CN114204969B - 用于去蜂窝大规模mimo系统的数据删失和融合方法 - Google Patents
用于去蜂窝大规模mimo系统的数据删失和融合方法 Download PDFInfo
- Publication number
- CN114204969B CN114204969B CN202111414441.2A CN202111414441A CN114204969B CN 114204969 B CN114204969 B CN 114204969B CN 202111414441 A CN202111414441 A CN 202111414441A CN 114204969 B CN114204969 B CN 114204969B
- Authority
- CN
- China
- Prior art keywords
- access point
- data
- deletion
- energy
- processing unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种用于去蜂窝大规模MIMO系统的数据删失和融合方法,系统包括N个接入点、K个用户以及1个中央处理器,方法包括:建立数据删失模型和能量收集模型;根据数据删失模型和能量收集模型,以最小数据融合误差为目标函数、以接入点的能量约束为限制条件得到删失门限;中央处理器将删失门限与最小均方算法或递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值。本发明针对去蜂窝大规模MIMO系统,通过数据删失模型和能量收集推导出删失门限,并将删失门限与最小均方算法或递归最小二乘算法结合执行数据融合,实现最优删失,在不降低融合精度的情况下延长了系统寿命。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种用于去蜂窝大规模MIMO系统的数据删失和融合方法。
背景技术
在去蜂窝大规模多输入多输出(Multiple input multiple output,MIMO)系统中,接入点将采集到的用户数据发送给中央处理器进行下一步处理,承担着数据采集和数据传输的功能,需要消耗大量的能量。并且,接入点通常体积小,运算负载有限。因此,考虑在接入点引入数据删失技术来减少低信息度数据的传输,有效地降低负载并延长系统寿命。数据删失作为一种统计学的数据约简方法目前已被广泛的用于信号处理过程来降低计算量从而提升能效,它的主要思路是将接收到的数据分为高信息度信号和低信息度信号,然后根据删失规则滤除掉低信息度信号而仅将高信息度信号转发给中央处理器。目前的数据删失技术主要是随机删失,它通过设定一个预设的概率,使接入点依概率对数据进行删失,不能实现对数据不同重要性的甄别。
目前的数据融合算法主要包括最小均方算法(Least Mean Square,LMS)和递归最小二乘算法(Recursive Least Squares,RLS)以及二者衍生出的相关算法。LMS算法是一种一阶梯度最速下降法,该算法不需要已知输入信号和期望信号的统计特征,当前时刻的权系数是通过上一时刻权系数再加上一个负均方误差梯度的比例项求得,具有原理简单、参数少、收敛速度较快而且易于实现等优点。RLS算法是一种二阶梯度算法,它的目标函数是使得期望信号与输出信号的差的平方和最小。不同于LMS算法只使用了当前时刻的输入信号矢量和期望信号,RLS算法利用过去的信息来使得算法加速收敛,所以它相对于LMS算法的优点是收敛速度更快,误差更小,但缺点就是计算复杂度更高。对于运算负载不足,融合精度要求低的系统,LMS算法更合适;对于运算负载足,融合精度要求高的系统,RLS算法更合适。利用这两种算法,中央处理器可以对来自接入点的用户数据进行高精度的恢复。
去蜂窝大规模 MIMO 系统中接入点需要根据数据的重要程度进行选择性的传输,从而降低因传递相近数据而增加的数据冗余度,而随机删失是接入点按照预设的概率而不是根据数据的特征进行删失,这种随机删失无法实现接入点对数据的甄别,只能笼统的降低整体的数据传输量,因此无法满足系统的需求。传统的基于门限的删失中的门限通常是一个预设的常数,当实测信号与估计信号之间的差值大于这个常数的时候,接入点将该实测信号判断为高信息度的数据转发给中央处理器,反之则删除。这种删失方式能够使得接入点根据系统的差异化需求进行数据预处理,降低传输量从而节约了宝贵的能量。然而目前没有相关研究给出适应于相应系统的门限求解规则,只能通过以往经验来预设一个笼统的值,从而无法实现最优删失。
发明内容
本发明针对上述问题,提供了一种用于去蜂窝大规模MIMO系统的数据删失和融合方法,具体采用了基于门限的数据删失,以防止低信息量数据的传输。提出了将数据删失与LMS算法和RLS算法相结合的TDC-LMS算法和TDC-RLS算法,在实现高精度数据恢复的同时尽可能延长系统寿命。
本发明的技术方案如下:
一种用于去蜂窝大规模MIMO系统的数据删失和融合方法,所述去蜂窝大规模MIMO系统包括 N个接入点、K个用户以及1个中央处理器,方法包括以下步骤:
