隧道中毫米波MIMO信道特性的实验研究——论文阅读

简介: 本文针对地铁隧道环境开展28 GHz毫米波MIMO信道测量,研究水平与垂直极化下的信道特性。采用高增益定向天线克服路径损耗,并结合实测与射线追踪仿真分析。结果表明,水平极化因侧壁反射更强、角度扩展更大,信道容量优于垂直极化,为隧道内毫米波通信系统设计提供依据。

隧道中毫米波MIMO信道特性的实验研究

X. Liu, X. Yin and G. Zheng, "Experimental Investigation of Millimeter-Wave MIMO Channel Characteristics in Tunnel," in IEEE Access, vol. 7, pp. 108395-108399, 2019, doi: 10.1109/ACCESS.2019.2932576.

摘要

本文进行了28 GHz毫米波传播测量活动,旨在预测隧道环境中多输入多输出(MIMO)信道性能。研究了两种极化配置方案。为了克服毫米波传播的严重路径损耗,在隧道环境测量中使用了高增益定向喇叭天线。通过比较相同特定位置的测量结果和仿真结果,发现仿真模型与测量结果吻合良好。利用该仿真模型可以预测隧道其他位置的MIMO容量。研究推断,在恒定信噪比(SNR)条件下,水平极化配置的天线阵列元件比垂直极化配置具有更高的容量。

1. 引言

随着城市轨道交通系统对数据速率需求的不断增长,频谱短缺的现实问题日益严峻。为应对这一挑战,毫米波频段因其拥有大量原始带宽而备受关注。理解无线信道特性对于设计无线通信系统至关重要,因此研究地铁隧道中毫米波MIMO信道传播特性具有重要意义。

早期的MIMO信道性能研究主要集中在低频段(6 GHz以下)的地铁隧道环境。随后,基于模态分析的MIMO理论研究和实验活动在地铁隧道中展开。据我们所知,只有少数文献关注60 GHz频段的非地铁隧道(矿井隧道)研究。在矿井隧道的狭窄和宽阔环境下进行了单输入单输出(SISO)毫米波信道测量,结果表明狭窄环境中的SISO信道容量高于宽阔环境,其路径损耗指数低于自由空间。

由于矿井隧道的尺寸、材料或壁面粗糙度与地铁隧道存在显著差异,本文在中国南通中天科技公司(ZTT)的南通隧道中进行了28 GHz的MIMO信道测量,并利用这些测量结果预测地铁隧道中的毫米波MIMO信道性能。

2. 测量和仿真环境设置

2.1 测量环境

fig11.png

测量在中国南通ZTT的类地铁隧道中进行。隧道由50米矩形段和50米拱形段组成,总长100米。隧道宽4.4米,高3米。图1展示了南通隧道和发射-接收阵列位置的示意图,其中标记了发射机(Tx)和接收机(Rx)的具体位置,以及用于MIMO测量的虚拟阵列配置。

fig22.png

测量系统框图如图2所示,主要包括:

  • 虚拟阵列用于实现MIMO测量
  • 发射机使用Keysight E8267D矢量信号发生器
  • 接收机使用Keysight N9030B信号分析仪
  • 铷原子钟用于时间同步
  • 控制计算机(CLK)进行数据采集和处理

关键测量参数如表1所示:

参数 数值
中心频率 28 GHz
发射功率 23 dBm
带宽 100 MHz
采样率 200 MHz
延迟分辨率 10 ns
最大延迟 5110 ns
发射信号 PN序列
PN序列长度 511码片
发射天线高度 1.6 m
接收天线高度 1.6 m

2.2 极化配置

研究了两种极化配置:

  • VV配置:所有发射和接收天线阵列元件均为垂直极化
  • HH配置:所有发射和接收天线阵列元件均为水平极化

通过将天线孔径的长边垂直于地面放置实现垂直极化信号的发射/接收,将其旋转90°平行于地面实现水平极化信号的发射/接收。使用的定向喇叭天线半功率波束宽度为16°,增益为19.25 dBi。

