项目名称: 面向无线传感器网络的源-信道-网络联合无线传输理论研究

项目编号: No.61261015

项目类型: 地区科学基金项目

立项/批准年度: 2013

项目学科: 无线电电子学、电信技术

项目作者: 贾向东

作者单位: 西北师范大学

项目金额: 40万元

中文摘要: 压缩感知(CS)、LDPC码和网络编码(NC)技术是三个性能优良的现代信号处理技术,它们的共同特点是通过一个转换矩阵实现了从一个空间到另一个空间的几何映射。虽然有文献初步研究了CS与LDPC之间的关系和基于LDPC技术的网络编码,但是就如何将这三种技术有机地融合在一起,则是一个全新的课题,其不仅要求要有统一的转换矩阵,而且要有统一的译码算法和性能度量准则。课题通过探索无线传感器网络的稀疏特性,充分利用WSN感知信号的空、时相关特性,研究CS和LDPC技术之间的相互转换关系和基于LDPC技术的高分集增益网络编码方案,建立以LDPC技术为纽带、面向无线传感器网络的联合源-信道-网络无线传输方案,即CS-LDPC-NC方案,并对其性能进行分析。该方案不仅具有较高的能量效率、较高的频谱效率和接近香浓容限的特征,而且易于实现。为探索CS、LDPC和NC技术之间的本质联系及其在WSN中的应用奠定理论基

中文关键词: 网络编码;中继;压缩感知;低密度码;

英文摘要: In modern signal processing techniques, there are three techniques with good performance, which are compressed sensor (CS), low-density parity-check (LDPC), and network coding (NC). By using CS and NC techniques, the energy efficiency and spectral efficiency of the systems can be greatly improved, respectively. At the same time, LPDC technique has the capacity to approach theoretical capacity limits. The common characteristic of the three techniques are that the signals are transformed from a space to another by using transform matrixes. It is an open issue how to perfectly integrate the three techniques, though the relationship among CS, LDPC, and NC has been explored in literatures. This requires not only the uniform transform matrix among the three techniques, but also the uniform decoding (or signal recovery) algorithms and the measurement criterions for good performance. By using the sparsity of the sensing signals of the wireless sensor networks (WSN), the relationship between the CS and LDPC techniques will be investigated firstly. Secondly, with the consideration of high diversity gain and the using of LDPC, the network coding schemes will be presented as well as the corresponding decoding algorithms. Finally, with LDPC technique as a link, a joint source-channel-network coding scheme will be presented a

英文关键词: Network coding;Relay;compressed sensor;LDPC;

成为VIP会员查看完整内容
0

相关内容

压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。 compressive sensing(CS) 又称 compressived sensing ,compressived sample,大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。 与稀疏表示不同,压缩感知关注的是如何利用信号本身所具有的稀疏性,从部分观测样本中恢复原信号。
《零功耗通信》未来移动通信论坛
专知会员服务
18+阅读 · 2022年4月15日
6G物理层AI关键技术白皮书(2022)
专知会员服务
42+阅读 · 2022年3月21日
【经典书】随机矩阵理论与无线网络,186和pdf
专知会员服务
49+阅读 · 2021年12月21日
专知会员服务
12+阅读 · 2021年9月13日
【硬核书】机器人网络分布式控制
专知会员服务
67+阅读 · 2021年7月25日
专知会员服务
25+阅读 · 2020年12月17日
专知会员服务
45+阅读 · 2020年11月13日
【文献综述】边缘计算与深度学习的融合综述论文
专知会员服务
165+阅读 · 2019年12月26日
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
TensorFlow 模型优化工具包:协作优化 API
TensorFlow
1+阅读 · 2021年11月29日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月25日
Recent advances in deep learning theory
Arxiv
50+阅读 · 2020年12月20日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Arxiv
17+阅读 · 2019年3月28日
小贴士
相关VIP内容
《零功耗通信》未来移动通信论坛
专知会员服务
18+阅读 · 2022年4月15日
6G物理层AI关键技术白皮书(2022)
专知会员服务
42+阅读 · 2022年3月21日
【经典书】随机矩阵理论与无线网络,186和pdf
专知会员服务
49+阅读 · 2021年12月21日
专知会员服务
12+阅读 · 2021年9月13日
【硬核书】机器人网络分布式控制
专知会员服务
67+阅读 · 2021年7月25日
专知会员服务
25+阅读 · 2020年12月17日
专知会员服务
45+阅读 · 2020年11月13日
【文献综述】边缘计算与深度学习的融合综述论文
专知会员服务
165+阅读 · 2019年12月26日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员