建立数据删失模型,具体为:接入点接收用户传输的当前采集数据和中央处理器返回的上一时隙的参考值;接入点将当前采集数据和参考值进行差值比较,将与参考值的绝对差值小的当前采集数据判断为低信息度数据,将与参考值的绝对差值大的当前采集数据判断为高信息度数据,将高信息度数据发送给中央处理器;
建立能量收集模型,具体为:根据接入点能量收集效率确定T个时隙内接入点的能量约束;
根据数据删失模型和能量收集模型,以最小数据融合误差为目标函数、以接入点的能量约束为限制条件得到删失门限;
中央处理器将删失门限与最小均方算法或递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值。
进一步地,所述数据删失模型的具体表达式为:
其中y n (t)表示第n个接入点采集的数据,c n (t)为二元删失变量,,e n
(t)表示数据融合误差,,来表示第n个接入点和用户之
间的信道参数集,表示接入点接收中央处理器返回的上一时隙的参考值,表
示第n个接入点与用户之间的零均值加性高斯噪声的方差开根号,表示删失门限,*表示
被删失后的值。
进一步地,所述能量收集模型的具体表达式为:
进一步地,所述以数据最小融合误差为目标函数,以接入点的能量约束为限制条件得到的优化问题P1:
其中表示中央处理器接收到的第n个接入点的数据,,为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子,表示接入点和中央处理器之间的信道,表示第n个接入点和用户之间的信道参数集,表示中央处理器当前参考值。
进一步地,优化问题P1结合接入点配备的能量收集器得到的删失门限具体表达式为:
其中,表示接入点接收中央处理器返回的上一时隙的参考值,是在(0,1)中的收敛因子,表示第n个接入点和用户之间的信道参数集,表示误差函数,表示中央处理器接收到的第n个接入点的数据,,为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子,表示接入点和中央处理器之间的信道,表示数据融合误差,表示第n个接入点与用户之间的零均值加性高斯噪声的方差开根号,表示删失门限。
,,表示接入点接收中央处理器返回的上一时隙的参考值,表示第n个接入点和用户之间的信道参数集,表示误差函数,表示中央处理器接收到的第n个接入点的数据,,为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子,表示接入点和中央处理器之间的信道,c n (t)为二元删失变量,。
进一步地,所述中央处理器将删失门限与最小均方算法结合执行数据融合并更新数据删失模型中的参考值,具体步骤为:
进一步地,所述中央处理器将删失门限与递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值,具体步骤为:
本发明提供的一种用于去蜂窝大规模MIMO系统的数据删失和融合方法,为了解决接入点电池寿命有限的问题,在接入点上采用了基于门限的数据删失,以防止低信息量数据的传输,具体为建立了数据删失模型和能量收集模型,以最小数据融合误差为目标函数、以接入点的能量约束为限制条件得到删失门限。提出了将删失门限与LMS算法和RLS算法相结合的TDC-LMS算法和TDC-RLS算法,在实现高精度数据恢复的同时尽可能延长系统寿命。此外,还考虑了在接入点上配置能量收集器,经仿真证明,该方案不仅可以实现能量的可持续供应,还可以提高算法的融合精度。仿真结果表明,与未删失的直接传输相比,所提出的算法能够在不降低数据融合精度的情况下,显著提高系统的使用寿命。与随机删失相比。仿真结果表明,所提出的算法收敛速度更快,融合精度更高。最终达到的有益效果是:提出的基于门限的离线数据删失和融合算法,实现了离线最优删失,在不降低融合精度的情况下,大幅地延长系统寿命。数据删失通过降低一部分数据传输量降低了能量消耗,而能量收集技术则可以为接入点进一步提供能量补充,二者结合可开源节流。
附图说明
图1是本发明实施例中去蜂窝大规模MIMO系统结构示意图;
图2是本发明实施例中去蜂窝大规模 MIMO 系统传输模型结构示意图;
图3是本发明实施例中两种基于门限的数据删失和融合算法在接入点未配备能量收集器场景下的性能对比图;
图4是本发明实施例中两种基于门限的数据删失和融合算法与随机删失算法的性能对比图;
图5是本发明实施例中LMS算法在接入点未配备或配备能量收集器场景下的性能对比图;
图6是本发明实施例中RLS算法在接入点未配备或配备能量收集器场景下的性能对比图。
具体实施方式
为进一步对本发明的技术方案作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的步骤。
实施例
(1)去蜂窝大规模 MIMO 系统模型
本实施例的数据删失和融合方法应用于去蜂窝大规模MIMO系统,系统结构如图1所示,去蜂窝大规模 MIMO 系统可以看作是由多个服务小区组成,每个服务小区包含N个接入点,K个用户和1个中央处理器组成。接入点随机分布在中央处理器周围,并通过回程链路实现它与中央处理器之间的数据交互。每个相干时隙包括三个阶段:数据采集、数据删失和数据融合。在数据采集阶段,用户将数据通过信道传输给接入点,在信道传输过程中会受到噪声的干扰。在数据删失阶段,每个接入点接收到中央处理器返回的参考值后进行数据删失,选择性地将低信息度的数据删除,这样便能大大降低回程链路的通信消耗。在数据融合阶段,每个接入点将保留下的高信息度的数据通过回程链路传输给中央处理器。同样,在回程链路中的数据传输也会受到噪音的干扰。中央处理器接收到数据后,利用自适应滤波算法恢复出被破坏的原始数据。
