摘要：针对受莱斯衰落影响的4QAM、16QAM、32QAM、64QAM、128QAM、256QAM六类信号,分别研究了卷积神经网络(CNN)模型以及特征参数结合深度神经网络(DNN)分类器模型的调制方式识别性能。CNN模型需要大量带标签的数据集以及很长的训练时间才能获得较好的识别性能,而特征参数结合深度神经网络分类器模型所需训练时间较短,但其分类性能受限于特征参数的设计。针对以上问题,研究了混合高阶矩作为特征参数集,再将DNN作为分类器对多进制正交幅度调制(MQAM)信号进行识别的方法。仿真结果表明,该方法在低信噪比情况下对受莱斯衰落影响的MQAM信号识别准确率高于CNN模型,且分类准确率上限明显高于采用高阶累积量作为特征参数的方法。

摘要：在卫星边缘计算网络中,当过多用户通过同一信道接入卫星时,产生的同信道干扰会导致边缘计算性能下降。为了解决该难题,在动态环境低地球轨道(LEO)星座边缘计算网络的系统模型下,提出了一种基于随机博弈的多用户计算卸载策略。在考虑用户的自私性、星地信道的随机特性和地面用户接入的动态特性的前提下,从博弈论的角度,将动态环境下地面用户的卸载决策过程表述为随机博弈,证明了所制定的随机博弈等价于具有至少一个纳什均衡(NE)的加权势博弈,并且NE最小化系统开销。为了在动态环境下以分布式方式达到NE,基于随机学习设计了一种智能随机学习算法,以高效达到所提随机博弈的NE。仿真结果表明,与基准算法相比,所提算法能够显著降低同信道干扰和系统开销,并达到接近最优的性能。