在无线通信中,与传统的单输入单输出(Single Input Single Output,SISO)技术相比,协同通信(Cooperative communication,CC)技术具有更好的性能。在放大转发(Amplify and Forward,AF)中继方案中,功率分配对系统的性能和功率利用起着关键作用。本文提出了一种新的基于机器学习的功率分配方法,其核心思想是将信道衰落系数的方差作为深度神经网络(Deep Neural Network,DNN)的输入,利用该系统的误码率闭环表达式,通过数值计算得到使误码率最小的功率分配方案,验证了深度神经网络在功率分配方法中的优势。结果表明,通过大量的数据训练,神经网络得到的功率分配方案的误码率(Symbol-Error-Rate,SER)无限逼近SER的精确值,并且随着隐含层层数的增加,神经网络的均方误差也在不断减小。与传统的功率分配相比,DNN在协作通信的功率分配中能够更好的减小网络传输的误码率。
车联网(VANETs,Vehicle Ad Hoc Networks)相比于传统的自组织网络,存在节点速度快、网络拓扑结构变化频繁等特点。为了研究现有的自组织网络中的路由算法是否适用于城市车联网场景,基于真实城市地图,在节点的不同移动速度、不同数据包大小两种情况下,利用NS2软件比较了采用AODV(Ad Hoc On-Demand Distance Vector Routing)、DSR(Dynamic Source Routing)、DSDV(Destination-Sequenced Distance-Vector Routing)三种典型的Ad Hoc网络路由算法以及基于网络编码的CAODV(COPE+AODV)路由算法下的车联网的时延、延时抖动、丢包率、吞吐量等网络的性能。仿真结果表明,在城市场景下,DSR的性能略优于其他三种路由算法。
现阶段,基于协作的无线视觉传感器网络(Wireless Visual Sensor Network, WVSN)大都着眼于图像、视频等的协作采集与处理,少有关心传输问题。因此,本文研究了基于协作通信技术的WVSN网络架构与相应研究。首先给出了一种同时关注图像的协作采集与传输的异构协作WVSN网络架构;在此基础之上重点研究了图像的协作传输问题,给出了直接传输、放大转发(Amplify and Forward, AF)协作通信、解码转发(Decode and Forward, DF)协作通信三种模式在两种功率分配方案下的峰值信噪比(Peak Signal to Noise Ratio, PSNR)、均方误差(Mean Square Error, MSE)的性能对比。仿真结果表明:无论何种中继位置与功率分配方案,中继协作方式均优于直传方式,能够有效地提高图像的峰值信噪比,降低图像传输的均方误差,提高图像传输的可靠性。
