版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、空移鍵控(Space Shift Keying,SSK)作為一種新型多輸入多輸出(Multiple-Input Multiple-Output,MIMO)技術(shù),近年來受到人們的廣泛關(guān)注。相比傳統(tǒng)MIMO需要傳輸幅值相位調(diào)制(Amplitude/Phase Modulation,APM)星座,SSK系統(tǒng)僅以激活的單一發(fā)射天線索引作為信息傳遞的載體,其主要優(yōu)點是發(fā)射機結(jié)構(gòu)簡單且能效高。與此同時,僅激活單一發(fā)射天線可以避免傳統(tǒng)MIMO復(fù)用技術(shù)
2、中天線間干擾(Inter-Antenna Interference,IAI)和天線間同步(Inter-Antenna Synchronization,IAS)的問題。對于SSK系統(tǒng)接收端檢測技術(shù),相比理想信道狀態(tài)信息(Channel State Information,CSI)下的檢測算法,在未知CSI的情況下,基于K-均值聚類(K-Means Clustering,KMC)的盲檢測算法可以有效降低檢測的復(fù)雜度。在塊衰落信道模型下,KM
3、C算法和基于聚類結(jié)果的窮舉解映射均與發(fā)送序列長度成正比。因此,本文主要針對如何降低KMC盲檢測算法的計算復(fù)雜度方面展開研究,重點討論了KMC算法盲估計CSI和基于聚類結(jié)果的窮舉解映射。
首先,論文分析了SSK系統(tǒng)模型和信號模型。針對SSK系統(tǒng)盲檢測器,結(jié)合數(shù)據(jù)挖掘領(lǐng)域中的聚類算法,分析了KMC算法與接收端檢測技術(shù)之間的聯(lián)系與轉(zhuǎn)換,并給出了數(shù)學(xué)推導(dǎo)。對KMC算法的聚類結(jié)果解映射為信息比特,借助信道編碼的糾檢錯能力進行窮舉解映射。
4、
其次,從提高系統(tǒng)誤碼率性能的角度考慮,對KMC算法初始質(zhì)心的選取進行改進,將隨機初始化質(zhì)心改進為優(yōu)化初始化質(zhì)心。從降低KMC盲檢測算法計算復(fù)雜度的角度考慮,用截斷序列代替原發(fā)送序列,通過KMC聚類算法盲估計出系統(tǒng)的CSI,以盲估計的CSI直接對接收信號進行分簇。算法復(fù)雜度分析表明:基于KMC算法盲估計CSI的檢測算法的計算復(fù)雜度由原本與發(fā)送序列長度成正比降低到與發(fā)送序列長度無關(guān)。仿真實驗對比了隨機初始化質(zhì)心算法和優(yōu)化初始化質(zhì)
5、心算法的系統(tǒng)誤碼率性能,并驗證了KMC盲檢測算法和基于KMC算法盲估計CSI的檢測算法的系統(tǒng)誤碼率性能。
最后,分析了基于KMC算法聚類結(jié)果的窮舉解映射算法,對窮舉解映射算法借助信道編碼輔助解映射進行改進,從原本將整個接收序列直接進行檢錯改為根據(jù)差錯間隔對接收序列進行選擇性的檢錯。算法復(fù)雜度分析表明:原本的整體解映射算法的計算復(fù)雜度與發(fā)送序列長度成正比,改進的局部解映射算法的計算復(fù)雜度降低,并與發(fā)送序列長度無關(guān)。仿真實驗驗證了
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于K-Means的文檔聚類算法研究.pdf
- (6)K-means聚類算法.pdf
- K-means聚類算法的改進.pdf
- K-means聚類算法的改進研究.pdf
- 基于K-means聚類的RCNA識別算法.pdf
- K-means聚類優(yōu)化算法的研究.pdf
- 基于K-means聚類算法的負(fù)荷模型研究.pdf
- 基于改進K-means聚類的欠定盲分離.pdf
- 基于K-Means聚類算法的客戶細(xì)分研究.pdf
- K-means聚類算法研究及其應(yīng)用.pdf
- 密度敏感的K-means聚類算法研究.pdf
- 基于SVM的K-means聚類算法在WSN入侵檢測中的應(yīng)用.pdf
- 基于密度的改進K-Means文本聚類算法研究.pdf
- 基于遺傳算法的K-MEANS聚類改進研究.pdf
- 數(shù)據(jù)挖掘K-means聚類算法的研究.pdf
- K-Means聚類算法的研究與改進.pdf
- k-means聚類算法分析應(yīng)用研究
- K-means聚類算法在網(wǎng)絡(luò)入侵檢測中的應(yīng)用研究.pdf
- 基于MapReduce的海量數(shù)據(jù)K-means聚類算法研究.pdf
- 基于MapReduce的K-means聚類算法的FPGA加速研究.pdf
評論
0/150
提交評論