2.3 仿真设置

使用Wireless InSite射线追踪软件获取仿真结果。根据测量环境用AutoCAD建立3D模型。隧道壁的配置参数如表2所示:

材料 厚度(m) 粗糙度 电导率(S/m) 介电常数
混凝土 0.5 0.001 0.48 5.31

为了研究其他位置的MIMO容量,进一步仿真了发射-接收距离从15米到94米、间隔1米的情况。

3. 数据处理与分析

3.1 信道脉冲响应的获取

信道脉冲响应(CIR)通过收集数据与发射序列副本的互相关直接生成。为了从背景噪声中分离有效的多径分量(MPC),基于相对于原始功率延迟分布的平均热噪声底噪的5 dB信噪比阈值计算阈值。

相互信息容量是基于MIMO系统的基本属性。用于计算MIMO信道容量的窄带信道脉冲响应为:

$$h_{narr}(t,s,u) = \sum_{i=1}^{N_\tau} \tilde{h}(t,\tau_i,s,u)$$

其中$N_\tau$是多径数量,$s$表示第$s$个接收天线,$u$是第$u$个发射天线。

3.2 信道矩阵归一化

在分析MIMO信道容量之前,通常需要对MIMO信道矩阵进行归一化。每个信道实现的归一化信道矩阵表示为:

$$\mathbf{H}_{nor} = \mathbf{H} \sqrt{\frac{N_{Tx}N_{Rx}}{||\mathbf{H}||_F^2}}$$

其中$||\mathbf{H}||_F$表示Frobenius范数,定义为:

$$||\mathbf{H}||_F = \sqrt{\sum_{i=1}^{N_{Rx}}\sum_{j=1}^{N_{Tx}}|h_{ij}|^2}$$

3.3 MIMO信道容量计算

假设发射端没有信道状态信息,MIMO信道容量可计算为:

$$C = \log_2\left(\det\left(\mathbf{I}_{N_{Rx}} + \frac{\rho}{N_{Tx}}\mathbf{H}_{nor}\mathbf{H}_{nor}^*\right)\right)$$

其中$\rho$是平均SNR,$(•)^*$表示矩阵的共轭转置,$N{Tx}$和$N{Rx}$分别是发射和接收天线元件数量,$\mathbf{I}{N{Rx}}$是$N{Rx} \times N{Rx}$的单位矩阵。

4. 反射系数的物理机制

造成HH配置性能优于VV配置的原因可以通过反射系数来解释。根据国际电信联盟(ITU)建议,28 GHz时混凝土的电导率为0.48 S/m,相对介电常数为5.31。对于非完全导电表面的反射,垂直极化(⊥)和水平极化(||)的平面波菲涅尔反射系数分别为:

垂直极化:
$$R_\perp(\theta) = \frac{\cos(\theta) - \sqrt{\varepsilon' - \sin^2(\theta)}}{\cos(\theta) + \sqrt{\varepsilon' - \sin^2(\theta)}}$$

水平极化:
$$R_{||}(\theta) = \frac{\varepsilon'\cos(\theta) - \sqrt{\varepsilon' - \sin^2(\theta)}}{\varepsilon'\cos(\theta) + \sqrt{\varepsilon' - \sin^2(\theta)}}$$

其中$\varepsilon' = \varepsilon/\varepsilon_0 - j\sigma/(\omega\varepsilon_0)$,$\omega = 2\pi f$,$\varepsilon = \varepsilon_r\varepsilon_0$是材料的介电常数,$\sigma$是电导率,$\varepsilon_r$是相对介电常数,$\varepsilon_0 = 8.85 \times 10^{-12}$ F/m是真空介电常数,$f$是载频,$\theta$是入射角。

fig55.png

图5展示了垂直和水平极化的反射系数随入射角的变化。垂直极化系数随入射角增加而增加,但水平极化系数存在布儒斯特角,且始终低于垂直极化系数。对于水平极化信号,入射到隧道天花板和地板的射线是水平极化的,但在隧道壁上观察到垂直极化。对于垂直极化信号,观察到相反的响应。根据反射系数,HH配置在隧道壁上的反射射线功率大于VV配置。由于隧道宽度大于隧道高度,隧道壁上的反射射线具有比隧道天花板和地板更大的到达角。这导致HH配置比VV配置具有更高的角度扩展,从而HH配置具有比VV配置更大的信道容量。

