电子科技大学抗干扰实验室

合集下载

基于平方根改进的Gerschgorin半径方法对小间隔距离信号源数估计

ｐｏｅｔａｔｅｅｔｔｎｐｒｒｎｅｉｓｐｒｒｗｅｈｎｕａｅａａｉｎｏＡｉｉｍｅｔ．ＴｅｒｓｌｒｖｈｔｈｓｍａｉｅｏｍａｃｓｕｅｏｈｎｔｅａｇｌｒｓｐｒｔｆＤＯｓｏｓｉｏｆｉｏ
第２２卷
・
第５期
电子测量与仪器学报
ＪＲＬＯｔＴＲＯＵＮＡＦＥ置ＣｏＮＩＡＵＲＭＥＮＮＤｌｓＲＵＣＭＥｓＥＴＡＮＴＭＥＮＴ
％Ｚ２２Ｎｏ５．．
６・８
２００８年１０月
基于平方根改进的Ｇｅｓｈｏｉ径方法ｒｃｇｒｎ半
ｓｌ．ｍａ１
Ｋｅｗｏｄｓｏｒｅｎｍｂｒｙｒ：ｓｕｃｕｅ，ＤＯＡ，ａｒｙｓｇａ．ｒａｉｎ１
１引Ｉ＝ｉ
近年，高分辨率方法在很多方面得到快速发展，
的准确估计，常用的方法有，根据信息理论提出的方法有ＡＣ、Ｌ９和ＥＣ１这些方法都是基于ＩｌＭＤ＿Ｄ＿，高斯白噪声模型的信息论检测方法。但是在非高斯，白噪声环境下，非用上面的方法不能正确估计接收的信源数目，鉴于此，Ｔｗｕ等人提出了ＧＥＨ＿．Ｌ
ｃｉｒｆｈｏｒｅｎｍｅｓｒｕｕｌｓｄｆｒｅａｇｅａａｏｆｉｃｏｆｒｖｌＤＡ）ｉｃｎｎｔｒｅｉｏｔｅｕｃｕｂｒａｅｓａｙｕｅｒａｇｎｌｓｐｒｔｎｏＤｒｔｎｏｒａ（Ｏ；ｔａｏｔａｓｌｏｌｅｉｅｉＡｉ

稀疏码多址系统中码本分配优化

稀疏码多址系统中码本分配优化马新迎;杨霖;林旭彬【摘要】稀疏码多址(sparse code multiple access,SCMA)作为第五代(fifth generation,5G)移动通信中极具竞争力的无线空口技术,能够提高频谱效率和支持海量连接.由于用户和基站之间的信道具有随机性,根据信道增益情况对用户所传输的码本信息进行自适应的调整,从而达到提升SCMA系统性能.针对SCMA系统中码本分配优化的问题,提出算法有:固定资源节点次序码本分配、动态资源节点次序码本分配.仿真结果表明,与传统随机码本分配相比,所提算法在收敛性能不变的情况下改善了系统误比特率(bit error ratio,BER)性能.%Sparse code multiple access (SCMA) is a competitive air-interface technology in fifth generation (5G) mobile communication,which can improve spectrum efficiency and support massive connections.Due to the randomness of channels between the users and the base station,the performance of SCMA system will be promoted by adaptively adjusting transmitted codebook of users according to the condition of channel gain.In order to solve the problem of codebook assignment optimization in the SCMA system,the following is the proposed algorithm:codebook assignment based on fixed resource nodes order and codebook assignment based on dynamic resource nodes order.Simulation results show that the proposed algorithms can obviously improve bit error ratio (BER) performance and maintain the same convergence rate compared with conventional random codebook assignment.【期刊名称】《信号处理》【年(卷),期】2018(034)002【总页数】7页(P148-154)【关键词】稀疏码多址;码本分配;收敛速度;误比特率【作者】马新迎;杨霖;林旭彬【作者单位】电子科技大学通信抗干扰技术国家级重点实验室,四川成都611731;电子科技大学通信抗干扰技术国家级重点实验室,四川成都611731;电子科技大学通信抗干扰技术国家级重点实验室,四川成都611731【正文语种】中文【中图分类】TN929.51 引言在移动互联网和物联网业务的高速发展驱动下,未来大量的终端设备接入和极致的用户体验给移动通信提出了巨大的挑战。

时变多音干扰下TD-SCDMA系统性能分析

ｏｆｔｍｅｉ — ｖａｒｙｎｇｉｍｕｌｔｉ．ｔｏｎｅｊａｍｍｉｎｇ．ＴｈｅｐｒａｃｔｉｃａｌｓｃｅｎａｒｉｏｗｈｅｒｅＭＴＪｓｉｇｎａｌｅｘｐｅｒｉｅｎｃｅｓｔｍｅｉ－ｖａｒｙｉｎｇＲａｙｌｅｉｇｈ
Ｄｏｐｐｌｅｒｓｈｉｆｔｎｃｉｒｅｓｅａｓ．Ｔｈｅｓｔｕｄｙｐｒｏｖｉｄｅｓｔｈｅｏｒｅｔｉｃａｌｂｓｉａｓｆｏｒｉａｍｍｉｎｇｎｄａｎｔａｉ－ｊａｍｍｉｎｇｔｅｃｈｎｏｌｏｇｙ．
ＨＡＯＺｈａｎｇ－ｈｏｎｇ，ＺＨＡＯＨｏｎｇ－ｚｈｉ，ＳＨＡＯＳｈｉ－ｈａｉ，ａｎｄＴＡＮＧＹｏｕ — ｘｉ
（ＮａｔｉｏｎａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，
第４３卷第２期２０１４年３月
・
电子科技大学学报
ＪｏｕｒｎａｌｏｆＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａ
ＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａＣｈｅｎｇｄｕ６１１７３１）

IEEE802.15.3a两种物理层建议的比较

摘
６０５）１０４
要：线个城网是当前无线通信研究的热点之一，ＥＥ０．５３无ＩＥ８２１．ａ对发射信号的功率、距离的高速率信息传输等短
方面提出了更高的要求。由于ＦＣ对超宽带信号进行了重新定义，得产生超宽带信号的方式并不局限在冲激无线电范Ｃ使
２Ａｎｉｎｅｆｒｏ．ｔ —ｉｔｒｅＣｍｍｕｉｔｎＬｂ．ｉｒｉｆｅｔｏｉｃｅｃｅｎｃｉａＵｎｖｓｔｏｃｒｎｃＳｉｎｅ＆ＴｃｎｌｇｆＣｉａＣｅｇｕ６０５，ｈｎ）ａｏｅｙＥｌｅｈｏｏｙｏｈｎ，ｈｎｄ，１０９Ｃｉａ
维普资讯
２００６年第１４期第２９２
ＩＥ８２１．ａＥＥ０．５３两种物理层建议的比较
刘先桥岳光荣，
（．１总参通信部驻某地区军事代表室；．２电子科技大学抗干扰通信技术国家级重点实验室四川成都
ＡｂｔａｔＷｉｅｅｓｐｒｏａｒａｎｔｒｓｔｅｈｔｓｏｒｂｅｉｈｒｓｎｒｌｓｏｓｒｃ：ｒｌｓｅｓｎｌｅｅｗｏｋｉｈｏｐｔｐｏｌｍｎｔｅｐｅｅｔｗｉｅｓｃｍｍｕｉａｉｎａｅ．ｔＳｓｒｃｅａｅｎｃｔｏｒａＩｔｉｔｄｉ
（１ＭｉｔｒｉｒｓｎａｉｅＯｆｃｎＸ．ｌａｙＲ、ｅｅｔｔｆｅｉＸＸｆｍｍｕｉｔｎＤｐｒｍｅｔｏＡＧｅｅａＳａｆｉｐｖｉｏＣｏｎｃｉｅａｔｎｆａｏＰＬｎｒｌｔｆ＝

