MIMO技术原理及应用
PPT内容 pdf 现代通信先进技术MIMO技术原理及应用。MMO系统模型(1)MIMO系统模型(2)■M根发送天线发射的倌号矢量为■N根接收天线上引入的噪声矢量为N根接收天线HM根发送天线(n的每一个分量都是独立同发布的复高斯随机过程)■接攻信号可以表示为r= hs+n〔其中图MIM0系统框图MIMo系统模型(3)MIMO信道模型(1)■独立同分布的复高斯信道为n,表示第j根发送天线到第根接收天线幼冲击响应函数;且都是独立司分布的复机变量,实部和虚部都是高斯随机变量h注:这样的独立高斯信道,一般用于描述较强的散射环境,可以认为是比较理想的信道MIMO信道模型(2)MIMO信道模型(3)■带有相关性的信道模型主散射休>天线之间的间距入射波的到达角入射波的角度扩展接收端多輸入多输出系天线结构示意图MIMO信道模型(4)MIMo信道模型(5)■ nokia空间相关MMo信道模型■每一条路径接收角(A0A)和发送角(AOD)定研究的MHMo信道模型假定在远场区有很少的空间义为关于天线阵列和主要反射体位置的量。独立的主反射体,一个主反射体有一条主要路径■由于本地散射,每一条路径P都会有角度扩展a9),这条路径含有大量的引入波,这些波是由接收机使信号延时几乎相同的时间,但会随AOA的变化:和发射机附近的当地散射体的结构引起的g)=∑)∑yMIMo信道模型(6)MIMo信道模型(7)表示有L个本地散射体。同理定义发送端有当地散射的角度扩展(φ)假设接收天线在发送天线的远区场内。因此式中可假定接收天线接收的是平面波。通过天线阵列,平面波的传播在不同的天线环境下产生时延^。不同天线的波前到达的很小的时间延式中d“是两个邻近的天线的距离,几是通信系統的载迟导致接收天线的相移Φ波波长MIM信道模型(8)MIMO信道模型(9)≯阵列的传播向量包括关于第一个天线的这些■同样,在发送端相移。对于具有相同天线间隔d的线性阵列,向量a。可表示为Oo,uit. d sin o.接收端的相关矩阵为MIMo信道模型(10)MIMo信道模型(11)■发送端的天线之间的相关矩阵Noka空间相关MMO信道的仿真用生成单天线快衰落的方法,生成互相独立的列向量R1=∑ana3)用上述方法分別计算接收天线和发送天线的相关矩阵Rx、RR计算接收天线和发送天线的相关矩阵的Kronecker积,得到总的相关矩阵RNuMIMo信道模型(12)MIM◎信道 Shannon容量(1)Nokia空间相关MMO信道的仿真(续■基于前面所述的信道模型,根据信息论的结论,此将总的相关矩阵进行 Cholesky分解,得到矩阵MIMO系统能达到的系统 Shannon容量为Nx MNC=log;deo+fH”)bsH计算列向量hx=[h,h2,…,hw丁和矩阵其中du)表示取方阵的行列式,是NxN单位矩阵,p为每根CMww的乘积,得到列向量hMN接收天线的信噪比,∥表示信道矩阵的共轭转置■由于信道矩阵H是随机的,上式的容量也是一个随机变量将列向量h进行分段,得到矩阵hM,即为空间相关的MMO信道MIMo信道 Shannon容量(2)MIM信道 Shannon容量(3)■在理想情况下,即MMO信道可以等效为最大数目的独C=log, I/eI立、等增益、并行的子信道时,得到最大的 Shannon容量(为保证系统性能比较是在相同条件下,将发射功率Roll Lahs Tewchaui n AR s, UTs归一化;每根发送天线的发射功率与1/M成比例)当信道列矢量互相正交时可以达到的容量aCaloyM log,(C=Logo/.5以看出,对于采用多天线发送和接收技术的系统,理想情况下的信道容量将随着发射天线的数目成线性増长这就为MIMO的高速数据速率传输奠定了理论基础。MIM信道 Shannon容量(4)MIM信道 Shannon容量(5)■当接收天线和发送天线数目都为8根,且平均H吧M=信噪比为20旧B时,链路容量可以高达42b/s/HzDm5■在大信噪比下,仅仅在链路的一端采用多天线,比两端都采用多天线所取得的容量要小。例如,N=M=2在大信噪比下的容量比N=4,M=1的容量要大图二不同天线数目下, Shann。n容量与SNR曲线MIMo系统的实现接收分集(1)■接收分集■采用一个发送天线,多个接收天线的分集方式,■发送分集能够抗衰落和抗噪声■分层空时结构r=hs+n■空时编码■空时扩频其中■正交发送分集r=r2…y■空时发送分集Th, h,,hy j接收分集(2)接收分集(3)■最大比合并算法(MRc■容量为s=[h,,,+h1…hn=(h2+h2+,+h(+h1nhC-log(+p∑■分集增益为h2+1hP+,+h16发送分集(1)发送分集(2)■采用多个发送天线,一个接收天线的分集方式,能够抗衰落■如果和接收分集保持相同的总的发送功率,则每个发送天线的发送功率为发送分集的1MC=log(1-(p/M∑h■分集增益为(内2+h2F÷.+h)/M发送分集(3)发送分集(5)■上面的发送分集方案是在发送端不知道信道信息的情况下得到的性能,如果发送端准确地知道信道的信息,可以获得与接收分集相同的性S能,下面以2个天线的情况为例加以说明。