5. 测量和仿真结果

5.1 恒定SNR下的MIMO信道容量比较

fig33.png
fig44.png

为了进行公平比较,考虑恒定SNR为10 dB的情况。图3和图4分别给出了2×2和4×4 MIMO信道容量。仿真结果低于测量结果,这是因为仿真是理想环境,而测量期间墙上存在一些小散射体,这些在仿真中未被考虑,因此仿真结果低于测量结果。尽管在30米位置存在差异,但仿真结果与测量结果具有相同的趋势。30米位置差异的原因是测量环境在该位置有金属材料导致强反射,使得测量中该位置附近的MIMO容量高于仿真。因此可以得出结论,仿真模型与测量结果吻合良好。

表3给出了HH和VV配置在所有发射-接收距离上的平均容量:

极化配置 平均容量 (bit/s/Hz)
4×4 2×2
VV-测量 5.7 4.1
HH-测量 6.7 4.3
VV-仿真 5.42 4.39
HH-仿真 5.40 4.39

可以观察到HH配置的性能优于VV配置。

5.2 容量预测

fig66.png
fig77.png

图6和图7分别展示了包含预测的2×2和4×4 MIMO容量随发射-接收距离的变化。当发射-接收距离在15米到45米范围内时,由于高莱斯K因子(定义为视距分量和非视距分量的功率比),HH和VV的MIMO信道容量几乎重叠。当发射-接收距离从45米增加到95米时,由于K因子的降低,HH和VV在恒定SNR 10 dB下的MIMO信道容量增加,且HH高于VV。

表4给出了包含预测的所有发射-接收距离的平均容量:

极化配置 平均容量 (bit/s/Hz)
4×4 2×2 SISO
VV 5.59 4.41 3.46
HH 5.65 4.44 3.46

预测结果表明HH具有比VV更高的平均容量。由于MIMO系统相当复杂,将其性能与SISO系统进行比较非常重要。无论是实际测量还是仿真,2×2 MIMO和4×4 MIMO系统的平均容量都高于SISO系统。

6. 结论

本研究使用定向天线在中国南通的地铁隧道中进行了28 GHz的毫米波MIMO信道测量。为了克服毫米波频段的高衰减,在测量中使用了高增益定向锥形喇叭天线。研究考虑了两种极化配置(VV、HH)。

主要结论如下:

仿真结果的平均MIMO容量低于测量结果,这是因为测量环境中存在更多散射体导致强反射,而仿真无法完全模拟这些效应。

在地铁隧道中,无论是测量还是仿真,HH配置在恒定SNR下的容量都高于VV配置。这一现象的物理机制在于:水平极化在隧道侧壁的反射系数高于垂直极化,而隧道宽度大于高度使得侧壁反射占主导地位,导致HH配置具有更大的角度扩展和更高的信道容量。

因此,对于地铁隧道中的毫米波MIMO通信系统,HH是更好的极化配置选择。


附录A:MIMO信道容量的理论推导

A.1 信道模型的数学表示

考虑一个$N{Tx} \times N{Rx}$的MIMO系统,接收信号可以表示为:

$$\mathbf{y} = \mathbf{H}\mathbf{x} + \mathbf{n}$$

其中$\mathbf{y} \in \mathbb{C}^{N{Rx} \times 1}$是接收信号向量,$\mathbf{x} \in \mathbb{C}^{N{Tx} \times 1}$是发射信号向量,$\mathbf{H} \in \mathbb{C}^{N{Rx} \times N{Tx}}$是信道矩阵,$\mathbf{n} \in \mathbb{C}^{N_{Rx} \times 1}$是加性高斯白噪声向量。

