在认知无线电场景下,提出一种基于最佳中继选择的认知中继解码转发(decode-and-forward,DF)传输方案,且认知节点(包括源和中继节点)均采用正交频分复用(orthogonal frequency division multiplex,OFDM)调制方式,并在此基础上提出了一种...在认知无线电场景下,提出一种基于最佳中继选择的认知中继解码转发(decode-and-forward,DF)传输方案,且认知节点(包括源和中继节点)均采用正交频分复用(orthogonal frequency division multiplex,OFDM)调制方式,并在此基础上提出了一种针对认知源节点和中继节点的联合优化功率分配算法,以使认知用户的信息传输速率达到最大,且同时满足主用户的干扰门限(interference threshold)认知节点的最大和发射功率2个约束条件。理论分析和仿真结果表明:提出的基于最佳中继选择的优化功率分配方案可获得比其他方案更为优越的系统性能。展开更多
针对压缩感知(Compressed Sensing,CS)中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法(Alternating Direction Exterior Point Continuation Method,ADEPCM).该算法首先将信号的稀疏域的l1-正则...针对压缩感知(Compressed Sensing,CS)中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法(Alternating Direction Exterior Point Continuation Method,ADEPCM).该算法首先将信号的稀疏域的l1-正则化问题通过变量分裂(Variable Splitting,VS)技术转化为与之等价的约束优化问题;然后采用一步Gauss-Seidel思想,对优化问题中的变量最小化,并采用持续的思想更新罚参数,重构出信号的稀疏系数;最后进行正交反变换,重构出原始信号.并将ADEPCM用于图像重构,进行了仿真实验及对实验结果进行了分析.实验结果表明:与现有的一些重构算法相比,ADEPCM具有稍高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更快速的收敛速度.展开更多
文摘在认知无线电场景下,提出一种基于最佳中继选择的认知中继解码转发(decode-and-forward,DF)传输方案,且认知节点(包括源和中继节点)均采用正交频分复用(orthogonal frequency division multiplex,OFDM)调制方式,并在此基础上提出了一种针对认知源节点和中继节点的联合优化功率分配算法,以使认知用户的信息传输速率达到最大,且同时满足主用户的干扰门限(interference threshold)认知节点的最大和发射功率2个约束条件。理论分析和仿真结果表明:提出的基于最佳中继选择的优化功率分配方案可获得比其他方案更为优越的系统性能。
文摘针对压缩感知(Compressed Sensing,CS)中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法(Alternating Direction Exterior Point Continuation Method,ADEPCM).该算法首先将信号的稀疏域的l1-正则化问题通过变量分裂(Variable Splitting,VS)技术转化为与之等价的约束优化问题;然后采用一步Gauss-Seidel思想,对优化问题中的变量最小化,并采用持续的思想更新罚参数,重构出信号的稀疏系数;最后进行正交反变换,重构出原始信号.并将ADEPCM用于图像重构,进行了仿真实验及对实验结果进行了分析.实验结果表明:与现有的一些重构算法相比,ADEPCM具有稍高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更快速的收敛速度.