√h22+|h22■对发送的信息进行预处理,令h2发送分集(6)发送分集(7)■则■系统增益为r= hs+nh2+1h2+.+h2h *s,+h,.s+n■容量为hIh,.s+nN4P+1212°h1P+1h2PC=log(+*∑2)2+|h2*s+n分层空时结构(1)分层空时结构(2)■为了充分利用MMO的信道容量,G. OSchin提出■将信源数据分为多个数据子流,分别经过多个信道编了分层空时结构( BLAST: Bel-laboratories码器编码,或不经过信道编码,直接送入调制映射器Layered Space-Time进行信号映射。输出的多路调制信号进行空间域和时间域的信号构造(对角结构、垂直结构等)后,再由■ BLAST的优点是真正意义上实现了高数据通信多个发射天线发射出去.经无线信道传播后,由多个因为它在多条并行信道里发送的是独立的、没有冗余接收天线接收。在接收机中经空时检测、解调、译码,的信息流,所以它的传输速率将远大于利用传统技术得到判决数据。所得到的传输速率分层空时结构(3)分层空时结构(4)■特点高散射高信噪比T开环系统,因为 BLAST的发射机不需要信道的data ende信息,只需在接收端进行信道预澳Fig 1 V-BLASTHigh-lerei syster dagra:m分层空时结构(5)分层空时结构(6)■发送端将单个用户的数据部变并到多个发送天线上,同时l D-BLAST( Diagonal Bell Laboratories Layered的、并行的发送这些数据,利用多输入和多输出方式在同Space-Time)技术是一种在接收端和发送端均使频率上传输并行信息流。如果信道是多径散射环境足够用多天线矩阵,并运用一种较好的钟层编码的结构,强,在接攻端可以采用 BLAST算法,恢复出原始信号码块在空时结构中分散在对角线在独立的瑞利散射环境中,这种处理技术理论上以使容量与发送天线数目成线而且接近于■ BLAST根据构造方式的不同,可以分为对角结构(D-Shannon容量极限的90%,但是这种算法较复杂BLAST: Diagonal BLAST)和垂直结构( V-BLAST实现较困难Vertical blast)。■ V-BLAST( Vertical BLAST)是一种简化的BLAST检测算法,也就是码块垂直分散在每根天线上在室肉慢表环境中其频谱效率可以达到40bits/Hz。8分层空时结构(7)分层空时结构(8)对角结构的检测也是对角线进行处理的。比如现在需要如图三阶示,设发送天线数检测第1路数据,a3:图中对角线(蓝色)以上部为M=5,5路数括流在5根天线上循环发,比如对于第1分(红色)都是未检测数据,对角线以下部分(绿色)路,第1个数据a在天熊1都是已测数据。对于数据干扰抵消法将巳检测的时间t泼送,第2个数据在b1,c1,d1,e1抵消,再进行检测;对于数据2,用干扰天线2上时间发送,5个时抵消法将已检测的b:;2d抵消,再用干扰置零法将未控间段完成一个循环测的巳2消除,再进行检测,依此类推。分层空时结构(9)分层空时结构(10)■发射机采用循环变动的结构;就避免了某一路数据因为信道条件的不好,而导致连续的误码,从如图四所示,设发射天线数而影响整个接收机的性能.D- BLAST能够达到为M5,5路数据流分別在5根天线上并行发送,第Shannon容量的90%,其运算极其复杂;所以贝路的数据恒在天线1尔实验室又进一步提出了 V-BLAST算法上发送:第二路的数据也恒在天线2上发送;等等依次类推分层空时结构(11)分层空时结构(12)广在检测时间!1的数据时,先计算出信道转移炬阵■ V-BLAST迫零算法的伪逆,取出其中模数最小的行向量,亦即对应于最大信噪比■迫零(ZF)矢量(w:i=1,2…,M)的数椐,假设为C1,用干扰置零法将术检测的a1hd,消除从而进行C1的检测,检测后的C1应在总的接收信号去掉它的影响,并且在信道转移矩阵中去掉相应的列向量,生成新的信7(H);=道矩阵;再计算此信道粳阵的伪逆,依此类推其中(为H的第j列,d为 Kronecker delta函数,迫零炬阵HH(伪逆)分层空时结构(13)分层空时结构(14)≯假设发送信号向量为a=(x1,42…,ax),对应的N维摄■V- BLAST迫零加干扰消除算法向量为由矩阵理论可知,矩阵H的列数越少,迫零失量的模越小所以性能越好y=Wr=(H"H)H"(Ha+v)=a+H"H"*v分层空时结构(15)分层空时结构(16)V- BLAST加干扰消除检测算法是一个循环过程,包括优化排序方法■以下是一个循环递归过程的选取W;=(G,)rGI=H=(HH)H(ZF这样就判决出了一个信号.然后把它的影响从接收信号中减去,并去掉k,= arg min (G;lI信道转移矩阵肀相应的列,得到新的转移矩降,并确定新竹伪迸阵,确定耕的判决顺序注:1k1,k为检测过程的排序2k1为追零矩阵G1中具有最小模值的行向k:= argmin(G21),‖表示H中去掉的量第《列后卓伪逆分层空时结构(17)分层空时结构(18)a的第k个成分检测后的SNR为■最小均方误差(MMSE)算法H*=( I+H"H)H在栓测过程中,不同的推序会产生不同的P1:例如M=3的系统,一般来说,先检测1和先检测2,所褥的■只是迫零矢量变化,不能严格迫零,但是使总的嗓声加干是不一样的。假没的所有成分均采用相同的消除方法:则扰的方差最小。信噪比内最小的成分将决定系純的误码率性能。因此,该系统中我们可以采用一种最小信噪比最大亿的概念。在榍环检测过程中,每一步我们都选择最好的,从这种将最小信嗅比最大化的意义上来说,就可以萩得最优化排序510