假设噪声向量的协方差矩阵为:
$$\mathbb{E}[\mathbf{n}\mathbf{n}^*] = \sigma_n^2\mathbf{I}_{N_{Rx}}$$

发射信号的协方差矩阵为:
$$\mathbf{R}_x = \mathbb{E}[\mathbf{x}\mathbf{x}^*]$$

A.2 互信息量的推导

系统的互信息量定义为:
$$I(\mathbf{x};\mathbf{y}) = h(\mathbf{y}) - h(\mathbf{y}|\mathbf{x})$$

其中$h(\cdot)$表示差分熵。由于给定$\mathbf{x}$时,$\mathbf{y}$的条件分布为高斯分布:
$$\mathbf{y}|\mathbf{x} \sim \mathcal{CN}(\mathbf{H}\mathbf{x}, \sigma_n^2\mathbf{I}_{N_{Rx}})$$

因此条件熵为:
$$h(\mathbf{y}|\mathbf{x}) = \log_2\det(\pi e \sigma_n^2\mathbf{I}_{N_{Rx}}) = N_{Rx}\log_2(\pi e \sigma_n^2)$$

对于边缘分布,$\mathbf{y}$也服从高斯分布:
$$\mathbf{y} \sim \mathcal{CN}(\mathbf{0}, \mathbf{H}\mathbf{R}_x\mathbf{H}^* + \sigma_n^2\mathbf{I}_{N_{Rx}})$$

其差分熵为:
$$h(\mathbf{y}) = \log_2\det(\pi e(\mathbf{H}\mathbf{R}_x\mathbf{H}^* + \sigma_n^2\mathbf{I}_{N_{Rx}}))$$

将上述结果代入互信息量公式:
$$I(\mathbf{x};\mathbf{y}) = \log_2\det(\pi e(\mathbf{H}\mathbf{R}_x\mathbf{H}^* + \sigma_n^2\mathbf{I}_{N_{Rx}})) - N_{Rx}\log_2(\pi e \sigma_n^2)$$

化简得:
$$I(\mathbf{x};\mathbf{y}) = \log_2\frac{\det(\mathbf{H}\mathbf{R}_x\mathbf{H}^* + \sigma_n^2\mathbf{I}_{N_{Rx}})}{\det(\sigma_n^2\mathbf{I}_{N_{Rx}})}$$

$$= \log_2\det\left(\mathbf{I}_{N_{Rx}} + \frac{1}{\sigma_n^2}\mathbf{H}\mathbf{R}_x\mathbf{H}^*\right)$$

A.3 最优功率分配

当发射端不知道信道状态信息时,最优的功率分配策略是等功率分配:
$$\mathbf{R}_x = \frac{P}{N_{Tx}}\mathbf{I}_{N_{Tx}}$$

其中$P$是总发射功率。定义信噪比$\rho = P/\sigma_n^2$,则信道容量为:
$$C = \max_{\mathbf{R}_x} I(\mathbf{x};\mathbf{y}) = \log_2\det\left(\mathbf{I}_{N_{Rx}} + \frac{\rho}{N_{Tx}}\mathbf{H}\mathbf{H}^*\right)$$

A.4 特征值分解与容量表达式

对$\mathbf{H}\mathbf{H}^*$进行特征值分解:
$$\mathbf{H}\mathbf{H}^* = \mathbf{U}\mathbf{\Lambda}\mathbf{U}^*$$

其中$\mathbf{U}$是酉矩阵,$\mathbf{\Lambda} = \text{diag}(\lambda_1, \lambda2, ..., \lambda{N_{Rx}})$是特征值对角矩阵。

容量可以重写为:
$$C = \log_2\det\left(\mathbf{I}_{N_{Rx}} + \frac{\rho}{N_{Tx}}\mathbf{\Lambda}\right) = \sum_{i=1}^{r}\log_2\left(1 + \frac{\rho}{N_{Tx}}\lambda_i\right)$$

其中$r = \text{rank}(\mathbf{H})$是信道矩阵的秩。

附录B:菲涅尔反射系数

B.1 边界条件与电磁场连续性

考虑平面电磁波从介质1(空气)入射到介质2(隧道壁材料)的界面。设入射角为$\theta_i$,反射角为$\theta_r$,折射角为$\theta_t$。

根据斯涅尔定律:
$$n_1\sin\theta_i = n_2\sin\theta_t$$

其中$n_1$和$n_2$分别是两种介质的折射率。对于有损耗介质:
$$n_2 = \sqrt{\varepsilon_r - j\frac{\sigma}{\omega\varepsilon_0}}$$

B.2 垂直极化(TE模式)

对于垂直极化,电场垂直于入射面。边界条件要求切向电场和磁场连续:

$$E_i + E_r = E_t$$
$$H_i\cos\theta_i - H_r\cos\theta_r = H_t\cos\theta_t$$

利用平面波中$H = \sqrt{\varepsilon/\mu}E$的关系,以及$\theta_i = \theta_r$,可得:

$$E_i + E_r = E_t$$
$$\sqrt{\frac{\varepsilon_1}{\mu_1}}(E_i - E_r)\cos\theta_i = \sqrt{\frac{\varepsilon_2}{\mu_2}}E_t\cos\theta_t$$

定义反射系数$R_\perp = E_r/Ei$,透射系数$T\perp = E_t/E_i$,求解上述方程组:

$$R_\perp = \frac{Z_2\cos\theta_i - Z_1\cos\theta_t}{Z_2\cos\theta_i + Z_1\cos\theta_t}$$

其中$Z_1 = \sqrt{\mu_1/\varepsilon_1}$和$Z_2 = \sqrt{\mu_2/\varepsilon_2}$是波阻抗。

利用$\cos\theta_t = \sqrt{1 - \sin^2\theta_t} = \sqrt{1 - (n_1/n_2)^2\sin^2\theta_i}$,并假设$\mu_1 = \mu_2 = \mu_0$:

$$R_\perp = \frac{\cos\theta_i - \sqrt{\varepsilon_r' - \sin^2\theta_i}}{\cos\theta_i + \sqrt{\varepsilon_r' - \sin^2\theta_i}}$$

其中$\varepsilon_r' = \varepsilon_r - j\sigma/(\omega\varepsilon_0)$是复相对介电常数。

B.3 水平极化(TM模式)

对于水平极化,磁场垂直于入射面。类似地应用边界条件:

$$H_i + H_r = H_t$$
$$E_i\cos\theta_i - E_r\cos\theta_r = E_t\cos\theta_t$$

经过类似推导,得到水平极化的反射系数:

$$R_{||} = \frac{\varepsilon_r'\cos\theta_i - \sqrt{\varepsilon_r' - \sin^2\theta_i}}{\varepsilon_r'\cos\theta_i + \sqrt{\varepsilon_r' - \sin^2\theta_i}}$$

B.4 布儒斯特角

对于水平极化,当$R_{||} = 0$时出现布儒斯特角$\theta_B$:

$$\varepsilon_r'\cos\theta_B = \sqrt{\varepsilon_r' - \sin^2\theta_B}$$

平方并整理:
$$\varepsilon_r'^2\cos^2\theta_B = \varepsilon_r' - \sin^2\theta_B$$
$$\varepsilon_r'^2(1 - \sin^2\theta_B) = \varepsilon_r' - \sin^2\theta_B$$
$$\sin^2\theta_B(\varepsilon_r'^2 - 1) = \varepsilon_r'(\varepsilon_r' - 1)$$

