OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。     

利用XMI实现基于BOM的仿真模型组件的交换

BOM(Base Object Model)是快速构建仿真系统或联邦的可重用信息交互包,基于BOM的仿真模型组件是BOM信息描述的实现体,作为构建仿真系统或联邦的可重用模块。通过应用模型驱动体系结构(MDA,Model-Driven Architecture)提出的实现模型交换标准XMI(XML-based Metadata Interchange),HLA(HighLevel Architecture)仿真模型组件的建模和实现在两个不同层次上实现跨平台、跨语言和跨领域间的交换,而且HLA的重用性和互操作性思想能够在除分布式仿真领域外的其他应用领域中得到推广。