- 2021-05-06下载
- 积分：1
基于实例和特征的迁移学习算法研究_戴文渊
基于实例和特征的迁移学习算法研究上海交通大学学位论文原创性声明本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独立进行研究工作所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名:日期:200年,月6日上海交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权上海交通大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文保密□,在年解密后适用本授权书。本学位论文属于不保密囝。(请在以上方框内打“√”)学位论文作者签名:指导教师签名:1日期:209年,月日日期,亻年,月,b日上海交通大学学位论文答辨决议书姓名戴文渊学号1060394所在学科计算机应用技术指导教师俞勇答辩2009年1月答辩地点逸夫科技楼311日期16日论文题目基于实例和特征的迁移学习算法研究投票表决结果:555(同意票数/实到委员数应到委员数)答辫结论:回通过口未通过评语和决议:戴文谢的论女对基家例和将而习年译入的研鉴该课题旨右桌砖传纹戒器动限劫布衣器导成眼刺张采明意和有吃作包提了-种基于泉例汪移羽法给生了aAB算回提3-种基特公汪移3方,3因片和受本键技术取場3很山敌果,流文点明方法新颖,结沉正别,反强着己孔家地推第术基础理和相关的去步知议,具级的去从季科研午W彩机答排刷凶滴蕤,回间趣正确浴拜委员会讨(孔记名拨票奉决),-敌其通过硕士怪沉辩被子召丽士209年1月16日职务姓名职称单位签名主席黄林鹏教授上海交通大学答委员辩翁惠玉副教授上海交通大学委委员薛贵荣副教授上海交通大学员会委员张冬茉副教授上海交通大学成员委员俞勇教授上海交通大学签|天姿号委员秘书韩定助理研究员上海交通大学中文摘要基于实例和特征的迁移学习算法研究摘要传统的机器学习假设训练数据与测试数据服从相同的数据分布。然而,在许多情况下,这种同分布假设并不满足。不满足同分布假设的情况往往发生在训练数捃过期,而标注新数据非常昂贵。于是,我们有有了大量的在不同分布下的过期训练数据。完全丢弃这些数据将会是非常浪费的。在这种情况下,迁移学习就变得非常重要了,因为迁移学习可以从现有的数据中迁移知识,用米帮助将米的学习迁移学习( Transfer Learning)的目标是将从个环境中学到的知识用来帮助新环境中的学习仼务。因此,迁移学习不会像传统忛器学习那样作同分布假设。在本文中,我们将会比较全面的回顾迁移学习的整个领域,并且介绍我们在迁移学习领域的近期研究成果。我们的工作可以分为两部分;基于实例的迁移学习和基于特征的迁移学习。我们将会展示出,基于实例的迁移学习有更强的知识迁移能力,而基于特征的迁移学习具有更广泛的知识迁移能力。这两种方法各有千秋。我们介绍了两种迁移学习方法,分别基于 boosting技术和特征翻译。这两种算法分别对应基于实例的迁移学习和基于特征的迁移学习。我们通过非常全面的实验来证明我们的方法在迁移学习时候能够很大幅度提高很多现有的学习算法,无论是近迁移还是远迁移关键词:迁移学习、实例、特征英文摘要Instance-based and Feature-based Transfer LearningABSTRACTTraditional machine learning techniques make a basic assumption that the training andtest data should be under the same distributions. However, in many cases, this identicaldistribution assumption docs not hold. The violation of thc assumption might happen whenthe training data are out of date, but new data are expensive to label. This leaves plenty oflabeled examples that are under a similar but different distribution which is a waste throwaway entirely. In this situation, transfer learning becomes important to take the role of leveraging these existing data knowledgeTransfer learning aims at using learned knowledge from one context to benefit fur-ther learning tasks in other contexts. Thus, transfer learning does not make the identical-distribution assumption as tractional machine learning algorithms. In this thesis, we broadreview the whole field of transfer learning and then introduce our recent work on transferlearning accordingly. Our work can be divided into two parts: instance-based transfer learning, and feature-based transfer learning. We will show that instance-based transfer learninghas better strength in knowledge transferring, while feature-based transfer learning is withmore gerWe present two transfer learning algorithms based on boosting technique and featuretranslation respectively. These two algorithms corresponds to instance-based and featurebased transfer learning. Our extensive experiments show that our algorithms can greatlyimprove several state-of-the-art algorithms in the situation of transfer learning, includingnear transfer and far transferKEY WORDS: Transfer Learning, Instance, Feature目录目录摘要ABSTRACT(英文摘要)第一章绪论第二章迁移学习领域的研究现状2.1多任务学习.22跨领域学习23不同数据分布下的学习24其他迁移学习问题25迁移学习的应用4555678第三章基于实例的迁移学习算法研究3.1基于 Boosting的迁移学习算法3.1.1基本思想.3.1.2问题定义103.1.3 TrAdaboost算法描述..123.2 TrAdaboost算法的理论分析.14321基本符号143.2.2辅助训练数据上的错误率...:.···153.2.3源训练数据上的错误率,,203.3实验分析:··..··:·.:·.:···:·:·:·:······:213.3.1数据描述..22332实验结果23第四章基于特征的迁移学习算法研究254.1基于特征翻译的迁移学习算法4.1.1翻译学习框架274.1.1.1问题定义····‘·274.1.1.2风险最小化框架.41.1.3模型估计.··2941.14翻译器o304,2实验分析324.2.1实验数据酯鲁鲁D着着·,,·,,音唐鲁帝着争324.2.2比较方法324.2.3实验结果··········:····:..:.::.:::33第五章总结与展望35参考文献致谢4·,个人简历、在学期间的研究成果及发表的论文春,音42插图插图1-1日常生活中的迁移学习例子3-1关于 TrAdaboost算法基木思想的一个直观的示例。3-2 TrAdaboost算法的机制123-3一个关于数据生成的示例223-4三种算法在 people vs places数据集上的效果243-5 TrAdaBoost算法在 people vs places数据集上的达代曲线244-1一个直观的例子,用来说明六中学习策略的异同264-2共同出现数据的例子:Flickr(http://www.flickrcom/)74-3在12个数据集上的平均错误率3444对于不同的入, TLRLSK在12个数据集上的平均错误率34表格表格3.120 Newsgroups数据分布的描述2232SRAA数据分布的描述2333当只有1%的源数据是训练数据时的分类错误率4.1文本辅助图像分类的数据描述3
- 2021-05-06下载
- 积分：1