因此:
$$\tan\theta_B = \sqrt{\varepsilon_r'}$$

对于实数介电常数,布儒斯特角为:
$$\theta_B = \arctan\sqrt{\varepsilon_r}$$

附录C:隧道中的射线追踪模型

C.1 镜像法原理

在矩形隧道中,可以使用镜像法来计算多径传播。对于位于$(x_t, y_t, z_t)$的发射机和位于$(x_r, y_r, z_r)$的接收机,第$(m,n)$个镜像的位置为:

$$x_{mn} = \begin{cases} x_t & m = 0 \\ 2ma - x_t & m \text{ 为偶数} \\ 2ma + x_t & m \text{ 为奇数} \end{cases}$$

$$y_{mn} = \begin{cases} y_t & n = 0 \\ 2nb - y_t & n \text{ 为偶数} \\ 2nb + y_t & n \text{ 为奇数} \end{cases}$$

其中$a$和$b$分别是隧道的宽度和高度。

C.2 路径损耗计算

从第$(m,n)$个镜像到接收机的路径长度为:

$$d_{mn} = \sqrt{(x_r - x_{mn})^2 + (y_r - y_{mn})^2 + (z_r - z_t)^2}$$

相应的路径损耗(考虑反射损耗)为:

$$L_{mn} = \left(\frac{\lambda}{4\pi d_{mn}}\right)^2 \prod_{k=1}^{|m|}|R_x^{(k)}|^2 \prod_{l=1}^{|n|}|R_y^{(l)}|^2$$

其中$R_x^{(k)}$和$R_y^{(l)}$是第$k$次和第$l$次反射的反射系数。

C.3 总接收功率

总接收功率为所有有效路径的相干叠加:

$$P_r = P_t G_t G_r \left|\sum_{m=-M}^{M}\sum_{n=-N}^{N} \sqrt{L_{mn}} e^{-jk_0 d_{mn}}\right|^2$$

其中$P_t$是发射功率,$G_t$和$G_r$分别是发射和接收天线增益,$k_0 = 2\pi/\lambda$是波数,$M$和$N$是考虑的最大镜像阶数。

C.4 信道矩阵元素

对于MIMO系统,信道矩阵的第$(i,j)$个元素为:

$$h_{ij} = \sum_{m=-M}^{M}\sum_{n=-N}^{N} \sqrt{L_{mn}^{(ij)}} e^{-jk_0 d_{mn}^{(ij)}} F_t^{(j)}(\theta_{mn}^{(ij)}, \phi_{mn}^{(ij)}) F_r^{(i)}(\theta_{mn}^{(ij)}, \phi_{mn}^{(ij)})$$

其中$F_t^{(j)}$和$Fr^{(i)}$分别是第$j$个发射天线和第$i$个接收天线的方向图,$(\theta{mn}^{(ij)}, \phi_{mn}^{(ij)})$是相应的角度。

目录
相关文章
|
3月前
|
机器学习/深度学习 人工智能 资源调度
大语言模型的核心算法——简要解析
大语言模型的核心算法基于Transformer架构,以自注意力机制为核心,通过Q、K、V矩阵动态捕捉序列内部关系。多头注意力增强模型表达能力,位置编码(如RoPE)解决顺序信息问题。Flash Attention优化计算效率,GQA平衡性能与资源消耗。训练上,DPO替代RLHF提升效率,MoE架构实现参数扩展,Constitutional AI实现自监督对齐。整体技术推动模型在长序列、低资源下的性能突破。
458 8
|
2月前
|
人工智能 物联网 调度
边缘大型AI模型:协作部署与物联网应用——论文阅读
论文《边缘大型AI模型:协作部署与物联网应用》系统探讨了将大模型(LAM)部署于边缘网络以赋能物联网的前沿框架。针对传统云端部署高延迟、隐私差的问题,提出“边缘LAM”新范式,通过联邦微调、专家混合与思维链推理等技术,实现低延迟、高隐私的分布式智能。
723 6
边缘大型AI模型:协作部署与物联网应用——论文阅读
|
3月前
|
机器学习/深度学习 数据采集 人工智能
Phi-3 技术报告:手机本地运行的高能力语言模型
Phi-3系列模型通过高质量数据训练与架构创新,实现小体积、高性能。38亿参数的phi-3-mini在手机端可达GPT-3.5水平,支持长上下文、多模态与高效推理,推动AI普惠化。
391 1
|
3月前
|
机器学习/深度学习 存储 自然语言处理
NLP参数高效迁移学习:Adapter方法——论文简读
本研究深入探讨了自然语言处理中参数高效的迁移学习方法——Adapter。通过在预训练模型中引入小型可训练模块,仅调整少量额外参数即可完成模型适配。理论分析表明,该方法在初始化时保持网络行为稳定,并通过瓶颈结构大幅压缩参数规模。实验结果显示,Adapter在GLUE基准上仅用3.6%的参数便达到接近全微调的性能,且对学习率具有更强的鲁棒性。相比传统微调和其他参数高效方法,Adapter在多任务场景下展现出更优的存储效率与泛化能力,为大规模模型的实际部署提供了高效可行的解决方案。
253 7
|
3月前
|
存储 算法 数据可视化
SpQR: 稀疏量化表示实现大语言模型近无损压缩——论文阅读
SpQR是一种创新的稀疏量化方法,通过识别并高精度存储导致大量化误差的异常权重,将其他权重压缩至3-4比特,实现大语言模型的近无损压缩。该方法在LLM压缩中首次跨模型规模达到接近16位精度的性能,压缩后模型平均误差低于1%。实验表明,SpQR在推理速度与压缩率上优于现有技术,使高质量大模型可在消费级设备高效运行。
307 9
|
3月前
|
边缘计算 缓存 人工智能
EdgeShard:通过协作边缘计算实现高效的大语言模型推理——论文解读
EdgeShard是一种基于协作边缘计算的大语言模型(LLM)推理框架,旨在解决LLM在云端部署面临的延迟高、带宽压力大和隐私泄露等问题。通过将LLM分片部署在多个边缘设备上,结合云边协同与设备间协作,EdgeShard实现了高效的模型推理。其核心创新包括:联合设备选择与模型划分优化、支持流水线并行与微批处理、提出EdgeShard-No-Bubbles策略以减少设备空闲时间,从而显著提升推理吞吐量并降低延迟。实验表明,EdgeShard在异构边缘设备上可实现高达50%的延迟降低和2倍的吞吐量提升,支持全精度模型推理而无精度损失,为资源受限的边缘环境提供了高效的LLM部署方案。
770 2
|
3月前
|
机器学习/深度学习 移动开发 资源调度
矩形隧道中MIMO信道特性的模态理论解释——论文解读
本文基于模态理论研究矩形隧道中MIMO信道的传播特性,分析模式正交性、有效模式数及空间相关性对信道容量的影响。结果表明,在损耗壁条件下模式仍具准正交性,有效模式数随距离衰减,收发端相关性制约系统性能。研究为隧道等封闭环境下的MIMO系统设计提供了理论依据。
213 17
矩形隧道中MIMO信道特性的模态理论解释——论文解读
|
3月前
|
机器学习/深度学习 人工智能 资源调度
智能家居环境中的AI决策解释:实现以人为中心的可解释性——论文阅读
本文探讨智能家居中AI决策的可解释性,提出以人为中心的XAI框架。通过SHAP、DeepLIFT等技术提升模型透明度,结合用户认知与需求,构建三层解释体系,增强信任与交互效能。
285 19
智能家居环境中的AI决策解释:实现以人为中心的可解释性——论文阅读
|
3月前
|
机器学习/深度学习 算法 物联网
面向能效和低延迟的语音控制智能家居:离线语音识别与物联网集成方案——论文阅读
本文提出一种面向能效与低延迟的离线语音控制智能家居方案,通过将关键词识别(KWS)集成至终端设备,结合去中心化Mesh网络与CoAP协议,实现本地化语音处理。相较云端方案,系统能耗降低98%,延迟减少75%以上,显著提升响应速度与能源效率,为绿色智能家居提供可行路径。(236字)
297 17
面向能效和低延迟的语音控制智能家居:离线语音识别与物联网集成方案——论文阅读