路设计 |
3.4 主控板电路设计 |
3.4.1 微处理器 |
3.4.2 复位电路 |
3.4.3 晶振电路 |
3.4.4 仿真器下载电路 |
3.4.5 供电电路 |
3.4.6 温度采集模块 |
3.4.7 继电器控制电路 |
3.4.8 主控电路PCB板设计 |
3.5 通讯电路设计 |
3.5.1 4G通信模块 |
3.5.2 4G模块供电电路设计 |
3.6 现场控制单元设备选择 |
3.6.1 处理器的选择 |
3.6.2 传感器选择 |
3.7 本章小结 |
第四章 系统软件设计 |
4.1 系统软件设计流程 |
4.2 现场数据采集传输软件设计 |
4.2.1 系统初始化 |
4.2.2 数据采集 |
4.2.3 单片机串口通信 |
4.3 4G模块软件设计 |
4.3.1 通讯指令 |
4.3.2 联网调试 |
4.4 OneNET云平台软件设计 |
4.4.1 Lua脚本编辑软件 |
4.4.2 OneNET云平台接收与下发数据 |
4.5 泵站电机变频调速软件设计 |
4.5.1 恒压供水系统 |
4.5.2 变频调速软件设计 |
4.6 本章小结 |
第五章 系统实现 |
5.1 一体化智能泵站的研发 |
5.2 一体化智能泵站结构 |
5.2.1 泵房 |
5.2.2 控制箱 |
5.2.3 水泵电机 |
5.3 控制系统实现功能 |
5.3.1 泵站电机启动方式 |
5.3.2 定时定量控制 |
5.3.3 新型量水计 |
5.3.4 恒压控制 |
5.3.5 水肥一体化灌溉 |
5.3.6 视频远程监视和红外报警 |
5.3.7 后台数据管理 |
5.4 一体化智能泵站的应用 |
5.5 本章小结 |
第六章 总结与展望 |
参考文献 |
致谢 |
四、智能天线系统仿真研究(论文参考文献)
- [1]无人机测控通信系统中智能天线技术分析[J]. 王月,黄玉玲. 中国新通信, 2021(19)
- [2]柯西变异的骆驼算法优化与应用[J]. 任春慧,刘升,张伟康,张微微. 计算机工程与应用, 2021(21)
- [3]2.1GHz频段5G NR与现有通信系统的兼容性分析研究[D]. 安娜. 北京邮电大学, 2021(01)
- [4]基于深度学习的5G大规模MIMO天线参数优化研究[D]. 何伟. 北京邮电大学, 2020(01)
- [5]GSM-R系统中智能天线DOA估计算法研究[D]. 马巧娣. 西南交通大学, 2020(07)
- [6]基于机器学习的通信信号调制识别技术研究[D]. 陈炀. 西安电子科技大学, 2020(05)
- [7]三维无线光传感器网络分簇算法研究[D]. 张超. 西安电子科技大学, 2020(05)
- [8]面向物联网应用的小型天线设计[D]. 盛冰清. 南京邮电大学, 2019(02)
- [9]云无线接入网络波束成形技术研究[D]. 尹冬梅. 哈尔滨工程大学, 2020(05)
- [10]基于OneNET平台的小型泵站控制系统研究与实现[D]. 陈浩. 扬州大学, 2020(06)