(1.1)数据传输模型
(1.2)建立数据删失模型
正常情况下,每个接入点都会直接将采集结果发送给中央处理器。但完成从接入点到中央处理器的一次传输所消耗的能量远远大于数据接收和数据处理所消耗的能量。因此,发明人考虑在接入点处引入数据删失方案来降低能量消耗从而延长系统寿命。具体是:当接入点接收到中央处理器返回的参考值时,会将当前采集值和参考值进行比较,对于那些与参考值很接近的数据将其判断为低信息度的数据即将与参考值的绝对差值小的当前采集数据判断为低信息度数据,将误差大的数据判定为是高信息度数据即将与参考值的绝对差值大的当前采集数据判断为高信息度数据,高信息度的数据将被保留并发送给中央处理器。后续将验证该方案可以节省大部分能量消耗,而不会大大降低融合精度。
一般的数据删失规则如下:
为了降低计算复杂度,发明人引入了二元删失变量,当时,,这意味着可以近似地估计为,即数据融合误差足够小,其中表示接入点端接收到来自中央处理器处在上一时隙估计出的参考值。这种通过多次迭代的自适应删失方案考虑了所有的采集结果,充分利用上一个时隙得到的来提高融合精度,在引入后式(4)可以表示为
多数情况下的删失门限是一个固定值。在本发明中,发明人通过能量限制推导出了不同接入点的不同删失门限。有了这一门限,每个接入点在接收到中央处理器返回的上一个时隙的参考值后,便可以准确地在本地执行删失。后续将描述如何在一个时隙内通过接入点处能量的消耗和收集过程来得到。
(1.3)建立能量收集模型
假设在第n个接入点收集的能量服从均值为的泊松分布,能量收集效率为(),这意味着在T个时隙中有能量可用于支撑传输消耗。将定义为每次传输所消耗的总能量,E为接入点的初始能量,那么在T个时隙内的总传输能量消耗可以表示为。 因此,能量约束可以推导为
(2)基于门限的离线数据删失-融合算法
对于去蜂窝大规模 MIMO 系统,主要目标是在满足上述能量限制的情况下,在不降低数据融合精度的情况下尽可能延长系统的使用寿命。加入了数据删失后可以减少数据传输量,但这将不可避免地导致数据融合准确性的下降。 因此,发明人研究目标应该是在满足能量收集约束的情况下,尽可能减小融合误差,其公式如下:
其中(C1)表示T时隙内第n个接入点的能量约束,(C2)表示是从一和零中选择的二元变量。优化问题P1是一个关于二元变量和连续变量的双线性非凸函数,虽然将离散变量连续化再用拉格朗日乘子法是一种办法,但该方法的准确度会导致融合精度大大降低。因为约束集(C1)是一个与时间相关的函数,只有当(C2)中时每个接入点才会决定传输当前数据,所以可以将这种能量约束条件转化为传输概率约束,并用它来确定删失门限。为了描述删失的效果,发明人首先在接入点未配备收集能量器的场景下进行推导。
(2.1)接入点未配备能量收集器
每个接入点在收到上一时隙的估计值后做出是否删失的决定是统计独立的,这意味着
因此式(10)可以重写为
(2.2)接入点配备能量收集器
在配备了能量收集器的接入点场景中,限制条件(C1)可以松弛为
每个接入点独立地收集能量,则
那么式(16)可以写为
与接入点未配备能量收集器类似,可以得到接入点配备了能量收集器场景下的删失门限表达式为
进一步地,发明人将数据删失与最小均方算法(Least Mean Square,LMS)和递归最小二乘算法(Recursive Least Squares,RLS)结合,提出了两种可以减少能耗的基于门限的数据删失和融合算法(Threshold-base data censoring-LMS,TDC-LMS)和(Threshold-base data censoring-RLS,TDC-RLS)来恢复出用户端的源数据,并且利用数据删失的优势来延长去蜂窝大规模MIMO系统寿命。
(2.3)TDC-LMS数据删失和融合算法
其中,,是在(0,1)中选取的收敛因子。当恢复出的数据与实际数据之间的误差超过设定的门限时,接入点将采集到的数据发送给中央处理器。否则,接入点将不向中央处理器发送数据,保持空闲状态。因此,TDC-LMS数据删失和融合算法表达式可以写为
(2.4)TDC-RLS数据删失和融合算法
然后有
其中
类似地
为了简化(27)式,令
则(26)可以转换为
代入(28) ,(30)和 (31)到(24)可得
因此, TDC-RLS数据删失和融合算法的更新表达式可总结为
其中
TDC-RLS算法具体实施步骤为:
为了更好地体现本发明的效果,实施例通过仿真分析了本发明提出的两种数据删失和融合算法的性能。去蜂窝大规模 MIMO 系统包括1个中央处理器,N=30个接入点,K=15个用户,信道向量和参数向量均服从均值为零、方差为的高斯分布,时隙长度T=200。为了便于定量分析,发明人将传输能量归一化,并能量收集的均值设为0.5,能量收集效率,表示所有的收集到的能量都可用于数据传输。每个接入点的初始电池能量E设置为50。因此,在不考虑数据删失和接入点未配备能量收集器的场景下,接入点的电池可以支持50次数据传输,即去蜂窝大规模MIMO系统的寿命为50个时隙。仿真的蒙特卡罗次数设为50000。发明人采用归一化均方误差性能来表征数据融合精度,归一化均方误差值越小,表示融合精度越高,并用系统工作的时隙长度来表示系统的寿命。