基于DNN的OTFS系统信号检测方法

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１１４．２０２１．０６．０１８引用格式：郭晟，余乐，燕贺云，等．基于ＤＮＮ的ＯＴＦＳ系统信号检测方法［Ｊ］．无线电通信技术，２０２１，４７（６）：８０８－８１４．［ＧＵＯＣｈｅｎｇ，ＹＵＬｅ，ＹＡＮＨｅｙｕｎ，ｅｔａｌ．ＡＤＮＮＢａｓｅｄＳｉｇｎａｌＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄｆｏｒＯＴＦＳＳｙｓｔｅｍｓ［Ｊ］．ＲａｄｉｏＣｏｍｍｕｎｉｃａｔｉｏｎｓＴｅｃｈ⁃ｎｏｌｏｇｙ，２０２１，４７（６）：８０８－８１４．］基于ＤＮＮ的ＯＴＦＳ系统信号检测方法郭㊀晟，余㊀乐，燕贺云，朱立东（电子科技大学通信抗干扰技术国家级重点实验室，四川成都６１１７３１）摘㊀要：近年来提出的正交时频空（ＯｒｔｈｏｇｏｎａｌＴｉｍｅＦｒｅｑｕｅｎｃｙＳｐａｃｅ，ＯＴＦＳ）技术由于具有良好的多普勒频偏和时延适应性，在高动态通信场景下得到应用㊂目前该技术的信道状态信息（ＣＳＩ）获取的主要方式，仍是传统的信道估计及其改进算法㊂对此，采用深度学习的方法估计ＣＳＩ并直接恢复传输符号，使用基于抽头延迟线（ＴａｐｐｅｄＤｅｌａｙＬｉｎｅ，ＴＤＬ）信道模拟生成的数据离线训练深度学习模型，然后将该模型直接用于恢复在线传输的数据㊂仿真结果表明，在高频偏和多径效应下，基于深度学习的方法比传统方法更优，从而证明了在ＯＴＦＳ系统进行信道估计与信号检测中深度学习的前途㊂关键词：ＯＴＦＳ；时延⁃多普勒域；深度学习；ＤＮＮ；ＣＳＩ中图分类号：ＴＮ９１１㊀㊀㊀文献标志码：Ａ㊀㊀㊀开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１１４（２０２１）０６－０８０８－０７ＡＤＮＮＢａｓｅｄＳｉｇｎａｌＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄｆｏｒＯＴＦＳＳｙｓｔｅｍｓＧＵＯＣｈｅｎｇ，ＹＵＬｅ，ＹＡＮＨｅｙｕｎ，ＺＨＵＬｉｄｏｎｇ（ＮａｔｉｏｎａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，ＵＥＳＴＣ，Ｃｈｅｎｇｄｕ６１１７３１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｒｅｃｅｎｔｌｙ，ＯｒｔｈｏｇｏｎａｌＴｉｍｅＦｒｅｑｕｅｎｃｙＳｐａｃｅ（ＯＴＦＳ）ｔｅｃｈｎｉｑｕｅｈａｓｂｅｅｎｐｒｏｐｏｓｅｄｔｏｂｅａｐｐｌｉｅｄｉｎｈｉｇｈＤｏｐｐｌｅｒｃｏｍ⁃ｍｕｎｉｃａｔｉｏｎｓｃｅｎａｒｉｏｓ，ａｎｄａｃｈｉｅｖｅｄｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｅｄｔｏＯＦＤＭｉｎｈｉｇｈ⁃ｍｏｂｉｌｉｔｙｓｃｅｎａｒｉｏｓ．Ｃｕｒｒｅｎｔｒｅｓｅａｒｃｈｏｆｔｈｅｃｈａｎｎｅｌｓｔａｔｅｉｎｆｏｒｍａｔｉｏｎ（ＣＳＩ）ａｃｑｕｉｓｉｔｉｏｎｍａｉｎｌｙｆｏｃｕｓｅｓｏｎｉｍｐｒｏｖｉｎｇｔｒａｄｉｔｉｏｎａｌｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｌｇｏｒｉｔｈｍ．Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅｐｒｏｐｏｓｅａｄｅｅｐｌｅａｒｎｉｎｇ⁃ｂａｓｅｄａｐｐｒｏａｃｈｔｏｅｓｔｉｍａｔｅＣＳＩａｎｄｒｅｃｏｖｅｒｔｒａｎｓｍｉｔｔｅｄｓｙｍｂｏｌｓｄｉｒｅｃｔｌｙ．Ｆｉｒｓｔｌｙ，ｗｅｔｒａｉｎａｄｅｅｐｌｅａｒｎｉｎｇｏｆｆｌｉｎｅｍｏｄｅｌｂｙｕｓｉｎｇｄａｔａｇｅｎｅｒａｔｅｄｆｒｏｍｓｉｍｕｌａｔｉｏｎｓｂａｓｅｄｏｎｔｈｅＴＤＬｃｈａｎｎｅｌｍｏｄｅｌ．Ｔｈｅｎｗｅｕｓｅｉｔｆｏｒｒｅｃｏｖｅｒｉｎｇｔｈｅｏｎｌｉｎｅｔｒａｎｓｍｉｔｔｅｄｄａｔａｄｉｒｅｃｔｌｙ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｄｅｅｐｌｅａｒｎｉｎｇ⁃ｂａｓｅｄａｐｐｒｏａｃｈｏｕｔｐｅｒｆｏｒｍｓｔｈｅｃｏｎｖｅｎｔｉｏｎａｌａｐｐｒｏａｃｈｕｎｄｅｒｌａｒｇｅｆｒｅｑｕｅｎｃｙｏｆｆｓｅｔａｎｄｍｕｌｔｉｐａｔｈｅｆｆｅｃｔｓ．ＳｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｄｅｅｐｌｅａｒｎｉｎｇｉｓａｐｒｏｍｉｓｉｎｇｔｏｏｌｆｏｒｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｎｄｓｉｇｎａｌｄｅｔｅｃｔｉｏｎｉｎＯＴＦＳｓｙｓｔｅｍｓ．Ｋｅｙｗｏｒｄｓ：ＯＴＦＳ；ｄｅｌａｙ⁃Ｄｏｐｐｌｅｒｄｏｍａｉｎ；ｄｅｅｐｌｅａｒｎｉｎｇ；ＤＮＮ；ＣＳＩ收稿日期：２０２１－０７－１９基金项目：国家重点研发计划（２０１９ＹＦＢ１８０３１０２）；国家自然科学基金项目（６１８７１４２２）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＮａｔｉｏｎａｌＫｅｙＲｅｓｅａｒｃｈａｎｄＤｅｒｅｌｏｐｍｅｎｔＰｒｏｇｒａｍｏｆＣｈｉｎａ（２０１９ＹＦＢ１８０３１０２）；ＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（６１８７１４２２）０　引言近年来，由于高速铁路㊁高速公路的大规模发展，如何在车对车（Ｖｅｈｉｃｌｅ⁃ｔｏ⁃Ｖｅｈｉｃｌｅ，Ｖ２Ｖ）通信㊁毫米波通信以及ＬＥＯ卫星通信等场景下实现可靠通信得到广泛关注［１－３］㊂在这些场景中，由于时变信道和大多普勒频移的存在，导致时频双选信道的估计难度大幅提升，通信系统面临巨大挑战㊂正交时频空（ＯｒｔｈｏｇｏｎａｌＴｉｍｅＦｒｅｑｕｅｎｃｙＳｐａｃｅ，ＯＴＦＳ）作为在时延－多普勒域（Ｄｅｌａｙ⁃Ｄｏｐｐｌｅｒ，ＤＤ）上的一种二维调制方案，通过时间与频率的分集，将时域中传统时变多径信道转换成与时间无关的时延－多普勒域信道，从而改善高移动性场景下正交频分复用（ＯｒｔｈｏｇｏｎａｌＦｒｅｑｕｅｎｃｙＤｉｖｉｓｉｏｎＭｕｌｔｉｐｌｅｘｉｎｇ，ＯＦＤＭ）技术等存在的诸多不足㊂ＯＴＦＳ［４］通过逆辛－有限傅里叶变换（ＩｎｖｅｒｓｅＳｙｍｐｌｅｃｔｉｃＦｉｎｉｔｅＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ，ＩＳＦＦＴ）与添加发送窗（ＴｒａｎｓｍｉｔＷｉｎｄｏｗｉｎｇ）函数将时延－多普勒域中的数据符号映射到时间－频率域中，再经过海森伯格变换（ＨｅｉｓｅｎｂｅｒｇＴｒａｎｓｆｏｒｍ）将其变换为时域信号后通过无线信道进行传输，接收端对应执行发送端的逆过程，将接收到的时域信号转化到时延－多普. All Rights Reserved.勒域中进行解调㊂通过在连续的ＯＦＤＭ符号上加入预编码与解码模块，可以容易地实现ＯＴＦＳ，因此ＯＴＦＳ系统与ＯＦＤＭ系统有很好的兼容性，且不会较大程度增加硬件复杂性㊂ＯＴＦＳ在高速移动性场景下对抗强多普勒频偏影响［５］及其他方面具有优秀表现，但是传统的最小均方误差（ＭｉｎｉｍｕｍＭｅａｎＳｑｕａｒｅｄＥｒｒｏｒ，ＭＭＳＥ）等信号检测方法［６－８］存在的复杂度较高㊁实用性较差等问题㊂为解决此问题，本文提出了一种基于深度神经网络（ＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋ，ＤＮＮ）的ＯＴＦＳ系统信号检测方法，研究了该方法循环前缀（ＣｙｃｌｉｃＰｒｅｆｉｘ，ＣＰ）存在与否对误码性能的影响［９－１１］㊂１㊀ＯＴＦＳ系统模型１．１㊀ＯＴＦＳ基本原理ＯＴＦＳ作为在时延－多普勒（Ｄｅｌａｙ⁃Ｄｏｐｐｌｅｒ，ＤＤ）域设计的二维调制方案，可以通过一系列二维变换，将双色散信道转换到时延－多普勒域中成为近似非衰落的信道［１２］，该系统的调制框图如图１所示㊂图１㊀ＯＴＦＳ调制框图Ｆｉｇ．１㊀ＯＴＦＳｍｏｄｕｌａｔｉｏｎｂｌｏｃｋｄｉａｇｒａｍ㊀㊀时延－多普勒域中的数据符号ｘ［ｋ，ｌ］经过ＩＳＦＦＴ变换以及添加发送窗后映射到时间－频率（Ｔｉｍｅ⁃Ｆｒｅｑｕｅｎｃｙ，ＴＦ）域中，成为时频域信号Ｘ［ｎ，ｍ］；再经过海森伯格变换后成为时域发送信号ｘ（ｔ），在双选择性信道ｈ（τ，ｖ）上进行传输㊂接收端对应执行发送端的逆过程，将接收的时域信号转化到时延多普勒域进行解调㊂具体来说，时域接收信号经过维格纳变换（ＷｉｇｎｅｒＴｒａｎｓｆｏｒｍ）后通过添加接收窗以及辛－有限傅里叶变换（ＳｙｍｐｌｅｃｔｉｃＦｉ⁃ｎｉｔｅＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ，ＳＦＦＴ）运算，得到时延－多普勒域的数据㊂１．２㊀ＯＴＦＳ系统实现过程ＯＴＦＳ系统发射端与接收端涉及的变换过程如下㊂时间－频率域上的网格为Λ，它们分别为在时间和频率轴间隔为Ｔ与Δｆ的采样：Λ＝｛（ｎＴ，ｍΔｆ），㊀ｎ，ｍɪ｝㊂（１）（１）逆辛－有限傅里叶变换在发射机处，ｘɪＭＮˑ１为要发射的ＱＡＭ符号，首先将符号ｘ在大小为ＭˑＮ的时延－多普勒网格上进行多路复用，其变换为：Ｘｄｄ＝ｖｅｃ－１（ｘ），ＸｄｄɪＭˑＮ㊂接着通过逆辛－傅里叶变换，将信号从时延－多普勒域转换到时间－频率域信号网格中，ＩＳＦＦＴ计算过程如下所示：Ｘ［ｎ，ｍ］＝１ＭＮðＮ－１ｋ＝０ðＭ－１ｌ＝０ｘ［ｋ，ｌ］ｅｊ２πｎｋＮ－ｍｌＭ()，（２）式中，ｘｋ，ｌ[]为信号在时延－多普勒域中的第（ｋ，ｌ）个元素，ｎ＝０，１，２，，Ｎ－１，ｍ＝０，１，２，，Ｍ－１㊂接着通过进行添加发送窗函数操作进一步改善时延－多普勒域中的信道稀疏性，可将上式改为：Ｘ［ｎ，ｍ］＝Ｗｔｘ［ｎ，ｍ］㊃１ＭＮðＮ－１ｋ＝０ðＭ－１ｌ＝０ｘ［ｋ，ｌ］ｅｊ２πｎｋＮ－ｍｌＭ()，（３）式中，Ｗｔｘ［ｎ，ｍ］为发送窗函数㊂ＩＳＦＦＴ运算以及添加发送窗的过程合称为ＯＴＦＳ调制㊂（２）海森伯格变换对预处理后的信号进行传统的时频调制，即将时间－频率域符号Ｘ［ｎ，ｍ］映射到发送信号ｘ（ｔ）㊂接着将时频符号Ｘ［ｎ，ｍ］进行分组发送，该分组的持续时间为ＮＴ，占用带宽ＭΔｆ，该过程可以通过海森伯格变换实现，其表示为：ｓ（ｔ）＝ðＮ－１ｎ＝０ðＭ－１ｍ＝０Ｘ［ｎ，ｍ］ｇｔｘ（ｔ－ｎＴ）ｅｊ２πｍΔｆ（ｔ－ｎＴ），（４）式中，ｇｔｘ（ｔ）为发送脉冲／波形㊂（３）通过无线信道ｈ（τ，ｖ）传输接收信号ｒ（ｔ）由发送信号经过信道叠加高斯白噪声得到，其表达式为：ｒ（ｔ）＝ðＰｉ＝１ｈｉｅｊ２πｖｉ（ｔ－τｉ）ｓ（ｔ－τｉ）＋ｗ（ｔ），（５）. All Rights Reserved.式中，ｗ（ｔ）为高斯白噪声，νｉ㊁τｉ分别表示路径ｉ的频偏与时延，ｈｉ为路径ｉ的信道系数㊂在接收端，为了得到时频域信号ＹｔｆɪＭˑＮ，首先将接收到的信号ｒ（ｔ）变换成大小为ＭˑＮ的矩阵形式，即Ｒ＝ｖｅｃ－１（ｒ）㊂（４）维格纳变换接收端对接收信号进行匹配滤波，以获得接收的数据，ｇｒｘ（ｔ）与ｙ（ｔ）互为模糊函数，接收信号在时频域的表达式如下：㊀㊀㊀Ｙ（ｔ，ｆ）＝Ａｇｒｘ，ｙ（ｔ，ｆ）＝ʏｇ∗ｒｘ（ｔᶄ－ｔ）ｙ（ｔᶄ）ｅ－ｊ２πｆ（ｔᶄ－ｔ）ｄｔᶄ，（６）然后以间隔ｔ＝ｎＴ，ｆ＝ｍΔｆ进行采样得到匹配滤波器输出为：Ｙ［ｔ，ｆ］＝Ａｇｎｘ，ｙ（ｔ，ｆ）｜ｔ＝ｎＴ，ｆ＝ｍΔｆ㊂（７）Ａｇｒｘ，ｒ（ｔ，ｆ）为交叉模糊函数，其表达式为：Ａｇｒｘ，ｒ（ｔ，ｆ）＝ʏｇ∗ｒｘ（ｔᶄ－ｔ）ｙ（ｔᶄ）ｅ－ｊ２πｆ（ｔ－ｔᶄ）ｄｔᶄ㊂（８）（５）辛－有限傅里叶变换ＳＦＦＴ与添加窗函数的联合表示为：Ｙ［ｎ，ｍ］＝Ｗｒｘ［ｎ，ｍ］㊃Ａｇｒｘ，ｙ（ｔ，ｆ）ｔ＝ｎＴ，ｆ＝ｍΔｆ㊂（９）利用ＳＦＦＴ对采样数据进行处理得到时延多普勒域的接收数据符号，即：ｙ［ｋ，ｌ］＝１ＭＮðＮ－１ｎ＝０ðＭ－１ｍ＝０Ｙ［ｎ，ｍ］ｅ－ｊ２π（ｎｋＮ－ｍｌＭ）㊂（１０）２㊀基于ＤＮＮ的ＯＴＦＳ系统信号检测方法目前针对ＯＴＦＳ技术信道状态信息获取的主要方式，仍然是改进传统的信道估计方法㊂但是，传统的信号检测方法存在精度较低㊁复杂度较高等问题㊂因此，本文采用基于深度神经网络（ＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋ，ＤＮＮ）的ＯＴＦＳ系统信号检测方法，在保证误码性能的前提下有效解决传统方法存在的问题㊂２．１㊀深度学习方法深度学习（ＤｅｅｐＬｅａｒｎｉｎｇ，ＤＬ）是机器学习（ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，ＭＬ）的一个分支，能够让计算机根据已知数据进行预测，并通过迭代不断改进其预测结果或行为的一组方法㊂其核心思想为：在训练阶段，以最小化损失函数（ＬｏｓｓＦｕｎｃｔｉｏｎ）为引导，通过梯度下降算法（ＧｒａｄｉｅｎｔＤｅｓｃｅｎｔ）调整计算模型的权重（Ｗｅｉｇｈｔ）和偏置（Ｂｉａｓ）；在预测阶段，使用输入数据和训练好的模型参数来计算预测值［１３］㊂ＤＮＮ是通过增加中间隐藏层的数量来提高表达能力以实现更深版本的人工神经网络㊂因此，ＤＮＮ是实现多层非线性变换最常用的一种方式，其结构如图２所示㊂近年来，ＤＮＮ在无线通信物理层设计，如星座设计㊁收发器设计㊁信号检测与解调等领域受到越来越多的关注与研究㊂根据在线导频数据调整参数可能会产生参数数量过多等问题，为了解决此问题，本文训练了一个ＤＮＮ模型来预测不同信道条件下的传输数据，然后将该模型通过在线部署来用于恢复传输的原始数据，以实现ＯＴＦＳ系统的信道估计与信号检测㊂图２㊀ＤＮＮ结构图Ｆｉｇ．２㊀ＤＮＮｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍ２．２㊀传统信道估计与信号检测方法通常，在检测传输数据之前，可以通过利用导频估计出的信道状态信息，在接收机处恢复出原始发送的信号㊂传统的信道估计方法，如最小二乘（ＬｅａｓｔＳｑｕａｒｅｓＭｅｔｈｏｄ，ＬＳ）和最小均方误差（ＭｉｎｉｍｕｍＭｅａｎＳｑｕａｒｅｄＥｒｒｏｒ，ＭＭＳＥ）等方法，已经在各种场景下得到了利用和优化㊂ＬＳ估计方法实现简单㊁复杂度低，但由于不需要先验信道信息统计，因此在低信噪比（Ｓｉｇｎａｌ⁃ｔｏ⁃ＮｏｉｓｅＲａｔｉｏ，ＳＮＲ）的情况下，信道估计的精度会有较大的影响㊂通过利用信道的二阶统计量，ＭＭＳＥ估计通常具有更好的检测性能，但由于其会涉及大规模的矩阵运算，因此该算法存在复杂度较高㊁实用性较差等问题㊂在高移动性场景下，由于多径传播和多普勒效应，延迟－多普勒域中的每个数据符号都受到来自其相邻符号的干扰㊂当使用普通线性均衡器时，由于干扰消除技术的缺失，不能获得ＯＴＦＳ的全分集，ＯＴＦＳ的调制性能由于该干扰的存在而下降㊂同时，ＯＴＦＳ的最大似然估计和干扰消除技术非常复杂，还需要对串扰信道系数进行足够精确的估计㊂实验结果表明，当缺乏干扰消除时，ＭＭＳＥ的表现可能较差，因此ＯＴＦＳ调制性能与信号检测技术密切相关㊂为了提高ＯＴＦＳ系统的性能，本文使用一个ＤＮＮ同时完成ＯＴＦＳ的信道估计与信号检测㊂. All Rights Reserved.２．３㊀基于ＤＮＮ的ＯＴＦＳ系统模型为了解决传统ＯＴＦＳ信号检测方法带来的复杂度较高等问题，本文利用ＤＬ方法以端到端的方式处理ＯＴＦＳ系统㊂ＯＴＦＳ信号检测在时延－多普勒域中复用的ＭＮ个符号，即需要在已知接收向量ｙ和ＤＤ信道矩阵Ｈ的情况下估计出ＭＮˑ１个传输向量ｘ，图３给出了基于ＤＬ的信号检测方法在ＯＴＦＳ系统内的体系结构㊂图３㊀信道估计与信号检测系统模型Ｆｉｇ．