摘要：便携式无线通信设备使用的电池都具有恢复效应,在非连续放电模式下放电时,电池的能量转换效率明显提高,所以合理设计电池的放电模式对于低功耗无线通信设计具有积极的意义。电池的恢复效应涉及复杂的物理化学反应,不易建立简单实用的数学模型,通过电池放电实验,给出电池在不同放电占空比条件下的性能曲线。实验结果表明,随放电占空比的减小,电池能量转换效率不断提高,但存在放电占空比门限。

摘要：根据移动ad-hoc网络的特点分析了HOLSR分级路由协议的工作原理,在控制网络中群的数量及规模、减少冗余控制分组两方面进行了改进,并基于C语言提出了一种HOLSR路由协议的实现方案。该方案结合了C语言特点主要完成了消息处理、拓扑计算、群成员管理、路由计算等功能。最后在Linux系统下实现了该方案,基于对实验结果的分析,验证了HOL-SR路由协议简单、实用、性能优越。

摘要：在认知抗干扰通信系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。现有的抗干扰通信系统的智能决策多采用遗传算法、人工蜂群算法等,面对日益复杂的电磁环境,通常这些算法不具有对新干扰的泛化能力。BP神经网络算法简单、具有一定的容错能力和泛化能力,本文设计并分析了一种基于BP神经网络的抗干扰实时决策引擎模型,根据系统性能设计了输入输出数据的预处理方式和判别标准,阐述了决策实现步骤,分析了算法参数;通过系统性能仿真,验证了文中提出的实时决策引擎的强抗干扰性能。与采用遗传算法和人工蜂群算法的决策引擎相比,本文提出的决策引擎决策速度更快且具有泛化能力和容错能力。

摘要：无线传感器网络是一项基于无线网络通信、在普适环境下可实现区域性信息采集的网络技术。基于Nios II系列32位RISC嵌入式处理器Nios II,采用创新的三维IP地址分配法,结合传统无线网络技术和MAC协议,设计了一个通用性较强的无线传感器网络模型。同时利用太阳能和节点自身携带微型电池协同供电,太阳能充电的双模式供电法,在无线传感网络的能源问题上作出了改进。

摘要：基于矩阵乘法的高斯消元法提出了一种通用的LDPC编码器结构,该结构使用移位寄存器和简单的选线实现了复杂的矩阵向量相乘运算并且不需要存储庞大的校验矩阵。然后根据IEEE 802.16e标准中对校验矩阵的定义,利用FPGA实现了编码器的硬件结构,并且由仿真结果可知这种LDPC编码器结构降低了逻辑资源开销,提高了编码速度。

摘要：研究SAR原始回波数据处理优化问题,处理原始回波数据,在保留回波精度的同时,还要提高计算速度。传统处理仿真方法都存在不足。为了提高SAR原始回波数据处理速度,提出一种新的时频混合仿真方法。利用时域仿真得到数据精度高的优势和频域法仿真速度快的特点,保证了回波数据的精度和速度,并将已有时频回波算法中的两次循环计算简化为一次循环计算,进一步提高仿真效率。仿真结果表明,方法可以有效地仿真SAR原始回波数据,满足系统仿真要求,为系统设计提供参考。

摘要：为了避免利用传统方法在高阶调制时无法确定极化码的码元噪声功率的问题,提出一种将高阶调制信道分解成多个平行的并具有固定噪声功率的二进制输入子信道的方法,将高阶调制下极化码构造问题转化为一般的二进制输入信道的极化码构造问题,从而实现了高阶调制时的极化码构造,并针对格雷映射8-PSK调制和PAM/QAM调制等常用的高阶调制进行特定设计。仿真结果表明,采用推荐方法可以带来明显的性能提升。

摘要：在认知抗干扰系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。人工蜂群算法(Artificial Bee Colony,ABC)相较于其他群体智能算法全局寻优速度更快,设置参数少、灵活,易与其他技术结合改进原算法,实用性更广泛,但ABC算法同样有其局限性,如局部搜索能力较弱、后期收敛速度慢等。针对复杂干扰环境下对离散参数的决策,本文设计了一种基于改进人工蜂群算法的认知抗干扰智能决策引擎,分析了引擎模型,根据系统效能设计了目标函数和染色体,阐述了决策实现步骤,优化了决策参数,提出了按基因组搜索的改进算法;通过对系统抗干扰性能的仿真,验证了与未采用智能决策的抗干扰系统相比,采用本文提出的智能决策引擎的认知抗干扰系统在干扰环境中不仅具有强抗干扰性能,而且在保证通信传输可靠性的前提下,具有较低的发射功率和高传输效率,与采用传统人工蜂群算法和遗传算法的决策引擎相比,基于改进人工蜂群算法的决策引擎平均收敛代数更少且最优解概率更高。

摘要：由于无人机组网灵活、快速、低成本的特性,空中基站被视为在未来无线通信中有前景的技术。无人机集群可以通过相互协调和合作,完成的复杂任务,具有重大的研究和实用价值,而无人机间的高效通信是当下面临的重大挑战。为了在满足无人机间通信速率的前提下,尽可能节省发射功率,本文提出基于深度强化学习的集群方案和功率控制的智能决策算法。首先,本文设计了三种无人机集群方案,以对地面用户提供无缝的无线覆盖;然后,本文提出了基于深度Q网络(Deep Q-network)算法的集群方案和功率控制决策算法,用深度神经网络输出不同条件下联合决策的无人机集群方案和发射功率,并研究了重要性采样技术,提高训练效率。仿真结果表明,本文提出的深度强化学习算法能够正确决策无人机集群方案和发射功率,与不带强化学习的深度学习(Deep Learning Without Reinforcement Learning,DL-WO-RL)算法相比,用更低的发射功率满足无人机之间的通信速率要求,并且重要性采样技术能够缩短DQN算法的收敛时间。

摘要：在LTE-Advanced标准中,为满足移动环境下的低功耗要求,低存储容量的译码器结构设计引起了广泛关注.本文在分解Turbo码网格图的基础上,研究了前向状态度量的反向重算方法,提出了一种基于反向重算的低存储容量译码器结构设计方案.在Log-MAP算法下研究了一种适合反向重算的修正雅可比对数式实现方法,推导了反向重算的数学表达式,并给出了实现结构.结果表明,所涉及的反向重算译码结构,以很小的冗余计算为代价将存储容量降低了50%,译码性能非常接近Log-MAP算法,在冗余计算复杂度、存储容量和译码性能指标上具有更好的均衡性.