如图3所示,展示了本发明提出的算法在接入点未配备能量收集器场景下的性能。图示中使用传统未删失-LMS算法进行全数据传输的融合结果,表明该系统最多可支持50个时隙。在加入了数据删失后的TDC-LMS算法,可以看出,由于门限的过滤效应,那些低信息度的采集数据在接入点处被删失,而高信息度的数据则被发送到中央处理器进行融合。结果显示,与全数据传输相比,TDC-LMS算法的融合精度虽然有所降低,但优点是系统的传输消耗将减少,去蜂窝大规模MIMO系统的寿命将得到延长。在这种情况下,系统可以支持大约82个时隙,这比传统算法可以支持的50个时隙高约64%。图示中接入点未配备能量收集器场景下的未删失-RLS算法、以及接入点未配备能量收集器场景下的TDC-RLS算法,与未删失-LMS算法进行全数据传输一样,未删失-RLS也可以支持50个时隙,但是在收敛精度和收敛速度方面比LMS算法更好。在加入了数据删失后,TDC-RLS算法与TDC-LMS算法具有相同的删失门限,所以TDC-RLS算法下的系统寿命也将延长到84个时隙。同时可注意到RLS算法在收敛性上要明显优于LMS算法。
如图4所示,对比了基于门限的数据删失和融合算法与随机删失融合算法的性能,证明了基于门限删失的有效性。点线和点划线分别表示TDC-LMS算法和TDC-RLS算法,实线表示随机删失-LMS算法,虚线表示随机删失-RLS算法,图例中删失率表示未传输的次数占数据检测总次数的百分比。以TDC-RLS算法为例,首先得到TDC-RLS的删失率为0.7526,意味着整个过程的传输次数减少了75%。然后取该值作为随机删失算法的概率。结果表明,本发明提出的算法在收敛速度和精度上都优于随机删失算法。
图5和图6分别展示了接入点在未配备或配备能量收集器场景下LMS算法和RLS算法的性能。以图6基于RLS的算法为例进行说明,以实线为基准表示接入点未配备能量收集器的场景下的性能。虚线表示接入点配备了能量收集器的场景下的未删失-RLS算法性能。点划线表示接入点配备了能量收集器的场景下的TDC-RLS算法性能。可以看出,在保持融合精度基本不变的情况下,系统的寿命可以增加一倍,达到100个时隙左右。将数据删失与RLS算法结合后,由于新的删失门限更小,系统的寿命能够进一步延长到143个时隙,且融合精度也接近初始RLS算法。同时,相比于未配备能量收集器的情况,在接入点配备了能量收集器后的场景中的融合精度比TDC-RLS算法有了很大提高,这充分证明了在加入了能量收集技术不仅可以直接增加系统的寿命,而且可以间接地弥补由数据删失所造成的融合性能的下降。
通过实施例可以看出,本发明针对去蜂窝大规模MIMO系统,提出了基于门限的TDC-LMS和TDC-RLS数据删失与融合算法。首先利用接入点的初始能量和预期寿命推导出了门限的闭合表达式。为了解决接入点电池寿命有限的问题,在接入点上采用了基于门限的数据删失,以防止低信息量数据的传输。提出了将数据删失与LMS算法和RLS算法相结合的TDC-LMS算法和TDC-RLS算法,在实现高精度数据恢复的同时尽可能延长系统寿命。此外,还考虑了在接入点上配置能量收集器,经证明,本发明方法不仅可以实现能量的可持续供应,还可以提高算法的融合精度。仿真结果表明,与未删失的直接传输相比,所提出的算法能够在不降低数据融合精度的情况下,显著提高系统的使用寿命。与随机删失相比。仿真结果表明,所提出的算法收敛速度更快,融合精度更高。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的步骤、方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种步骤、方法所固有的要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (4)
1.一种用于去蜂窝大规模MIMO系统的数据删失和融合方法,所述去蜂窝大规模MIMO系统包括N个接入点、K个用户以及1个中央处理器,其特征在于,包括以下步骤:
建立数据删失模型,具体为:接入点接收用户传输的当前采集数据和中央处理器返回的上一时隙的参考值;接入点将当前采集数据和参考值进行差值比较,将与参考值的绝对差值小的当前采集数据判断为低信息度数据,将与参考值的绝对差值大的当前采集数据判断为高信息度数据,将高信息度数据发送给中央处理器;
建立能量收集模型,具体为:根据接入点能量收集效率确定T个时隙内接入点的能量约束,具体表达式为:其中En为接入点每次传输所消耗的总能量,表示在T个时隙内的总传输能量消耗,E表示接入点的初始能量,表示第n个接入点收集的能量,η表示能量收集效率,cn(t)为二元删失变量,cn(t)∈{0,1};
根据数据删失模型和能量收集模型,以最小数据融合误差为目标函数、以接入点的能量约束为限制条件得到删失门限,具体为:以数据最小融合误差为目标函数,以接入点的能量约束为限制条件得到的优化问题P1:
for n=1,…,N,for t=1,…,T
(C2):cn(t)∈{0,1},for n=1,…,N
