Effect of Impulsive Noise on Uplink NOMA Systems
非正交多址接入(NOMA)最近被提出作为一种可行的技术,其可以潜在地提供未来无线电网络的频谱效率、低延迟和大规模连接要求。在此背景下,诸如工业物联网、智能电网和智能家居的众多超高可靠性技术呈现出以存在脉冲电磁干扰(称为脉冲噪声)为特征的环境。在这样的条件下,NOMA中的功率域复用预计会使系统对这种额外的脉冲噪声特别敏感。因此,在这篇文章中,我们量化了脉冲噪声对上行NOMA系统中断性能的影响。广泛的蒙特卡罗模拟以及提供的分析结果表明,所涉及的NOMA用户对这种类型的噪声的脆弱性。这突出了对脉冲噪声的有效建模以及适合NOMA的特定需求和挑战的缓解技术的设计的需要。
2020-01-04 eess.SP
A Novel Relay Selection Strategy of Cooperative Network Impaired by Bursty Impulsive Noise
最佳中继选择是提高协作网络性能的关键。在大多数以前的作品中,BRS的指导方针仅限于高斯噪声,在这篇文章中,我们提出了一种新的中继选择协议的解码和转发合作网络考虑到突发脉冲噪声(IN)。所提出的协议选择的第N个最好的中继考虑信道增益和状态的IN的源中继和中继的目的地链路。对于该方案,为了获得IN的状态,我们提出了一种使用最大后验概率(MAP)检测的状态检测算法。为了分析所提出的协议的性能,我们首先推导出封闭形式的表达式的概率密度函数(PDF)的接收到的信号噪声比假设所有的中继知道的IN状态完美(天才条件)。然后,这些PDF被用来获得封闭形式的表达式的误比特率(BER)和中断概率。最后,我们还推导出渐近误码率和中断表达式来量化分集的好处。我们表明,建议MAP为基础的第N个BRS协议达到派生的基因辅助分析结果,优于传统的中继选择协议,优化高斯的情况下,不考虑IN内存。
2019-05-29 eess.SP
Impulsive Noise Detection in OFDM-based Systems: A Deep Learning Perspective
从接收信号中有效地去除脉冲噪声(IN)在许多通信应用中是必不可少的。针对基于正交频分复用(OFDM)的通信系统,提出了一种两阶段的IN抑制方法。在第一阶段,使用深度神经网络(DNN)来检测冲动的实例。然后,检测到的IN在抑制阶段被消隐,以减轻异常值的有害影响。仿真结果表明,相对于传统的方法,如消隐和限幅,使用阈值来检测的IN优越的误比特率(BER)性能的这种方法。我们证明了基于DNN的方法在以下情况下的鲁棒性:(i)考虑用于训练和测试的IN模型之间的不匹配,以及(ii)当接收器被授权使用交织技术时的突发脉冲环境。
2019-01-02 eess.SP
Robust Multitask Diffusion Normalized M-estimate Subband Adaptive Filtering Algorithm Over Adaptive Networks
近年来,多任务扩散最小均方(MD-LMS)算法在多任务网络的分布参数估计和目标跟踪中得到了广泛的应用。然而,它的性能主要受到两个方面的限制,即相关输入信号和脉冲噪声干扰。为了同时克服这两个限制,本文首先将子带自适应滤波器(SAF)引入到多任务网络中。然后,通过分布式求解基于修正Huber函数的全局网络优化问题,提出了一种鲁棒的多任务扩散归一化M估计子带自适应滤波(MD-NMSAF)算法,该算法赋予多任务网络对相关输入的强去相关能力和对脉冲噪声干扰的鲁棒性,显著加快了算法的收敛速度.与鲁棒的多任务扩散仿射投影M估计(MD-APM)算法相比,该算法的计算复杂度大大降低。此外,还给出了MD-NMSAF的稳定条件、理论暂态和稳态网络均方差的解析表达式,并通过计算机仿真进行了验证。在不同输入信号和脉冲噪声环境下的仿真结果充分证明了MD-NMSAF算法在稳态精度和跟踪速度方面优于其他竞争对手。
2022-10-20 eess.SP
Adaptive Sign Algorithm for Graph Signal Processing
高效、健壮的不规则结构数据在线处理技术在当今数据丰富的时代至关重要。在本文中,我们提出了一个图/网络版本的经典自适应符号算法在线图信号估计下的脉冲噪声。最近提出的图自适应最小均方算法在非高斯脉冲噪声下不稳定,计算复杂度高。在这项工作中提出的图形符号算法是基于最小色散准则,因此脉冲噪声不会妨碍其估计质量。与最近提出的图形自适应最小均值p次幂算法不同,我们的图形符号算法可以在没有噪声分布的先验知识的情况下操作。与现有的自适应图信号处理算法相比,该算法计算复杂度低,具有更快的运行时间。实验上的稳态和时变图信号估计利用频谱特性的带宽和采样,图形符号算法表现出快速,稳定,鲁棒的图形信号估计性能下的脉冲噪声建模阿尔法稳定,柯西,学生的t,或拉普拉斯分布。
2022-01-15 eess.SP
On Robust Spectrum Sensing Using M-estimators of Covariance Matrix
本文研究了认知无线电网络中存在脉冲噪声时的频谱感知问题。在基于特征值的频谱感知方法中,提出了一类基于M估计的盲检测器。传统的基于特征值的方法是利用样本协方差矩阵(SCM)的特征值作为检验统计量,在脉冲噪声环境下效率低且不稳定。代替SCM,我们可以使用M-估计器,它在脉冲和非脉冲噪声下都具有良好的性能。在这些M-估计中,我们推荐Tyler的M-估计,它不需要噪声分布的知识,并且在不同的复椭圆对称分布下具有相同的虚警概率。此外,当噪声为强脉冲噪声时,它的性能优于使用样本协方差矩阵的检测器。应该强调的是,该检测器不需要基于能量检测的方法所需要的噪声功率的知识。仿真结果表明,在强脉冲噪声环境下,该检测器的性能优于传统的基于样本协方差矩阵的检测器。
2019-09-10 eess.SP math.ST stat.TH
Study of Robust Direction Finding Based on Joint Sparse Representation