３㊀Ｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｎｄｓｉｇｎａｌｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｍｏｄｅｌ㊀㊀其基带与传统系统相同，在发射机端，先将已插入导频信息的发射符号进行ＩＳＦＦＴ变换与添加发送窗，使其从时延－多普勒域映射到时间－频率域中成为时频域信号Ｘ［ｎ，ｍ］，再经过海森伯格变换后成为时域发送信号，之后插入循环前缀ＣＰ以减轻符号间干扰，ＣＰ的长度不应短于信道的最大延迟扩展㊂接着通过时延多普勒信道模型接收信号可以表示为：ｙ（ｎ）＝ｘ（ｎ）ｈ（ｎ）＋ｗ（ｎ），（１１）其中，⊗表示卷积，而ｘ（ｎ）与ｗ（ｎ）分别表示传输信号和加性高斯白噪声，ｈ（ｎ）为信道函数，ｙ（ｎ）为通过该信道的输出㊂去除循环前缀后进行维格纳变换后再进行添加接收窗与ＳＦＦＴ变换，最终得到时延多普勒域的数据符号㊂在时延－多普勒域数据帧中，插入如图４（ａ）所示的导频，用以估计无线信道［１４－１５］㊂通过该图可知，该导频符号类似于冲激信号的形式㊂为避免符号间干扰，导频周围通过置０操作设置保护间隔［１６－１８］，其余位置为要传输的ＱＡＭ符号，信道信息在帧间是不断变换的㊂本文中ＤＮＮ模型将由一个导频块和多个数据块共同组成的接收数据作为输入，并以端到端的方式恢复传输的数据［１９－２０］㊂在接收端，接收的ＯＴＦＳ符号是时延－多普勒域信道在ＤＤ域进行二维卷积的结果，如图４（ｂ）所示㊂（ａ）发送ＯＴＦＳ符号（ｂ）接收ＯＴＦＳ符号图４㊀ＴＤＬ信道下ＤＮＮ方法时延－多普勒域导频与信道响应Ｆｉｇ．４㊀ＴｉｍｅｄｅｌａｙｏｆＤＮＮｍｅｔｈｏｄｉｎＴＤＬｃｈａｎｎｅｌ⁃Ｄｏｐｐｌｅｒｄｏｍａｉｎｐｉｌｏｔｆｒｅｑｕｅｎｃｙａｎｄｃｈａｎｎｅｌｒｅｓｐｏｎｓｅ. All Rights Reserved.本文模型联合信道估计与符号检测，主要分为两个阶段：第一个是离线训练阶段，利用生成的ＯＴＦＳ样本，在不同的信道条件下，如ＬｏＳ条件下的ＴＤＬ信道模型对模型进行训练；第二个是在线部署阶段，利用ＤＮＮ生成的信道模型估计出发送端要发送的数据符号㊂２．４㊀模型训练在模型训练阶段，接收信号和原始传输数据被收集作为训练数据，ＤＮＮ模型的输入是由导频块与数据块共同组成的一帧数据，训练该模型以最小化神经网络输出和传输数据之间的差异，这种差异可以用Ｌ２损失函数表示：Ｌ２＝１Ｎ（Ｘ＾（ｋ）－Ｘ（ｋ））２㊂（１２）本文使用的ＤＮＮ模型由５层组成，中间３层是隐藏层，其他２层分别为输入层与输出层㊂每层神经元的数量分别为２０４８㊁５０００㊁２５００㊁１２５０㊁３２㊂对于每个神经网络都有２ＭＮ个输入神经元（（Ｍ，Ｎ）为ＯＴＦＳ的帧尺寸），通过它们接收向量ｙ的实部和虚部都被作为ＤＮＮ的输入，ＤＮＮ输出神经元的数量等于信号的部分符号数㊂传输数据的每３２位都根据单独训练的单个模型进行分组和预测，然后连接成最终输出㊂输出层使用回归函数得到要发送符号的预测值，其余层使用ＲｅＬＵ函数作为激活函数㊂３㊀仿真结果为了评估本文提出的基于ＤＮＮ的ＯＴＦＳ系统信号检测方法的性能，本部分通过Ｍａｔｌａｂ仿真得到信道估计的误比特率（ＢｉｔＥｒｒｏｒＲａｔｅ，ＢＥＲ），并和其他方法进行对比，信道模型采用３ＧＰＰ标准的ＴＤＬ模型，共４个抽头，多普勒频移服从［０，１８７５］Ｈｚ上的正态分布，仿真参数如表１所示㊂表１㊀仿真参数Ｔａｂ．１㊀Ｓｉｍｕｌａｔｉｏｎｐａｒａｍｅｔｅｒｓ参数取值ＯＴＦＳ帧尺寸（Ｍ，Ｎ）（３２，３２）子载波间隔／ｋＨｚ１５载波频率／ＧＨｚ２调制方式４－ＱＡＭ带宽／ｋＨｚ４８０多普勒分辨率／Ｈｚ４６８．７５时延分辨率／ｎｓ２０９３．２导频比（导频数：总符号数）１：４循环前缀长度１６图５表示在ＳＮＲ＝２５ｄＢ时，ＤＮＮ估计结果的损失函数与训练次数的关系，其中，橙色曲线与蓝色曲线分别为验证集与训练集的收敛性分析㊂可以看出，当训练次数在３．８ˑ１０４内增加时，ＤＮＮ的估计性能改善明显；当训练次数达到３．８ˑ１０４次左右后，训练次数的增加对估计性能的影响较小，即ＤＮＮ的估计性能在３．８ˑ１０４次左右开始收敛㊂图５㊀ＤＮＮ损失函数收敛性分析Ｆｉｇ．５㊀ＣｏｎｖｅｒｇｅｎｃｅａｎａｌｙｓｉｓｏｆＤＮＮｌｏｓｓｆｕｎｃｔｉｏｎ采用ＤＬ方法分别针对ＯＴＦＳ系统与ＯＦＤＭ系统的信道估计与信号检测结果如图６所示㊂仿真结果表明，ＴＤＬ信道模型下，ＯＴＦＳ技术与ＯＦＤＭ技术相比ＢＥＲ性能更优，当误码率为１０－３时，ＯＴＦＳ技术与ＯＦＤＭ技术相比可获得约１０ｄＢ的信噪比增益㊂可以证明，在高移动性场景下，当ＳＮＲ相同时，ＯＴＦＳ调制的误码率几乎不受多普勒频偏的影响；而对于ＯＦＤＭ调制，ＢＥＲ随多普勒频移增加而显著增加㊂图６㊀不同移动速度下ＯＴＦＳ系统与ＯＦＤＭ系统ＢＥＲ仿真曲线Ｆｉｇ．６㊀ＢＥＲｓｉｍｕｌａｔｉｏｎｃｕｒｖｅｏｆＯＴＦＳａｎｄＯＦＤＭｆｏｒｔｗｏｄｉｆｆｅｒｅｎｔｖｅｌｏｃｉｔｉｅｓ在ＯＴＦＳ系统中，分别采用ＤＮＮ与ＭＭＳＥ方法进行信号检测，其误码性能对比结果如图７所示㊂. All Rights Reserved.仿真结果表明，当ＳＮＲ增加时，ＤＮＮ与ＭＭＳＥ算法都具有更好的信道估计性能，ＤＮＮ相比ＭＭＳＥ算法性能更优㊂图７㊀ＯＴＦＳ系统采用ＤＮＮ与ＭＭＳＥ信号检测方法ＢＥＲ仿真曲线Ｆｉｇ．７㊀ＢＥＲｓｉｍｕｌａｔｉｏｎｃｕｒｖｅｏｆＯＴＦＳｓｙｓｔｅｍｕｓｉｎｇＤＮＮａｎｄＭＭＳＥｓｉｇｎａｌｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓ在ＯＦＤＭ系统中，循环前缀（ＣｙｃｌｉｃＰｒｅｆｉｘ，ＣＰ）通过将物理信道的线性卷积转换为循环卷积以达到减轻码间干扰的目的，但是ＣＰ降低了传输效率，对通信性能造成了一定的不利影响㊂本文在ＯＴＦＳ系统下，分别比较了去除ＣＰ前后ＤＬ与ＭＭＳＥ方法的ＢＥＲ性能，误码结果对比如图８所示㊂图８㊀ＯＴＦＳ系统下基于ＭＭＳＥ与ＤＮＮ的有无循环前缀ＢＥＲ仿真曲线Ｆｉｇ．８㊀ＢＥＲｓｉｍｕｌａｔｉｏｎｃｕｒｖｅｗｉｔｈｏｒｗｉｔｈｏｕｔｃｙｃｌｉｃｐｒｅｆｉｘｂａｓｅｄｏｎＭＭＳＥａｎｄＤＮＮｕｎｄｅｒＯＴＦＳｓｙｓｔｅｍ图８仿真结果表明，ＣＰ的缺失与否对于ＭＭＳＥ信道估计算法存在较大的影响，误码性能的差距随着ＳＮＲ的增加而显著增大㊂而ＤＬ方法在ＣＰ缺失时仍然有较为良好的效果，当ＳＮＲ超过１２ｄＢ时，信道估计的精度趋于饱和㊂因此，采用ＤＬ进行信道估计的方法对于码元传输速率的提升等方面具有一定优势，该结论与文献［７］中ＤＮＮ在ＯＦＤＭ系统下的仿真结果相吻合㊂４　结束语本文基于ＯＴＦＳ具有在时延－多普勒域对时间变化相对不敏感这一优势，提出了一种基于ＤＮＮ的ＯＴＦＳ系统信号检测方法㊂该方法有效解决了其他传统的ＯＴＦＳ系统信道估计方法存在的问题，如ＭＭＳＥ存在复杂度较高㊁实用性较差等问题㊂同时，本文证明了ＤＬ方法对于ＣＰ的有无并不敏感㊂因此，该方法可以在保证误码性能的同时对于频率利用率的提升具有一定的优势㊂由于数据依次密集排列会产生较为严重的符号间干扰，本文在每个数据符号中增加了４个保护间隔，以减轻符号间干扰对误码性能的影响㊂但一定程度上造成了传输效率的降低㊂下一步将从该角度进行深入研究，探讨如何在保证误码性能的前提下，有效提高信号的传输效率㊂参考文献［１］㊀刘天俊．基于正交时频空（ＯＴＦＳ）系统的导频序列设计与信道估计［Ｄ］．成都：西南交通大学，２０１９．［２］㊀李伶珺．抗多普勒频移正交时频空系统性能分析与优化［Ｄ］．成都：西南交通大学，２０１９．［３］㊀肖之长，彭丽，张沉思，等．基于导频辅助的ＯＴＦＳ载波同步技术［Ｊ］．无线电通信技术，２０２１，４７（３）：３１５－３１８．［４］㊀ＨＡＤＡＮＩＲ，ＲＡＫＩＢＳ，ＴＳＡＴＳＡＮＩＳＭ，ｅｔａｌ．ＯｒｔｈｏｇｏｎａｌＴｉｍｅＦｒｅｑｕｅｎｃｙＳｐａｃｅＭｏｄｕｌａｔｉｏｎ［Ｃ］ʊＩＥＥＥＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ＆ＮｅｔｗｏｒｋｉｎｇＣｏｎｆｅｒｅｎｃｅ．ＳａｎＦｒａｎｃｉｓｃｏ：ＩＥＥＥ，２０１７：１－７．［５］㊀ＬＩＴＳ，ＨＥＲＳ，ＡＩＢ，ｅｔａｌ．ＯＴＦＳＭｏｄｕｌａｔｉｏｎＰｅｒｆｏｒｍａｎｃｅｉｎａＳａｔｅｌｌｉｔｅ⁃ｔｏ⁃ＧｒｏｕｎｄＣｈａｎｎｅｌａｔＳｕｂ⁃６ＧＨｚａｎｄＭｉｌｌｉ⁃ｍｅｔｅｒ⁃ｗａｖｅＢａｎｄｓｗｉｔｈＨｉｇｈＭｏｂｉｌｉｔｙ［Ｊ］．ＦｒｏｎｔｉｅｒｓｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ＆ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，２０２１，２２（４）：５１７－５２６．［６］㊀ＮＡＩＫＯＴＩＡ，ＣＨＯＣＫＡＬＩＮＧＡＭＡ．Ｌｏｗ⁃ｃｏｍｐｌｅｘｉｔｙＤｅｌａｙ⁃ＤｏｐｐｌｅｒＳｙｍｂｏｌＤＮＮｆｏｒＯＴＦＳＳｉｇｎａｌＤｅｔｅｃｔｉｏｎ［Ｃ］ʊ２０２１ＩＥＥＥ９３ｒｄＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙＣｏｎｆｅｒｅｎｃｅ（ＶＴＣ２０２１⁃Ｓｐｒｉｎｇ）．Ｈｅｌｓｉｎｋｉ：ＩＥＥＥ，２０２１：１－６．［７］㊀ＹＥＨ，ＬＩＧＹ，ＪＵＡＮＧＢ．ＰｏｗｅｒｏｆＤｅｅｐＬｅａｒｎｉｎｇｆｏｒＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎａｎｄＳｉｇｎａｌＤｅｔｅｃｔｉｏｎｉｎＯＦＤＭＳｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥＷｉｒｅｌｅｓｓＣｏｍｍｕｎ．Ｌｅｔｔｅｒｓ，２０１８，７（１）：１１４－１１７．. All Rights Reserved.［８］㊀ＭＵＲＡＬＩＫＲ，ＣＨＯＣＫＡＬＩＮＧＡＭＡ．ＯｎＯＴＦＳＭｏｄｕｌａｔｉｏｎｆｏｒＨｉｇｈ⁃ＤｏｐｐｌｅｒＦａｄｉｎｇＣｈａｎｎｅｌｓ［Ｃ］ʊ２０１８ＩｎｆｏｒｍａｔｉｏｎＴｈｅｏｒｙａｎｄＡｐｐｌｉｃａｔｉｏｎｓＷｏｒｋｓｈｏｐ（ＩＴＡ）．ＳａｎＤｉｅｇｏ：ＩＥＥＥ，２０１８：１－１０．［９］㊀李红．基于机器学习的信道估计算法优化研究［Ｄ］．成都：电子科技大学，２０２０．［１０］ＳＯＬＴＡＮＩＭ，ＰＯＵＲＡＨＭＡＤＩＶ，ＭＩＲＺＡＥＩＡ．ＤｅｅｐＬｅａｒｎｉｎｇ⁃ＢａｓｅｄＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎ［Ｊ］．ＩＥＥＥＣｏｍｍｕｎｉ⁃ｃａｔｉｏｎｓＬｅｔｔｅｒｓ，２０１９，２３（４）：６５２－６５５．［１１］ＳＩＮＧＨＶＫ，ＦＬＡＮＡＧＡＮＭＦ，ＣＡＲＤＩＦＦＢ，ｅｔａｌ．Ｍａｘｉ⁃ｍｕｍＬｉｋｅｌｉｈｏｏｄＣｈａｎｎｅｌＰａｔｈＤｅｔｅｃｔｉｏｎａｎｄＭＭＳＥＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎｉｎＯＴＦＳＳｙｓｔｅｍｓ［Ｃ］ʊ２０２０ＩＥＥＥ９２ｎｄＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙＣｏｎｆｅｒｅｎｃｅ（ＶＴＣ２０２０⁃Ｆａｌｌ）．Ｖｉｃｔｏｒｉａ：ＩＥＥＥ，２０２０：１－５．［１２］ＰＦＡＤＬＥＲＡ，ＪＵＮＧＰ，ＳＴＡＮＣＺＡＫＳ．Ｐｕｌｓｅ⁃ＳｈａｐｅｄＯＴＦＳｆｏｒＶ２ＸＳｈｏｒｔ⁃ＦｒａｍｅＣｏｍｍｕｎｉｃａｔｉｏｎｗｉｔｈＴｕｎｅｄＯｎｅ⁃ＴａｐＥｑｕａｌｉｚａｔｉｏｎ［Ｃ］ʊ２４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＩＴＧＷｏｒｋ⁃ｓｈｏｐｏｎＳｍａｒｔＡｎｔｅｎｎａｓ．Ｈａｍｂｕｒｇ：ＩＥＥＥ，２０２０：１－６．［１３］张政馗，庞为光，谢文静，等．面向实时应用的深度学习研究综述［Ｊ］．软件学报，２０２０，３１（９）：２６５４－２６７７．［１４］ＲＡＶＩＴＥＪＡＰ，ＰＨＡＮＫＴ，ＨＯＮＧＹ．ＥｍｂｅｄｄｅｄＰｉｌｏｔ⁃ＡｉｄｅｄＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎｆｏｒＯＴＦＳｉｎＤｅｌａｙ⁃ＤｏｐｐｌｅｒＣｈａｎｎｅｌｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０１９，６８（５）：４９０６－４９１７．［１５］杜坤鹏，陈文．ＯＴＦＳ系统中基于最小多普勒间干扰的导频设计［Ｊ］．信息技术，２０２０，４４（５）：１０－１４．［１６］ＷＡＮＧＳ，ＧＵＯＪ，ＷＡＮＧＸ，ｅｔａｌ．ＰｉｌｏｔＤｅｓｉｇｎａｎｄＯｐｔｉ⁃ｍｉｚａｔｉｏｎｆｏｒＯＴＦＳＭｏｄｕｌａｔｉｏｎ［Ｊ］．ＩＥＥＥＷｉｒｅｌｅｓｓＣｏｍｍｕ⁃ｎｉｃａｔｉｏｎｓＬｅｔｔｅｒｓ，２０２１：１７４２－１７４６．［１７］ＤＡＳＳＳ，ＲＡＮＧＡＭＧＡＲＩＶ，ＴＩＷＡＲＩＳ，ｅｔａｌ．ＴｉｍｅＤｏｍａｉｎＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎａｎｄＥｑｕａｌｉｚａｔｉｏｎｏｆＣＰ⁃ＯＴＦＳＵｎｄｅｒＭｕｌｔｉｐｌｅＦｒａｃｔｉｏｎａｌＤｏｐｐｌｅｒｓａｎｄＲｅｓｉｄｕａｌＳｙｎ⁃ｃｈｒｏｎｉｚａｔｉｏｎＥｒｒｏｒｓ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２１，９：１０５６１－１０５７６．［１８］ＧＡＯＳ，ＺＨＥＮＧＪ．Ｐｅａｋ⁃ｔｏ⁃ＡｖｅｒａｇｅＰｏｗｅｒＲａｔｉｏＲｅｄｕｃｔｉｏｎｉｎＰｉｌｏｔ⁃ＥｍｂｅｄｄｅｄＯＴＦＳＭｏｄｕｌａｔｉｏｎＴｈｒｏｕｇｈＩｔｅｒａｔｉｖｅＣｌｉｐｐｉｎｇａｎｄＦｉｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎｓＬｅｔｔｅｒｓ，２０２０，２４（９）：２０５５－２０５９．［１９］ＳＨＩＤ，ＷＡＮＧＷ，ＹＯＵＬ，ｅｔａｌ．ＤｅｔｅｒｍｉｎｉｓｔｉｃＰｉｌｏｔＤｅｓｉｇｎａｎｄＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎｆｏｒＤｏｗｎｌｉｎｋＭａｓｓｉｖｅＭＩＭＯ⁃ＯＴＦＳＳｙｓｔｅｍｓｉｎＰｒｅｓｅｎｃｅｏｆｔｈｅＦｒａｃｔｉｏｎａｌＤｏｐｐｌｅｒ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａ⁃ｔｉｏｎｓ，２０２１：１－６．［２０］ＭＡＲＳＡＬＥＫＲ，ＢＬＵＭＥＮＳＴＥＩＮＪ，ＰＲＯＫＥＳＡ，ｅｔａｌ．ＯｒｔｈｏｇｏｎａｌＴｉｍｅＦｒｅｑｕｅｎｃｙＳｐａｃｅＭｏｄｕｌａｔｉｏｎ：ＰｉｌｏｔＰｏｗｅｒＡｌｌｏｃａｔｉｏｎａｎｄＮｏｎｌｉｎｅａｒＰｏｗｅｒＡｍｐｌｉｆｉｅｒｓ［Ｃ］ʊ２０１９ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ（ＩＳＳＰＩＴ）．Ａｊｍａｎ：ＩＥＥＥ，２０１９：１－４．作者简介：㊀㊀郭㊀晟㊀硕士研究生㊂主要研究方向：卫星通信㊁抗干扰通信㊂㊀㊀余㊀乐㊀硕士研究生㊂主要研究方向：卫星物联网接入㊁抗干扰通信㊂㊀㊀燕贺云㊀硕士研究生㊂主要研究方向：物理层安全通信㊂㊀㊀朱立东㊀教授，博士生导师㊂主要研究方向：卫星通信㊁天地网络融合㊁通信信号处理等㊂. All Rights Reserved.。

基于TDOA残差分析的多点定位抗干扰方法

卢宇，吴宏刚。，徐自励
（１．四川师范大学计算机科学学院，成都６１０１０１；２．电子科技大学通信抗干扰国家重点实验室，成都６１１７３１；
３．中国民航总局第二研究所，成都６１００４１）（女通信作者电子邮箱ｏｎｅｍｏｒｅ＿ｌｕｃｋ＠１６３．ｃｏｌｒ１）
ｐｒｅｃｉｓｉｏｎｏｆｅａｃｈｓｔａｔｉｏｎｂｙｔｈｅｒｅｓｉｄｕａｌｅｒｒｏｒ，ａｎｄａｒｃｈｉｖｅｄｔｈｅｇｏａｌｏｆｔｈｅｏｐｔｉｍａｌｓｔａｔｉｏｎｓｓｅｌｅｃｔｉｏｎａｎｄｔｈｅｌｏｃａｔｉｎｇｐｒｅｃｉｓｉｏｎｉｍｐｒｏｖｅｍｅｎｔ．Ｔｈｅｅｘｐｅｉｍｅｒｎｔａｌｒｅｓｕｌｔｓｂａｓｅｄｏｎｂｏｔｈｓｉｍｕｌａｔｉｏｎａｎｄｐｒａｃｔｉｃａｌｄａｔａｉｌｌｕｓｔｒａｔｅｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｓｉｇｎｉｉｆｃａｎｔｌｙｅｎｈｎｃａｅｔｈｅｌｏｃａｔｉｎｇｐｒｅｃｉｓｉｏｎ．ｎｏｔｏｎｌｙｆｅａｓｉｂｌｅｂｕｔｌＳａＯｅｆｅｃｔｉｖｅ．
ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓ

采用互补滤波器组进行频带分解的欠定盲源分离方法

采用互补滤波器组进行频带分解的欠定盲源分离方法冯涛;朱立东【摘要】为了有效估计混合矩阵并恢复出源信号,考虑到现实中的很多信号都是带限信号,提出了采用互补滤波器组进行频带分解的欠定盲源分离方法.该方法将接收的混合信号经互补滤波器组分离到不同的子频带,然后在每一个子频带分别估计混合矩阵进行常规的盲分离,利用聚类分析方法估计总的混合矩阵,最后把相关的分离子频带信号进行叠加以恢复出源信号.即使源信号数目远大于观测信号数,但只要保证在每一个子频带的信号数不大于观测信号数,该方法也可以有效地分离出源信号.最后通过仿真验证了该方法的有效性及良好的分离性能.【期刊名称】《电讯技术》【年(卷),期】2011(051)006【总页数】5页(P82-86)【关键词】欠定盲源分离;互补滤波器;频带分解;聚类分析【作者】冯涛;朱立东【作者单位】电子科技大学通信抗干扰技术国家级重点实验室,成都611731;电子科技大学通信抗干扰技术国家级重点实验室,成都611731【正文语种】中文【中图分类】TN9111 引言盲源分离(Blind Source Separation,BSS)是指在不知道源信号和传输通道的参数情况下,根据输入源信号的统计特性,仅用观测信号恢复出源信号的过程。

欠定情况下的盲源分离是一个更符合实际情况也更具有挑战性的问题。

由于欠定情况下系统是不可逆的,即使混合矩阵已知,源信号也不存在唯一解。

在解决欠定盲源分离问题的主要方法中,基于信号稀疏性表达的算法适用范围相对较广,被当前大部分的欠定盲源分离算法所采用。

信号在时域的稀疏性常常很难满足,目前,算法为了达到稀疏性一般采用变换域的方法,如小波变换或者短时傅里叶变换。

Yilmaz等人假设源信号在时频域上是相互非重叠的,即在每一个时频点上仅允许一路信号存在[1];Aissa-El-Bey等人将上述条件进行了放宽,要求在任意时频点上的信号数严格小于观测信号数[2]。

上述分离方法对语音信号具有良好的分离性能。

面向6G的太赫兹通信感知一体化

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１１４．２０２１．０６．００４引用格式：李玲香，谢郁馨，陈智，等．面向６Ｇ的太赫兹通信感知一体化［Ｊ］．无线电通信技术，２０２１，４７（６）：６９８－７０５．［ＬＩＬｉｎｇｘｉａｎｇ，ＸＩＥＹｕｘｉｎ，ＣＨＥＮＺｈｉ，ｅｔａｌ．ＩｎｔｅｇｒａｔｅｄＣｏｍｍｕｎｉｃａｔｉｏｎａｎｄＳｅｎｓｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓａｔＴＨｚｆｏｒ６Ｇ［Ｊ］．ＲａｄｉｏＣｏｍｍｕｎｉｃａ⁃ｔｉｏｎｓＴｅｃｈｎｏｌｏｇｙ，２０２１，４７（６）：６９８－７０５．］面向６Ｇ的太赫兹通信感知一体化李玲香，谢郁馨，陈㊀智∗，李少谦（电子科技大学通信抗干扰技术国家级重点实验室，四川成都６１１７３１）摘㊀要：未来６Ｇ将会是一个遍布通信链路的分布式神经网络，融合生物物理世界与数字世界，感知万物㊁联接万物，从而实现万物智联㊂面向６Ｇ的太赫兹通信感知一体化技术被设想为支持未来６Ｇ智慧生活的关键技术㊂调研了６Ｇ发展的规划与展望，介绍了６Ｇ的６个关键特征与感知通信的融合㊂然后重点介绍了面向６Ｇ的太赫兹感知通信融合的３种模式，以及太赫兹技术分别在通信和感知方面的优势，并概括性地给出了４种应用场景㊂最后指出太赫兹通信感知一体化技术发展趋势与挑战，包括感知与通信的基础差异㊁一体化器件㊁一体化信号设计㊁感知辅助的高效通信与组网技术㊁通信辅助的分布式协同感知技术和智能资源管理㊂关键词：太赫兹；通信感知一体化；６Ｇ中图分类号：ＴＮ９２９．５㊀㊀㊀文献标志码：Ａ㊀㊀㊀开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１１４（２０２１）０６－０６９８－０８ＩｎｔｅｇｒａｔｅｄＣｏｍｍｕｎｉｃａｔｉｏｎａｎｄＳｅｎｓｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓａｔＴＨｚｆｏｒ６ＧＬＩＬｉｎｇｘｉａｎｇ，ＸＩＥＹｕｘｉｎ，ＣＨＥＮＺｈｉ∗，ＬＩＳｈａｏｑｉａｎ（ＮａｔｉｏｎａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，ＵＥＳＴＣ，Ｃｈｅｎｇｄｕ６１１７３１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：６Ｇｉｓｅｘｐｅｃｔｅｄｔｏｂｅａｄｉｓｔｒｉｂｕｔｅｄｎｅｕｒａｌｎｅｔｗｏｒｋ，ｉｎｔｅｇｒａｔｉｎｇｂｉｏｐｈｙｓｉｃａｌｗｏｒｌｄａｎｄｄｉｇｉｔａｌｗｏｒｌｄ，ｓｅｎｓｉｎｇａｎｄｃｏｎｎｅｃｔｉｎｇａｌｌｔｈｉｎｇｓ，ｓｏａｓｔｏｒｅａｌｉｚｅｉｎｔｅｌｌｉｇｅｎｔｃｏｎｎｅｃｔｉｏｎｏｆｅｖｅｒｙｔｈｉｎｇ．Ｔｅｒａｈｅｒｔｚｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｓｅｎｓｉｎｇｉｎｔｅｇｒａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｉｓｓｕｐｐｏｓｅｄｔｏｂｅａｋｅｙｔｅｃｈｎｏｌｏｇｙｔｏｓｕｐｐｏｒｔｔｈｅｆｕｔｕｒｅ６Ｇｓｍａｒｔｌｉｆｅ．Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｐｌａｎａｎｄｐｒｏｓｐｅｃｔｏｆ６Ｇ，ａｎｄｉｔｓｓｉｘｋｅｙｆｅａｔｕｒｅｓ．Ｔｈｅｎｉｔｇｉｖｅｓｔｈｒｅｅｍｏｄｅｓｏｆｃｏｍｍｕｎｉｃａｔｉｏｎ⁃ｓｅｎｓｉｎｇｆｕｓｉｏｎｆｏｒ６Ｇａｎｄｔｈｅａｄｖａｎｔａｇｅｓｏｆｔｅｒａｈｅｒｔｚｔｅｃｈｎｏｌｏｇｙｉｎｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｓｅｎｓｉｎｇ，ａｎｄｉｎｔｒｏｄｕｃｅｓｆｏｕｒｐｒｏｍｉｓｉｎｇａｐｐｌｉｃａｔｉｏｎｓｃｅｎａｒｉｏｓ．Ｆｉｎａｌｌｙ，ｉｔｐｏｉｎｔｓｏｕｔｔｈｅｔｒｅｎｄｓａｎｄｃｈａｌｌｅｎｇｅｓｆｏｒｔｈｅｆｕｓｉｏｎｏｆｔｅｒａｈｅｒｔｚｃｏｍｍｕｎｉｃａ⁃ｔｉｏｎａｎｄｓｅｎｓｉｎｇ，ｉｎｃｌｕｄｉｎｇｔｈｅｂａｓｉｃｄｉｆｆｅｒｅｎｃｅｓｂｅｔｗｅｅｎｓｅｎｓｉｎｇａｎｄｃｏｍｍｕｎｉｃａｔｉｏｎ，ｔｈｅｆｕｓｉｏｎｏｆｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｓｅｎｓｉｎｇｄｅｖｉｃｅｓ，ｗａｖｅｆｏｒｍｄｅｓｉｇｎ，ｓｅｎｓｉｎｇａｓｓｉｓｔｅｄｗｉｒｅｌｅｓｓｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｎｅｔｗｏｒｋｉｎｇｔｅｃｈｎｏｌｏｇｉｅｓ，ｃｏｍｍｕｎｉｃａｔｉｏｎａｓｓｉｓｔｅｄｄｉｓｔｒｉｂｕｔｅｄｃｏｏｐｅｒａｔｉｖｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｉｅｓ，ａｎｄｉｎｔｅｌｌｉｇｅｎｔｒｅｓｏｕｒｃｅｍａｎａｇｅｍｅｎｔｔｅｃｈｎｏｌｏｇｉｅｓ．Ｋｅｙｗｏｒｄｓ：ｔｅｒａｈｅｒｔｚ；ｉｎｔｅｇｒａｔｅｄｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｓｅｎｓｉｎｇ；６Ｇ收稿日期：２０２１－０８－２０基金项目：国家重点研发计划项目（２０１８ＹＦＢ１８０１５００）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＮａｔｉｏｎａｌＫｅｙＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔＰｒｏｇｒａｍｏｆＣｈｉｎａ（２０１８ＹＦＢ１８０１５００）０　引言随着对带宽和数据速率需求的日益增长，无线通信正向太赫兹高频段与大带宽发展，站间距越来越小，终端与基站彼此看见的概率越来越高，越来越满足无线感知应用的条件㊂这些趋势和人们对智慧应用的需求促进了面向６Ｇ的太赫兹通信感知一体化技术的研究㊂太赫兹（Ｔｅｒａｈｅｒｔｚ，ＴＨｚ）频段（０．１１０ＴＨｚ）被设想为支持未来６Ｇ超宽带无线系统的关键通信技术之一㊂太赫兹频段具有器件体积小㊁感知能力强㊁拥有Ｔｂｉｔ／ｓ的超高数据速率㊁高安全性等特征［１］㊂而使能系统的小型化，可支持无线感知功能和无线通信功能在单个系统中的集成，支持感知功能和通信功能相互促进与增强，从共存走向互惠，从局域（室内）走向广域（室外）［２］㊂具体而言，曾经的通信和感知技术分别使用不同的波形，资源（频谱资源㊁硬件设备等）利用率低㊂太赫兹通信感知一体化技术正在进行感知通信融合，感知技术和通信技术共同利用波形㊁频谱㊁天线㊁. All Rights Reserved.系统等软／硬件资源，实现更高效资源利用率㊁更准确的感知辅助通信（波束管理㊁波束追踪等）和更灵敏的通信辅助感知（定位增强㊁姿势识别等）㊂此外，通信感知一体化从简单多维感官的交融互通（手势识别等）发展到了融合通信的广域感通（感通赋能智慧城市㊁车联网等）㊂１㊀６Ｇ发展规划与愿景１．１㊀发展规划与愿景５Ｇ无线通信系统正在实现从互联的人到万物互联㊂人们设想未来的６Ｇ无线通信系统将进一步实现万物智联，即移动通信网络将会连接大量智能的通信设备；而这些通信节点将同时具有感知其周围环境㊁周围用户状态（运动／静止）的能力，并能够与周围节点进行通信以交换感知信息形成通信信息网络［３］㊂此外，人工智能（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉ⁃ｇｅｎｃｅ，ＡＩ）与感知功能结合可使物理生物世界与数字世界相融合，从而通信网络能够具有类似于人类的认知能力㊂６Ｇ将通过互联的人㊁互联的物和互联的智能开启智能互联网的新时代㊂在未来的６Ｇ系统中，一方面，整个通信系统可以充当传感器，探测无线电波的传输情况（反射㊁散射等），以更好地感知物理环境，提供例如车联网㊁虚拟现实技术等广泛的新服务；另一方面，通过感知获得的高精度定位㊁成像和环境重建等信息可以改善通信性能，例如用于更准确的波束成形㊁更快的波束故障恢复以及更少的信道状态信息（ＣｈａｎｎｅｌＳｔａｔｅＩｎｆｏｒｍａｔｉｏｎ，ＣＳＩ）估计开销［４］㊂１．２㊀６Ｇ关键特征６Ｇ就像一个遍布通信链路的分布式神经网络，融合生物物理世界与数字世界，它不再是单纯的比特传输管道，而是能够感知万物㊁联接万物，从而实现物联智能［５］㊂因此，６Ｇ将成为传感器和机器学习的网络，其数据中心即神经中枢，机器学习遍布全网，这就是未来万物智能网络世界的图景㊂６Ｇ有如下几个关键特征㊂（１）原生ＡＩ原生ＡＩ是一种基于ＡＩ能力的价值建构体系，让智能应用从ＡＩ的架构中成长起来㊂随着无线通信的发展，每１００ｍ２就有超过千数的设备接入，这使得通信信息网络十分庞杂繁复，如何进行资源管理和网络管理成为亟需解决的问题㊂原生ＡＩ可以帮助启用并改善空口算法，包括但不限于流量和信道预测，减少开销以及发射／接收链路设计［６］㊂此外，ＡＩ还可以将其他服务和信息集成到空中接口中，例如有关位置和环境的信息，设备相机捕获的图像以及内部传感器捕获的数据，有效进行资源管理和网络管理㊂（２）感通一体化感通一体化指在未来的智能网络中，感知与通信技术将集成在同一系统中，并且能同时进行感知与通信应用㊂感知技术和通信技术相融合，感知和通信功能的集成实现许多蜂窝网络运营商提供的新服务，例如更好的运输管理㊁更好的定位服务和公共安全㊂此外，基于感知技术提供的生物㊁物理环境信息，也优化了无线通信网络系统的ＡＩ服务质量㊂（３）地面与非地面一体化网络地面与非地面一体化网络是指通信网络将从地面延展至空域㊁海域乃至深空㊁深海，形成不同层次集合的一体化网络㊂在未来６Ｇ中，卫星辅助地面通信将成为６Ｇ无线通信系统中重要的一环㊂通信感知一体化技术促进不同层次空㊁天㊁地㊁海通信系统的形成与发展㊂３ＧＰＰ也于近年初始化了卫星通信的标准以辅助未来的地面通信［７］㊂（４）极致连接极致连接指设备㊁基站等具通信感知功能器件连接密度将呈指数级增长，形成超密集智能网络㊂更高的通信速率㊁低于０．１ｍｓ的延时㊁无处不在的通信设备连接㊁数十倍增长的连接密度和集成的ＡＩ使得如车辆通信㊁虚拟现实／增强现实㊁个人健康监测㊁姿势识别等应用成为现实㊂（５）原生可信原生可信指无线通信网络信息传输的数据信息安全性和隐私性㊂之前通信系统的研究主要集中于网络吞吐量㊁可靠性和延迟［８］，而无线通信的安全性和隐私问题在某种程度上被忽略了㊂由于数据安全和隐私问题与用户的生活密切相关，因此保护数据安全和隐私已成为以人为本的６Ｇ通信的重要组成部分㊂未来６Ｇ无线通信系统将致力于构建一个安全㊁高度隐私的生态链，保护用户的隐私安全［９］㊂（６）可持续发展和人类生活可持续发展和人类生活主要关注大规模智能应用生活中的能效和节能方案㊂长期以来，能源效率（定义为比特／焦耳）一直是无线的重要设计目标，对于６Ｇ网络设计，能源效率将继续保持甚至成为更重要的要求㊂在６Ｇ中，除了提高能效外，还应考虑网络的生命周期能耗，并考虑各种可再生能源㊂. All Rights Reserved.１．３㊀无线通信与无线感知融合通信载波向更高频发展㊁感知技术向更低频发展，促进了无线通信技术和感知技术的融合㊂６Ｇ移动通信将具有智能网络感知功能，可提供高分辨率的定位㊁感知运动㊁成像和环境重建等功能以改善通信性能，同时开辟更广泛的网络服务场景为构建未来智能数字世界奠定基础㊂在实际应用场景中，如表１所示，感知通信融合技术根据感知者和目标对象的关系，往往分为３种方式：主动式㊁被动式和交互式㊂表１㊀感知通信融合方式比较Ｔａｂ．１㊀Ｃｏｍｐａｒｉｓｏｎｏｆｓｅｎｓｉｎｇａｎｄｃｏｍｍｕｎｉｃａｔｉｏｎｆｕｓｉｏｎｍｅｔｈｏｄｓ模式主动式被动式交互式感知者是否发送用于感知的电磁波是否是如何感知感知者获取目标对象反射的回波感知者获取目标对象发射或反射的回波感知者与目标对象间通过信息交互，对电磁波发射的主体㊁时间㊁频率㊁格式等进行约定目标对象是否知晓被感知可以不知道可以不知道是感知与通信相互独立相互独立感知通信一体化在６Ｇ时代，交互式融合是通信感知一体化的发展方向，感知和通信功能的集成将极大地提高资源利用率并且相互促进，实现生物世界㊁物理世界与数字世界的融合㊂２㊀基于太赫兹的通信感知一体化在过去的无线通信领域研究中，由于太赫兹收发器的短缺，产生太赫兹信号并开发太赫兹通信系统具有挑战性，然而随着技术的发展，太赫兹通信技术被设想在未来几年内成为现实，且将在６Ｇ时代变得成熟［１０］㊂太赫兹频段也将以其独特的特性和优势，使得面向６Ｇ的太赫兹通信感知一体化系统设计成为现实㊂２．１㊀一体化模式通信感知一体化模式可从资源和功能两方面划分为：资源一体化㊁功能一体化和资源功能一体化［１１］㊂２．１．１㊀资源一体化资源一体化指通信技术和感知技术设计的软㊁硬件资源在不同层次上集成，主要包括频谱资源和设备资源㊂具体可分为以通信为中心的设计㊁以感知为中心的设计和联合设计系统［１２］㊂以通信为中心的设计：在此类系统中，感知是通信系统的附加组件，设计的优先级是通信功能，目的是利用通信波形通过目标回波获取感知信息，这需要更强大的硬件和算法以支持感知功能［１３］㊂可以通过提高通信标准㊁更好地利用通信波形等手段，来达到雷达感知的目的㊂在这种系统中，通信性能几乎不会受到影响，但感知性能可能会取决于环境且难以优化㊂例如用于车辆网络和感知移动网络的ＩＥＥＥ８０２．１１ａｄＪＣＲ系统，它们分别使用单载波和多用户ＭＩＭＯ⁃ＯＦＤＭ通信信号，两者都是双功能感知通信系统㊂以感知为中心的设计：此类系统旨在通过调制或在已知感知波形中加入信息信令实现通信目的［１４］㊂由于感知信号在很大程度上保持不变，因此此种系统下的感知近乎最佳，但获得的数据速率十分有限，若想进一步提高通信性能，那么原本的感知功能就会受损㊂在应用中，索引调制能够将信息嵌入到雷达信号参数的不同组合中，不会改变雷达的基本波形和信号结构，且对雷达功能的影响可忽略不计，因此受到广泛关注㊂对于ＭＩＭＯ⁃ＯＦＤＭ㊁ＣＡＥ⁃ＳＡＲ和ＦＨ⁃ＭＩＭＯ雷达，可以通过频率选择／组合和／或天线选择／排列来实现㊂联合设计：此类系统能在感知和通信性能之间提供可调权衡的联合设计，且不受任何现有通信或感知标准的限制㊂２．１．