其中zn(t)表示中央处理器接收到的第n个接入点的数据,bn(t)=αngn(t),αn为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子,gn(t)表示接入点和中央处理器之间的信道,Hn(t)表示第n个接入点和用户之间的信道参数集,表示中央处理器当前参考值;
优化问题P1结合接入点未配备能量收集器得到的删失门限具体表达式为:
优化问题P1结合接入点配备的能量收集器得到的删失门限具体表达式为:
其中Q(·)为高斯概率密度函数的互补累积分布函数,ρn表示第n个接入点的传输概率,E表示接入点的初始能量,λ为接入点收集能量均值,En为接入点每次传输所消耗的总能量,T表示时隙个数,η表示能量收集效率;
中央处理器将删失门限与最小均方算法或递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值;
其中,表示接入点接收中央处理器返回的上一时隙的参考值,μ是在(0,1)中的收敛因子,Hn(t)表示第n个接入点和用户之间的信道参数集,εn(t)表示误差函数zn(t)表示中央处理器接收到的第n个接入点的数据,bn(t)=αngn(t),αn为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子,gn(t)表示接入点和中央处理器之间的信道,en(t)表示数据融合误差,σn(t)表示第n个接入点与用户之间的零均值加性高斯噪声的方差开根号,τn表示删失门限;
3.根据权利要求2所述的用于去蜂窝大规模MIMO系统的数据删失和融合方法,其特征在于,所述中央处理器将删失门限与最小均方算法结合执行数据融合并更新数据删失模型中的参考值,具体步骤为:
步骤3、时隙t=1,2,...T,当时隙t≤T,n=1执行步骤4,当时隙t>T,执行步骤9;
步骤4、接入点n=1,2,...N,当接入点n≤N,执行步骤5,当接入点n>N,t=t+1,返回步骤3;
4.根据权利要求3所述的用于去蜂窝大规模MIMO系统的数据删失和融合方法,其特征在于,所述中央处理器将删失门限与递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值,具体步骤为:
步骤3、时隙t=1,2,...T,当时隙t≤T,n=1执行步骤4,当时隙t>T,执行步骤11;
步骤4、接入点n=1,2,...N,当接入点n≤N,执行步骤5,当接入点n>N,t=t+1,返回步骤3;
步骤8、更新P(t)=P(t-1)-P(t-1)cn(t)bn(t)Hn(t)K(t);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414441.2A CN114204969B (zh) | 2021-11-25 | 2021-11-25 | 用于去蜂窝大规模mimo系统的数据删失和融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414441.2A CN114204969B (zh) | 2021-11-25 | 2021-11-25 | 用于去蜂窝大规模mimo系统的数据删失和融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114204969A CN114204969A (zh) | 2022-03-18 |
CN114204969B true CN114204969B (zh) | 2022-09-27 |
Family
ID=80649020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111414441.2A Active CN114204969B (zh) | 2021-11-25 | 2021-11-25 | 用于去蜂窝大规模mimo系统的数据删失和融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114204969B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104901908B (zh) * | 2015-05-18 | 2018-01-19 | 杭州电子科技大学 | 基于信息论学习的删失数据参数自适应估计方法 |
KR20190103162A (ko) * | 2017-01-26 | 2019-09-04 | 엘지전자 주식회사 | 무선 통신 시스템에서 데이터 통신 수행 방법 및 상기 방법을 이용하는 단말 |
CN108228959A (zh) * | 2017-11-10 | 2018-06-29 | 东北石油大学 | 利用删失数据估计系统实际状态的方法及应用其的滤波器 |
-
2021
- 2021-11-25 CN CN202111414441.2A patent/CN114204969B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114204969A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Reinforcement learning-based adaptive transmission in time-varying underwater acoustic channels | |