Anhui University(安徽大学);Pontifical Catholic University of Rio de Janeiro (PUC-Rio)(里约热内卢天主教大学);University of York(约克大学)
针对脉冲噪声下传统DOA估计性能退化的问题,本文提出基于稀疏信号恢复的稳健DOA估计方法,并利用交替优化解决网格失配,仿真验证其抗大异常值能力。
2024-05-27 cs.LG eess.SP
Study of Robust Diffusion Recursive Least Squares Algorithms with Side Information for Networked Agents
Southwest Jiaotong University(西南交通大学);University of York(约克大学);PUC-Rio(里约热内卢天主教大学)
这项工作开发了一个强大的扩散递归最小二乘算法,以减轻网络中的代理人在脉冲噪声的存在下经常经历的性能下降。该算法最小化指数加权最小二乘成本函数,该函数受每个节点的中间估计更新的平方范数的时间相关约束。在边信息的帮助下,在扩散策略中递归地更新约束。此外,还提出了一种重新设定约束的控制策略,以保持良好的跟踪能力时,估计参数突然变化。仿真结果表明,在各种脉冲噪声的情况下,所提出的算法优于以前报道的技术。
2018-12-24 cs.IT cs.LG eess.SP
Adaptive Least Mean pth Power Graph Neural Networks
Tsinghua University(清华大学);Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院)
本文提出LMP-GNN框架,将自适应滤波与图神经网络结合,通过$l_p$范数优化实现在脉冲噪声和观测缺失下对时变图信号的鲁棒在线预测。
2024-11-23 cs.LG eess.SP
Masked Symbol Modeling for Demodulation of Oversampled Baseband Communication Signals in Impulsive Noise-Dominated Channels
Electrical & Computer Engineering Texas A&M University College Station, TX 77843(电气与计算机工程系,德克萨斯农工大学,College Station, TX 77843);Engineering Technology & Industrial Distribution Texas A&M University College Station, TX 77843(工程技术与工业分销,德克萨斯农工大学,College Station, TX 77843);Engineering Technology & Industrial Distribution, and Electrical & Computer Engineering Texas A&M University College Station, TX 77843(工程技术与工业分销,以及电气与计算机工程,德克萨斯农工大学,College Station, TX 77843)
本文提出屏蔽符号建模方法,用于在冲击噪声主导信道中解调过采样基带通信信号,通过学习复基带波形的潜在语法实现上下文感知的物理层设计。
2025-12-01 cs.LG cs.SD eess.SP
Robustness Enhancement in Neural Networks with Alpha-Stable Training Noise
Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院);Tsinghua University(清华大学)
针对深度学习在非完美环境中的噪声鲁棒性问题,本文提出用alpha-stable噪声替代高斯噪声进行数据增强训练,实验证明该方法对脉冲噪声具有更强的鲁棒性。
2023-11-17 cs.LG eess.SP
Data-Driven Symbol Detection for Intersymbol Interference Channels with Bursty Impulsive Noise
Eindhoven University of Technology(埃因霍温理工大学);NXP Semiconductors(恩智浦半导体)
针对突发脉冲噪声ISI信道及信道记忆认知不准场景,提出基于HMM无监督学习和NN-HMM混合的数据驱动BCJR检测方法,无需完整CSI即可实现接近最优的误码率性能。
2024-05-17 cs.IT cs.LG eess.SP
Training of mixed-signal optical convolutional neural network with reduced quantization level
University of Central Florida(中佛罗里达大学)
采用模拟矩阵乘法加速器的混合信号人工神经网络(ANN)可以实现更高的速度和更高的功率效率。虽然模拟计算容易受到噪声和设备缺陷的影响,但由于人工神经网络的鲁棒性,各种模拟计算范式被认为是解决机器学习应用中不断增长的计算需求的有前途的解决方案。这种鲁棒性已经在低精度、定点ANN模型中进行了探索,这些模型已经被证明在数字计算机上成功地压缩了ANN模型的大小。然而,这些有希望的结果和网络训练算法不能轻易地迁移到模拟加速器。原因是数字计算机通常携带具有较高位宽的中间结果,尽管每个ANN层的输入和权重具有较低的位宽;而模拟中间结果具有较低的精度,类似于具有降低的量化水平的数字信号。在这里,我们报告了一种训练方法的混合信号人工神经网络与两种类型的错误,在其模拟信号,随机噪声和确定性的错误(失真)。实验结果表明,在噪声水平为理想量化步长的50%的情况下,用该方法训练的混合信号神经网络可以达到与理想量化步长相当的分类精度。我们已经在基于衍射光学的混合信号光学卷积神经网络上证明了这种训练方法。
2020-08-20 cs.LG cs.NE eess.SP