２㊀功能一体化功能一体化是在软㊁硬件资源彼此独立的情况下，实现基于信息共享的功能协同㊂简而言之就是，感知辅助通信和通信辅助感知两种功能的实现㊂感知辅助通信：通过感知提供的环境信息可以提高信道估计的准确性，显著降低开销，并且基于感知的信道获取避免了重复的信道估计过程㊂此外感知能够辅助波束对准，通过感知获得的用户位置信息和环境图有助于识别大型物体引起的链路阻塞，并提高通信吞吐量㊂通信辅助感知：通过通信功能进行感知信息共享，实现分布式协同感知，增强感知功能㊂此外，通过通信功能获得感知目标先验信息，以提升感知性能，例如定位增强㊁更灵敏的姿势识别等应用㊂未来功能一体化的发展，一是如何让通信技术促进感知应用；二是合作感知，让感知应用同时具备通信功能㊂. All Rights Reserved.２．１．３㊀资源功能一体化面向６Ｇ的太赫兹通信感知一体化技术的最终目标是实现资源功能一体化，达到频谱共享㊁设备共享㊁功能协同的目的㊂例如，在３ＧＰＰ中定义的４Ｇ／５Ｇ无线通信系统信道测量信号，不仅能实现信道测量功能，也可以通过终端侧的信道估计合作感知为无线通信提供支持㊂未来面向６Ｇ的无线通信系统，将更加依赖对周围环境的感知数据，实现高效可靠的通信；感知技术也将更加依赖通信网络，实现高分辨率高精准度的感知，因此资源功能并行的一体化发展，是未来智能网络最合理的诉求㊂２．２㊀太赫兹在通信感知一体化方面的优势当面向６Ｇ的通信感知一体化的浪潮涌来，太赫兹为什么会受到诸多关注？本节将从通信和感知两个角度进行简要论述㊂２．２．１㊀太赫兹通信优势（１）超宽带无线通信相比起毫米波波段和红外波段，太赫兹频段高达Ｔｂｉｔ／ｓ级的传输速率㊁小于０．１ｍｓ的延时，可以满足６Ｇ时代超高数据速率低延时要求［１５］㊂如图１所示，典型应用例如在超高数据速率小型蜂窝小区中，太赫兹通信设备可以支持较小范围（以ｍ为单位）内静态和移动用户的带宽密集型应用，例如增强现实和全息遥控等㊂同时，太赫兹频段可以满足接入点的前传／回传容量需求，是成本高昂的有线部署的可行替代方案㊂图１㊀频谱示意及简要应用图Ｆｉｇ．１㊀Ｓｐｅｃｔｒｕｍｄｉａｇｒａｍａｎｄｂｒｉｅｆａｐｐｌｉｃａｔｉｏｎｄｉａｇｒａｍ㊀㊀（２）高安全性无线通信的安全性通常是指防窃听和干扰的功能㊂一方面，太赫兹信号波束相比于毫米波波束较窄，当窃听者位于发射波束之外时，无法接收到太赫兹信号，甚至无法注意到太赫兹信号传输；另一方面，结合扩频技术，太赫兹通信对干扰者不可见，并且在无线环境中太赫兹信号有良好的抗干扰性能㊂（３）天气因素㊁闪烁效应影响低太赫兹波由于频率高波长短，可以穿过空气中的细小颗粒，更好地抵抗天气影响，而红外波或可见光波即使在晴朗天气下也会大大衰减㊂此外，由于地面附近的热气和湍流，空气中时间和空间上温度和压力的不均匀性会产生闪烁效应，自由空间光通信链路的最大传输距离受到闪烁效应的影响较大，而太赫兹波则更不易受到影响㊂２．２．２㊀太赫兹感知优势除了上述的通信优势而外，太赫兹技术用于感知的其他优势如图２所示㊂图２㊀不同频段感知通信融合对比Ｆｉｇ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｉｎｔｅｇｒａｔｅｄｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｓｅｎｓｉｎｇｏｎｄｉｆｆｅｒｅｎｔｆｒｅｑｕｅｎｃｙｂａｎｄｓ（１）人体健康日常生活中，大到雷达㊁通信基站，小到手机，都会产生电磁辐射㊂超过一定的强度和持续时间的电磁辐射会造成电磁污染，进而对人体健康产生威胁㊂ＣＴ在感知的过程中，都会产生极大的电磁辐射，虽然能达到较好的感知精度和准确性，但是电磁辐射带来的影响使得其无法为人们日常使用㊂相比. All Rights Reserved.之下，厘米波㊁毫米波和太赫兹频段的危害远远小于ＣＴ系统，因此能够满足人们日常需求，而不对人体造成危害㊂（２）便携度相比于不可能随身携带的ＣＴ机和雷达，太赫兹频段频率高达ＴＨｚ级别，波长介于０．０３３ｍｍ之间，发射天线阵列和接收天线阵列尺寸小于毫米波天线阵列，能够满足人体便携要求㊂（３）覆盖范围无线通信和感知信号最初是为不同的应用而设计优化的，通常不能直接应用到彼此的功能上㊂ＣＴ和雷达的频段和波形限制了通信性能，远远无法满足实际通信要求；厘米波段虽能使提供更好的覆盖，然而由于波长受限，感知精度无法满足部分高精度感知的应用需求㊂（４）感知精度㊁分辨率５Ｇ时代定位精准度要求范围在１ｍ左右，毫米波能够满足要求［１６］㊂６Ｇ时代，姿势识别等应用要求精度低至厘米级乃至毫米级，厘米波已无法达到如此高的分辨率和精准度㊂相比于厘米波，太赫兹波波长减小了几个数量级，使得感知精度和分辨率极高，虽无法达到雷达和ＣＴ系统的精度，但已能满足日常应用需求㊂（５）能效太赫兹波传播过程中会经历较大的路径损耗，这使得其能效较厘米波更低㊂除了使用超大规模ＭＩＭＯ（Ｍｕｌｔｉ⁃ＩｎｐｕｔＭｕｌｔｉ⁃Ｏｕｔｐｕｔ）之外，太赫兹技术往往需要更大的功率和能耗来抵抗损耗㊂但是，太赫兹技术的能效仍远远优于ＣＴ系统㊂２．３㊀太赫兹通信感知一体化的应用场景６Ｇ无线移动通信将具有智能网络感知功能，面向６Ｇ的通信感知一体化系统将提供高分辨率的定位㊁微动作识别㊁成像和环境重建等功能以改善通信性能，同时开辟更广泛的网络服务场景为构建未来智能数字世界奠定基础［１７］㊂如图３所示，将这些应用简单概括为四类：高精度定位追踪㊁ＡＩ辅助制图定位㊁增强感知以及姿势识别／运动识别㊂图３㊀太赫兹通信感知一体化的应用场景Ｆｉｇ．３㊀Ａｐｐｌｉｃａｔｉｏｎｓｃｅｎａｒｉｏｓｏｆｔｅｒａｈｅｒｔｚｉｎｔｅｇｒａｔｅｄｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｓｅｎｓｉｎｇ２．３．１㊀高精度定位追踪借助面向６Ｇ的太赫兹通信感知一体化系统，可为需要高精度（毫米级）的本地化服务提供支持，例如无人机自动对接㊁机器人协作等场景㊂此外，未来６Ｇ中的定位追踪任务会将目标坐标作为指令，还可以通过人工智能或通信技术从生物㊁物理环境和任务特定目标之间的某些联系中解释某些语义信息㊂例如，执行上茶服务的机器人，需要理解任务目标的面前是茶几，那么茶几就是放置茶杯的理想位置㊂在这种情况下系统就需要学习目标物理位置并理解语义，这对于未来的无线定位追踪系统十分重要㊂２．３．２㊀ＡＩ辅助制图定位除了高精度的定位追踪服务，联合映射定位还可以使设备经过训练以具有类似人的认知能力㊂例如，机器人可以通过感知获得房间中人的位置以及相对的家具位置（映射），然后在ＡＩ的支持下，计算出路径以将目标传递给人类；车联网中的汽车可以通过互联的智能感知网络获得路上车辆行人的位置，进行路线规划和及时避让㊂. All Rights Reserved.２．３．３㊀增强感知面向６Ｇ的太赫兹通信感知一体化系统进行的通信感知，可在便携式设备中实现，使人们随时随地都能看到人眼极限之外，例如在未来智能医院中，便携式医疗设备可持续获得有关血管㊁器官状态以及其他不可视生命体征信息（哮喘㊁心律不齐㊁低血糖等）㊂对于此类应用，需要非常高的感知范围和分辨率，分别依赖于太赫兹频段数十ＧＨｚ的带宽和数千个天线元件㊂感知设备可以是支持６Ｇ的移动电话㊁可穿戴设备或可植入人体皮肤医疗设备等㊂借助这些设备，就可达到增强人类感知能力的效果，从而有助于在黑暗里㊁皮肤下等场景中收集信息㊂此外，在可见度较低的环境（夜晚㊁雾气或眩光）下，无线成像技术也可以方便地应用于增强型感知眼镜和车辆设备中，从而极大地方便了行人和车辆㊂除了空间检测和成像外，更高频率将使频谱应用成为可能㊂２．３．４㊀姿势／运动识别太赫兹频段将实现更高的分辨率和准确性以捕获更精细的活动和姿势㊂具有惊人计算能力的人工智能技术也开启了姿势／运动识别新时代，在可预见的未来，智能姿势／运动识别系统的感知将不仅限于单个家庭，而是在大型复杂的室内环境中进行㊂除了用户终端（智能电话及其他）之外，室内蜂窝传输点或基站也将用作感知功能，它们将共同用于感知周围环境，因此融合感知性能将大大提高㊂基于感知和机器学习联合能力的无设备姿势识别／运动识别可促进患者或老年人的非接触式用户界面发展和无摄像头监督应用，从而及时识别出紧急情况进行警告，还可以保护隐私㊂３㊀一体化技术发展趋势与挑战太赫兹通信感知一体化系统虽然能够实现高精度定位追踪㊁增强感知等诸多应用，但是感通融合的道路仍充满着诸多难点㊂接下来，介绍面向６Ｇ的太赫兹通信感知一体化的技术发展趋势与挑战㊂３．１㊀感知与通信的基础差异尽管感知通信系统具有集成的潜力，但它们之间还是存在一些显著差异㊂本文总结了感知和通信系统之间的基本差异，这些差异带来了通信感知一体化系统设计中的诸多挑战［１８］㊂（１）典型信号波形传统的感知信号通常是未经调制的大带宽信号，峰值平均功率比（ＰｅａｋｔｏＡｖｅｒａｇｅＰｏｗｅｒＲａｔｉｏ，ＰＡＰＲ）低㊂而通信信号是由未调制导频与已调制符号的组合，拥有较高ＰＡＰＲ，复杂多样㊂（２）信号结构感知信号结构分为两种：脉冲和连续波㊂信号在相干处理间隔内重复每个脉冲重复间隔，以增加接收信号功率并进行多普勒频率估计㊂通信信号结构通常基于数据分组，且没有重复，数据分组长度和间隔可随时间变化，并且信号可能会在时域㊁频域和空域占用不连续资源㊂（３）时钟同步发射和接收机在大多数感知系统中都被设定为时钟锁定，包括单静态㊁双静态和多静态系统㊂通信系统中并置的发射机和接收机共享相同的定时时钟，非并置节点通常不共享㊂（４）性能指标感知系统的感知性能一般由检测概率㊁Ｃｒａｍｅｒ⁃Ｒａｏ下限（Ｃｒａｍｅｒ⁃ＲａｏＬｏｗｅｒＢｏｕｎｄ，ＣＲＬＢ）㊁互信息（ＭｕｔｕａｌＩｎｆｏｒｍａｔｉｏｎ，ＭＩ）以及模糊函数衡量，具体场景需要具体分析㊂通信系统的性能指标为通信容量㊁数据速率㊁频谱效率㊁信干噪比㊁误码率（ＢｉｔＥｒｒｏｒＲａｔｉｏ，ＢＥＲ）㊂３．２㊀一体化器件设计在太赫兹频段，波长与器件尺度相比拟，各级元件间的耦合不可避免且更趋突出㊂强耦合使得寄生参数变大㊁种类增多，导致器件性能急剧下降㊁难以预期㊂如何建立亚波长尺度复杂边界条件下的共口径器件场理论物理模型，如何实现整体器件亚波长强耦合情况下感知㊁通信有机互联和高效隔离，进而实现感知㊁通信器件的共口径设计，是太赫兹通信感知一体化系统设计面临的首要挑战㊂３．３㊀一体化信号设计通信感知一体化信号设计的主要挑战是通信和感知不同的性能指标要求，例如通信的主要目标是使频谱效率最大化，而用于感知目标的最佳波形设计则是准确性和高分辨率㊂通信信号以最大化信息承载能力为目的，通常需要经过调制传输并基于数据分组㊂相比之下，感知信号通常以定位和跟踪精度且能够得到简单的感知参数估计为目的，具有以下特性：低ＰＡＰＲ以实现高效功率放大器；陡峭和狭窄主瓣的波形模糊函数可实现高分辨率㊂. All Rights Reserved.太赫兹频段的通信感知一体化信号设计，还应考虑太赫兹频段的特有性质，例如：路径损耗极高㊁分子吸收特性㊁信号传播路径稀疏性㊁载波频率偏移㊁相位噪声高以及多普勒频移扩展变大等［１９］㊂这对带外发射等指标提出了更高的要求㊂此外，还需要充分考虑随距离变化的频谱窗口，以获得适用于特定传输距离的太赫兹波形㊂这些差异使通信感知一体化信号的联合设计成为一项有趣且具有挑战性的任务㊂３．４㊀感知辅助的高效通信与组网技术太赫兹６Ｇ通信具有更高的数据传输速率㊁严重的路径损耗等特点㊂为了增强覆盖，太赫兹波束方向性高㊁宽度极窄，这造成了波束对准困难㊁波束搜索复杂度高㊁波束管理难度大等问题［２０］㊂由于感知通信技术的融合，通过感知提供的环境信息可以辅助波束对准及追踪，可显著降低开销㊁避免重复的信道估计过程㊂通过感知信息进行信道预测，主动切换波束，提高太赫兹通信的可靠性㊂探索太赫兹网络的通信覆盖范围是一个重点，干扰是影响太赫兹网络覆盖距离的关键因素㊂与低频通信不同，太赫兹传播模型㊁信道模型㊁分子吸收模型更加复杂，太赫兹传播特性不仅和距离相关，还具有频率选择性，这使得太赫兹网络干扰建模与分析变得更加困难㊂此外，定向天线的使用导致耳聋效应，使得邻居节点发现困难㊂而感知能力给太赫兹组网带来了新的增量，对系统干扰㊁节点位置㊁网络状态变化的感知，大大降低了网络环境的不确定性，避免了复杂的空间搜索，使得在最短的时间内发现和预测所有可靠通信的邻居节点成为可能㊂３．５㊀通信辅助的分布式协同感知技术未来６Ｇ无线通信中，太赫兹通信技术将与其他低频段通信网络融合组网，广泛应用于各种现实场景，搭载太空卫星㊁空中无人机㊁飞艇等平台，作为无线中继设备，应用于空天地海多层次一体化通信［２１］，并融合感知技术，成为未来社会智能信息融合连接的重要支撑㊂网络节点具备通信感知一体化功能后，能够感知所处的物理空间，获得空间中物体的类型㊁物体对网络的影响等信息㊂同时，通过通信网络，网络节点与附近的一个或多个接入点建立连接，与其他节点实现信息共享；通过信息的融合，网络可获得全局感知信息，进而使能更大的感知视野和任务响应速度㊂３．６㊀智能资源管理面向６Ｇ的太赫兹通信感知一体化系统性能优化涉及复杂多维资源的处理及优化问题，如时域㊁频域㊁空域㊁码域资源，射频器件资源，基带信号处理单元等；此外，一体化系统性能优化涉及多目标性能优化问题，且优化问题本身还不明朗，随感知任务及感知环境变化而改变㊂针对这类高维数多约束的非线性组合优化问题，机器学习等方法在性能增强或计算复杂度降低方面具有独特的优势㊂将ＡＩ应用到空口传输设计㊁无线资源管理㊁网络安全㊁应用增强以及网络架构等各个方面，形成多层深度集成的智能网络设计，从而达到较好效果㊂例如太赫兹信号衰减严重且衍射能力较弱，因此太赫兹出现阻塞的概率极高㊂而构造序列标记并利用智能监督学习等方法来预测并获取最优主动切换基站信息，可以防止由阻塞导致的突然链路断开，提高通信链路的可靠性㊂４㊀结束语５Ｇ无线通信系统正在实现从互联的人到万物互联，而未来的６Ｇ无线通信系统将进一步实现万物智联，助力人类走进虚拟与现实深度融合的全新时代㊂与面向人的网络不同，未来移动通信网络将会连接大量智能的通信设备，这些通信节点将同时具有感知其周围环境的能力，并能够与周围节点进行通信以交换感知信息形成通信信息网络㊂雷达探测理论表明，扩大感知带宽或者提升工作频率（波长减小）可直接提升感知精度；同时，香农信息论表明，扩大通信带宽可直接提升传输速率㊂工作频率在０．１１０ＴＨｚ的太赫兹频段，比５Ｇ毫米波的带宽高５０倍；比厘米波工作频率提升至少一个数量级㊂太赫兹等更高频段的使用除了能支持超高速数据传输，还能加强对环境和周围信息的获取能力，无线感知通信也因此在频段（太赫兹）和收发机设计等方面逐渐趋近㊂６Ｇ的特征与感知通信一体化诉求㊁通信感知一体化系统应用太赫兹技术的优势等都表明，资源功能一体化的模式和太赫兹技术的应用是感知通信一体化技术必不可少且极具潜力的发展方向㊂未来研究需要进一步克服的是感知和通信本身的基础差异㊁一体化器件以及信号的融合设计等问题，突破感知辅助的高效通信与组网技术以及通信辅助的分布式协同感知技术㊂此外，人工智能的发展为感知通信一体化技术提供了全新的思路；融合人工智能的感通算一体化技术也是未来的重要发展趋势㊂. All Rights Reserved.。

适用于我国的中轨TDRSS星座方案研究

第28卷第5期电子与信息学报V ol.28No.5 2006年5月 Journal of Electronics & Information Technology May 2006适用于我国的中轨TDRSS星座方案研究吴廷勇朱立东吴诗其(电子科技大学通信抗干扰技术国家级重点实验室成都 610054)摘要基于中轨跟踪与数据中继卫星系统(MEO-TDRSS)星座方案的功能和业务特性，对4种常见星座实现的我国中轨TDRSS的覆盖特性和星际链路性能进行了仿真分析和比较。

仿真结果表明，我国的中轨TDRSS宜采用具备卫星全球均匀分布特性的玫瑰星座和共地面轨迹星座。

关键词星座，中轨，跟踪与数据中继卫星系统，星际链路中图分类号: TN927 文献标识码: A 文章编号：1009-5896(2006)05-0865-06The Satellite Constellation Scheme Study for MEO-TDRSS of ChinaWu Ting-yong Zhu Li-dong Wu Shi-qi(The National Key Lab. of Communication, UEST of China, Chengdu 610054, China)Abstract Based on the functionality and traffic characteristics of the Medium Earth Orbit Tracking and Data Relay Satellite System(MEO-TDRSS), the coverage properties and Inter-Satellite Link(ISL) performances of four familiar satellite constellation schemes which are adopted as the MEO-TDRSS of China are simulated and compared. The simulation results indicate that Rosette and Common-track constellations, whose satellites are distributed in the celestial sphere uniformly, are appropriate for MEO-TDRSS of China.Key words Satellite constellation, MEO, TDRSS, ISL1 引言跟踪与数据中继卫星系统(Tracking and Data Relay Satellite System，TDRSS)是用于转发地面站对低轨道航天器的跟踪/遥测信息和将航天器获取的数据实时中继传输回境内地面站的专用卫星系统，广泛应用于国防和航天通信领域。

太赫兹通信技术综述

2020年5月Journal on Communications May 2020 第41卷第5期通信学报V ol.41No.5太赫兹通信技术综述谢莎，李浩然，李玲香，陈智，李少谦（电子科技大学通信抗干扰技术国家级重点实验室，四川成都 611731）摘要：太赫兹频段（0.1~10 THz）信号在空气中传播衰减大、传输距离短，在太赫兹通信技术得到广泛应用之前，这些关键问题需要攻克。

首先，介绍了当前太赫兹信道的研究进展，包括信道建模、信道测量及信道估计。

在此基础上，分析了单用户基本通信场景和多用户复杂通信场景，并针对各个场景中存在的问题列举了可能的解决方案。

最后，展望了太赫兹通信未来可行的研究方向。

关键词：太赫兹通信；太赫兹信道模型；超高数据速率；高定向窄波束；点到点通信；多用户通信；第六代移动通信技术中图分类号：TN929文献标识码：Adoi: 10.11959/j.issn.1000−436x.2020107Survey of terahertz communication technologyXIE Sha, LI Haoran, LI Lingxiang, CHEN Zhi, LI ShaoqianNational Key Laborary of Science and Technology on Communications, University of Electronic Science and Technology of China, Chengdu 611731, China Abstract: There are some challenges that need to be overcome before terahertz communication technology is widely ap-plied, such as large propagation attenuation in the air and short transmission distance. Research progresses of terahertz channel, such as terahertz channel model, terahertz channel measurement and terahertz channel estimation, were first re-viewed. Based on these characteristics of terahertz channel, the underlying problems in basic single-user communication scenarios and more complicated multi-user communication scenarios were respectively analyzed. For each scenario possible solutions were concluded. Last but not least, some prospect future research directions on terahertz communica-tions were discussed.Key words: terahertz communication, terahertz channel model, ultra-high data rate, high directional narrow beam, point-to-point communication, multi-user communication, 6G1引言随着智能手机的不断普及，无线网络用户数量急剧增加。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

埃落定了，我也总结了一些东西，不管有用没用，上来发一下，哪怕对一个人有用呢，也算
是一点对论坛的贡献吧。

关于英语的复习，我个人英语基础不错。所以今年英语是裸考的，连单词都没背，结果
71，还算是比较不错吧。我学习英语的经验就是多读多背。语感是很重要的。如果要短期提
高英语的话，建议一开始先把考研网校单词红宝书搞定，特别是对于词汇量不足的同学。不
然到了考场上发现大片的词都不认识跟天书一样是很痛苦的。单词建议重复记忆。多记几遍
的效果要远远好于认认真真记一遍的效果。参考那个什么记忆衰减曲线。单词掌握的差不
多了就做真题吧。神马模拟题之类的和真题远远不是一个水平的。还是真题最重要。把真题
认真做上4遍吧。前两遍弄懂答案。后两遍主要就是看阅读。把阅读文章里面的生词都记住。
你会发现真题里面的高频词汇还是很多的。往年的高频词换到下一年很可能还是高频词。后
两遍的主要任务就是利用真题记单词。分析句子结构特别是长难句，彻底把一篇阅读理解拆
开来看。每句话都搞懂。英语就是要不断的读，重复记忆，多用多练。关于阅读理解的做题
技巧很多。我一般都是找关键词。路标词，（就是像but, however这种有转折，递进，总
结等性质的词）关键句。（一般是首句、尾句，当然也有的在句中或者需要自己总结的）

数学。课本，复习全书一定要掌握的非常熟。公式啊定理啊都要掌握的很熟练。包括他
们的应用条件。不要指望着做题的时候翻书，然后临考前再去记忆。那样到了考场一紧张你
很可能什么都忘了。我课本看了3遍，复习全书认真看了2遍，后面有有重点的看了2遍吧。
特别是复习全书，一定要搞懂吃透，然后就是做真题吧。不推荐做什么模拟题。那个经典
400题个人感觉难度不小。喜欢挑战难题找成就感的同学可以做。一般的就不推荐了吧。很
容易打击自信的。把真题反复多做几遍搞懂吃透就行了。针对选择填空可以做基础过关660
题。这个不错。考的很细。做好的话应付选择填空不成问题。总之数学不容得投机取巧。要
很扎实的来过才行。

政治。临考前一个半月再看就可以。根本不用看课本，也根本不用报班，什么押题什么
的都是胡扯。他们所谓的押题就是押中知识点。不可能是原题的。可以买一本任汝芬的序列
1，（序列2、3个人感觉没有必要买），序列4，高教出版社的大纲解析，高教出版社的考
试分析（很薄的一本），一套真题。一开始看序列1，其实序列1和大纲解析的内容差不多，
先看序列1是因为他里面很多内容比如选择题的考点，大题的每一条都用红颜色给标出了，
所以看起来比较省力。第一遍认真看。特别是马基那块不太容易懂得地方，一定要认真看把
它搞懂。这块主要考察理解能力。看你会不会用各种原理分析问题。。近代史毛邓三就和看
小说似的记就行了。这块主要考察记忆能力。思修主要是在个人价值与社会价值。爱国主义。
社会主义荣辱观那一块吧。比较好看。认真看完序列1后再看大纲解析。差不多的内容，只
是大纲解析全是黑色字的。根据你对序列1的掌握。不妨一边看大纲解析一边根据你对序列
1的掌握情况边看边画。进行第二遍巩固记忆。看完这些后就可以做真题了。把真题的选择
题过一遍。你会发现很多地方每年都会重复出题。也就是高频考点。这个要重点掌握。

选择题一般要做到35左右吧。越高越好。30以下就比较杯具了。不过一般刚看完大纲
解析就做的话分数都会很高吧，因为那时候什么东西都还记得。可能过上十天半月忘得差不
多了再做很可能就30以下了。一开始不用做政治大题。只看他的思路就行。看他是怎么答
的。怎么往得分点上靠的。考场上要把你能想到的跟这个题有关的知识点都写上。是按得分
点给分的。你多写了不会扣你分。但少些了没有得分点肯定没有对应的分数的。另外建议
用1、2、3把每个点都表明了。时政看任汝芬的序列4就行。重点记选择题。序列4后面也
有关于时政的模拟检测题。关于大题。马基那块各大原理。史观要记好了。很重要。最后可
以背那个考研网校的20天20题。那个不错。其他的我也买了。但对比了下还是感觉20天
20题好。政治认真准备准备一般不会有问题的。大题一般都在20分以上的。好的30+。不
好的只要写满了也不会低于20分的。

专业课。我考的抗干扰的通信方向。就直说一下通信的专业课复习了。教材：奥本海默
的《信号与系统》，成电本校的李晓峰编的《通信原理》，知博书店有卖。资料的话两本课
本。辅导班的笔记，真题足以。辅导班的笔记通信方向一般在10月下旬会有。之前就对照
大纲好好看课本。课后题可做可不做。因为和真题不是一种类型的。做的话顶大就是检测一
下你对知识的掌握程度。课本要认真过两遍吧。然后买了笔记之后认真对着课本看笔记。把
笔记搞懂了。这个很重要！专业课的笔记就是圣经啊！！考点一定会在笔记上的！！然后就
做真题。真题也要搞懂了。多做几遍。专业课一般9月份开始就可以吧。复习方法类似数学。
基础打牢。多做题提高做题速度。另外有些同学前期可能到处去买本校的课件啊什么的。个
人感觉根本没有必要看他们的课件。本科生的考试题也完全没有必要看。因为出题类型和水
平都不是一类的。没有任何参考价值。课件也是英文版的。完全没有用的。

还有就是如果你决定了考某个方向。不要到处去听一些小道消息。有的人说很好考。有
的人说很难考。有的人说很公平。有的人说很黑。你说你要听谁的呢？只是把自己搞的很紧
张罢了。所以。一旦决定了就去努力吧。不要让各种各样的猜测和小道消息对自己的心情产
生影响。我个人感觉科大复试还是很公平的。分数当然越高越好。因为最后刷人一般不可能
刷360+的。当然你本科学校好，是211.985的话复试会沾光。科大比较喜欢985的学生。
但是不是的话也没关系，不代表不是985的就不喜欢。认真表现就可以了。相信自己是最棒
的！一出来分数后最好马上联系导师。最好能和一个导师定下意向来。

考抗干扰的话初试最好报上导师吧。今年初试没报导师的都不算第一志愿。我就是初试
没报导师后来补报的。是一志愿优先录取的。其他学院的情况我不清楚。考抗干扰的话建议
初试填报导师。