从图中可以看出,在第二种情况下,由于 STA3 支持 2 个流的探测,因此只有当流总数为 2 时,它才能参与 MU-MIMO 传输。因此,探测能力更佳的 STA4 在与 STA3 分组进行 MU-MIMO 传输时也只能使用一个空间流。这也促使需要根据用户的 MIMO 能力对其进行智能分组,以最大限度地发挥 MU-MIMO 的优势。在 UL MU-MIMO 的情况下,限制与 DL MU-MIMO 中的限制大致相同。参与 UL MU-MIMO 传输的客户端可以传输的最大 STS 数量不能超过 4,并且必须小于或等于客户端支持的 UL SU-MIMO 的最大 STS 数量。此外,STS 的总数(所有用户的总和)小于或等于 8。对于 UL,触发帧包含与客户端相关的流的信息。
在本文中,我们引入了一种深度脉冲延迟反馈储存器 (DFR) 模型,将 DFR 与脉冲神经元相结合:DFR 是一种新型的循环神经网络 (RNN),能够捕捉时间序列中的时间相关性,而脉冲神经元是节能且符合生物学原理的神经元模型。引入的深度脉冲 DFR 模型具有节能的特点,并且能够分析时间序列信号。介绍了这种深度脉冲 DFR 模型的相应现场可编程门阵列 (FPGA) 硬件实现,并评估了底层的节能和资源利用率。探索了各种脉冲编码方案,并确定了用于分析时间序列的最佳脉冲编码方案。具体来说,我们利用动态频谱共享 (DSS) 网络中基于 MIMO-OFDM 的认知无线电 (CR) 中的频谱占用时间序列数据来评估所引入模型的性能。在 MIMO-OFDM DSS 系统中,可用频谱非常稀缺,高效利用频谱至关重要。为了提高频谱效率,第一步是确定现有用户未使用的频段,以便次要用户 (SU) 可以使用它们进行传输。由于信道相关性以及用户活动,不同时隙中频带的频谱占用行为存在显著的时间相关性。所引入的深度尖峰 DFR 模型用于捕获频谱占用时间序列的时间相关性,并预测未来时隙中潜在的频谱接入的空闲/繁忙子载波。评估结果表明,与传统的基于能量检测的策略和基于学习的支持向量机(SVM)相比,我们引入的模型在接收者操作特性(ROC)曲线上实现了更高的曲线下面积(AUC)。
传统的储存器计算 (RC) 是一种浅层循环神经网络 (RNN),具有固定的高维隐藏动态和一个可训练的输出层。它具有只需要有限训练的优点,这对于训练数据极其有限且获取成本高昂的某些应用至关重要。在本文中,我们考虑了两种将浅层架构扩展为深度 RC 的方法,以在不牺牲潜在优势的情况下提高性能:(1)将输出层扩展为三层结构,促进对神经元状态的联合时频处理;(2)顺序堆叠 RC 以形成深度神经网络。利用深度 RC 的新结构,我们重新设计了具有正交频分复用 (MIMO-OFDM) 信号的多输入多输出物理层接收器,因为 MIMO-OFDM 是第五代 (5G) 蜂窝网络的关键支持技术。 RNN 动态特性与 MIMO-OFDM 信号时频结构的结合,使深度 RC 能够处理非线性 MIMO-OFDM 信道中的各种干扰,从而实现比现有技术更高的性能。同时,与依赖大量训练的深度前馈神经网络不同,我们引入的深度 RC 框架可以使用与 5G 系统中基于传统模型的方法相同数量的导频提供不错的泛化性能。数值实验表明,基于深度 RC 的接收器可以提供更快的学习收敛,并有效减轻未知的非线性射频 (RF) 失真,与浅层 RC 结构相比,误码率 (BER) 提高了 20%。
• 4072 自动参数测试系统 • Agilent 4072A 高级直流自动参数测试仪,配备 4 个源测量单元 (SMU) 和 48 针开关矩阵 • 测试仪可直接对接至 Electroglas 4090μ 全自动探测器 • 4073 自动参数测试系统 • Agilent 4073A 超高级直流自动参数测试仪,配备 8 个源测量单元 (SMU)、48 针开关矩阵和 1fA 低电流测量功能 • 测试仪可直接对接至具有 150°C 热卡盘功能的 Accretech UF200 全自动探测器 • 4082A 自动参数测试系统 • Agilent 4082A 高级直流自动参数测试仪,配备 4 个源测量单元 (SMU)、38 针开关矩阵和高吞吐量测试 • 测试仪可直接对接至具有 150°C 热卡盘和150μm薄晶圆能力
为了在接收机上测试真实场景,将调制干扰源(同信道和相邻信道干扰源)和加性高斯白噪声 (AWGN) 的不同组合应用于移动无线电话的两个输入。这些组合分布在两个天线之间(图 5)。同信道干扰源在同一频率上叠加下行链路信号,而相邻信道干扰源在紧邻此频率的一个信道(100 kHz)上可用。就时间而言,两个干扰源都与下行链路信号相匹配。