Tutuncuoglu et al. | Optimum transmission policies for battery limited energy harvesting nodes | |
CN101790251B (zh) | 基于改进粒子群优化算法的无线传感器节点联盟生成方法 | |
Holliday et al. | Distributed power and admission control for time varying wireless networks | |
CN109089271B (zh) | 一种混合能量供能的无线协同网络资源随机分配方法 | |
CN110928678B (zh) | 一种基于移动边缘计算的区块链系统资源分配方法 | |
CN102316496A (zh) | 无线传感器网络中基于卡尔曼滤波的数据融合方法 | |
Holliday et al. | Distributed power control for time varying wireless networks: Optimality and convergence | |
Gregori et al. | Throughput maximization for a wireless energy harvesting node considering the circuitry power consumption | |
CN112333809B (zh) | 一种基于Lyapunov框架的能量收集中继安全传输在线功率控制方法 | |
CN114968404B (zh) | 一种位置隐私保护的计算任务分布式卸载方法 | |
Umashankar et al. | An efficient hybrid model for cluster head selection to optimize wireless sensor network using simulated annealing algorithm | |
CN110366225B (zh) | 一种无线供能多跳通信系统节点选择方法 | |
Liu et al. | Remote estimation for energy harvesting systems under multiplicative noises: A binary encoding scheme with probabilistic bit flips | |
CN114204969B (zh) | 用于去蜂窝大规模mimo系统的数据删失和融合方法 | |
Ko et al. | Spatiotemporal correlation-based environmental monitoring system in energy harvesting Internet of Things (IoT) | |
Wang et al. | A multi-featured actor-critic relay selection scheme for large-scale energy harvesting WSNs | |
Du et al. | Distortion minimization in wireless sensor networks with energy harvesting | |
Liu et al. | Power and rate control in wireless communication systems with energy harvesting and rateless codes | |
CN113329419A (zh) | 基于Raptor码的能量收集通信系统功率及速率在线联合控制方法 | |
Puviarasu et al. | Dynamic uneven clustering protocol for efficient energy management in EH-WSNs | |
CN105933913B (zh) | 无线传感器网络中分层数据回传链路能量收集存储方法 | |
Qi et al. | A flexible topology reconstruction strategy based on deep q-learning for balance performance and efficiency of stins | |
CN103826279A (zh) | 具有并发数据上传和收集代价最小化的移动数据收集方法 | |
Li et al. | Real-time optimal resource allocation in multiuser mobile edge computing in digital twin applications with deep reinforcement learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |