由於正交分頻多工可有效對抗多重路徑衰落通道,因而被廣泛地運用在許多無線通訊系統中。然而,快速衰落通道會對正交分頻多工系統產生載波間干擾。許多近期的研究顯示,在多路徑快衰落通道下的通道估測,為降低載波間干擾的影響,需要成群的引導信號和跨多個符元的長時間觀測以達到較好的準確率。 根據先前研究中提出針對有嚴重都普勒效應之多路徑快速時變通道,結合錯誤更正碼使得接收端能將解碼資訊和對數概似比迭代傳回以協助估測的方法,本篇論文改良並考慮相鄰子載波間頻率通道響應的連續性,用以在一個正交分頻多工符元時間長度下僅利用多個孤立引導信號得到更準確的估測結果。由於多路徑快速衰落通道的通道估測可在一個符元時間利用多個孤立的引導信號完成,我們將此方法靈活延伸至各種多樣性中。論文中介紹可達到空間多樣性的多天線無線通訊系統,結合前述通道估測方法,以降低通道估測所需的遞迴次數並達到較好的準確率。最後,在單天線系統中若允許較長的偵測延遲,我們加入跨多個符元長度的低密度奇偶檢查碼作為內碼,達到時間多樣性並得到較佳的錯誤率表現。
分增益多重接取系統是一種非正交的多重接取方法,可以在同一資源中同時傳輸多個使用者。在本文中,我們使用分群方法作為盲蔽式通道估計技術來獲得通道狀態。空時分組碼是一種用於無線通訊的技術,它可以通過使用多個天線和多個時間點來獲得更多的分集增益,使用空時分組碼使我們的系統更穩定。 我們還將使用極化碼的分增益多重接取系統與正交分頻多工相結合。利用極性碼的特性,我們可以解決無導頻信道估計的相位模糊性,同時降低峰均功率比。 低密度簽名碼分多重接取系統和稀疏碼多重接取系統是非正交多重接取系統方法,其中稀疏碼多重接取系統是從低密度簽名碼分多重接取系統衍生而來的一種特殊信號星座設計方法。在文獻中,我們以許多不同的方案在瑞利衰落信道下比較了分增益多重接取系統,稀疏碼多重接取系統和低密度簽名碼分多重接取系統。 隨機接取是無線通信的重要組成部分。我們針對一種通過將分增益多重接取系統與傳統的阿樂哈系統結合而無需使用前導碼和導頻來識別用戶的方法做更進一步的研究。
許多通道編碼都被證明在碼長夠長的情況下它的錯誤率可以達到向農限制,然而在一些情況下我們只能使用短線性區段碼,另外,軟式解碼相較於硬式由於保存了較多的通道資訊,使得其在錯誤率上有較佳的表現,本篇論文所要探討的A*解碼演算法正是一個應用在短線性區段碼的樹狀結構軟式解碼演算法 然而,為了使得它達到最大似然性能(maximum likelihood performance),其所需要耗費的解碼複雜度可能是相當龐大的,此外,儲存空間的大小也是個衡量演算法優劣的重要因素。在這篇論文中,我們將許多已知的方法進行適當地調整及整合並將他們應用於A*解碼演算法中,希望能降低錯誤率及其解碼複雜度,我們所應用到的方法包含ordered statistics、path constraint algorithms、adaptive path constraint algorithm、control band check、early stop algorithms、modified Fano metric以及Multi-basis algorithm。
無線虛擬實境,旨在提供低延時、高品質之沉浸體驗。儘管近年來大量文獻致力於優化全景影像串流的研究,如何在各式影片類型、各種視野預測誤差下都保持低延時、高品質的串流水準,仍然是一大挑戰。本研究提出兩項技術:預測窗口優化與跨幀優化,提升全景影像串流的水準。優化預測窗口能夠降低預測模型之負載,同時避免排程過程引入過多預測誤差;跨幀優化則能根據不同預測窗口之預測誤差,進一步將未來一段時間內的串流策略最佳化,讓使用者在各種通道品質與預測誤差下,都能不受干擾地觀看影片。本研究首先設計一個新穎的使用者體驗 (QoE) 指標,用以計算全景影像投影造成的失真,並衡量各處影像與視野中心之距離。利用此指標,定義出預測窗口內跨幀優化問題,對預測時間範圍中所有需要傳輸的圖塊進行資源配置優化。由於此問題同時牽涉到多個時間點的最佳策略,本研究考慮受約束之馬可夫決策過程 (CMDP),以拉格朗日乘數將問題拆分成個別圖塊之排程優化問題。在優化預測窗口的問題上,則以情境式多臂吃角子老虎機 (CMAB) 動態估測不同預測窗口中不同圖塊之預期使用者體驗,藉以降低預測誤差對影像串流造成的影響。為驗證提出之串流系統效能,採用真實虛擬實境資料集,在擬真的通道環境中佈署串流系統。經驗證,本研究提出的串流系統能有效提高使用者體驗達19.8%,並降低無效負載達49.5%。
在此論文中,我們考慮了無線感測網路 (WSNs) 中以資訊為核心的資料收集相關問題。由於無線感測網路通常部署在某個特定領域,因此收集到的資訊在感測器節點之間可能具有相關性。我們假設最基本的星型模型網路,藉由多個感測器從環境中捕獲資訊並上傳接收端。每個感測器都附有自己的隊列 (queue) 來暫時存放未上傳的資訊。我們首先考慮離散訊號源的編碼和排程問題。我們將分佈式訊源編碼 (DSC) 中著名的 Slepian-Wolf-Cover 邊界 (bound)推廣到按塊 (blockwise) 進行串流式 (streaming) 編碼 (coding),其中各個訊號源可以利用來自其感測器的資料取樣 (samples) 間的時空相關性 (spatio-temporal correlations) 進行無損壓縮(lossless compression)。與需要先驗 (a priori) 訊號源統計量 (statistics) 的經典界限不同,我們提出的時域平均 (time-average) 不等式可以根據訊號源的變化來進行可適性 (adaptive) 調整,進而最佳化 (optimize) 隊列 (queue) 長度。我們還發現在對資訊品質 (information fidelity) 進行一定的限制下,主動拋棄少量資料即可顯著減少隊列的長度。在第二個問題中,我們將視角提升到不僅僅是數位編碼,而是高維度 Ornstein-Uhlenbeck 訊號源之復原。我們發現消息理論 (information theory) 當中最重要的測度 — 相互資訊 (mutual information) — 可以被用於量化接收端所收到的取樣資訊的新鮮度,並且可以視作是訊息年齡 (Age-of-Information, AoI)的一非線性函數。與最常見、最初被提出的線性 AoI 函數相比,相互資訊作為 AoI 們的一個非線性函數能更好地捕捉訊號源的時變 (time-varying) 特徵以及訊號源之間的協方差(covariances)。最重要的是,我們證明了若是在每個週期都最小化這個相互資訊的項,則可間接最大化接收器 (receiver) 所接收到的消息,從而最佳化多訊號源的恢復。我們將此聯合取樣 (sampling) 與排程 (scheduling) 的問題建構為受約束的 (constrained) 半馬爾可夫決策過程 (semi-Markov decision processes, SMDP) 並提供與之相應的演算法 (algorithm)。此外,由於隊列長度和 AoI 之間存在一種交換權衡關係 (trade-off),我們提出了基於 Lyapunov 最佳化理論的聯合最佳化策略。簡而言之,我們提出以資訊為核心的方法不僅為復原多相關資訊源提供新的視角,還使得接收端所獲資訊在隊列長度及傳輸資源皆減少的情況下卻能提升。
調查基於機器學習室內定位系統的相關文獻,當環境發生變化時,針對特定環境所訓練的原始模型可能會變得無效。因此,重新收集足夠數量的無線電特徵資料並重新訓練針對新環境的定位模型將是必要的。然而,對於部署定位系統而言,這種針對於新環境的定位議題,所衍生出的訓練成本,可能會使得大量部署定位系統成為不切實際的目標。為了解決增加訓練成本的問題,我們的研究旨在找到一種可以有效利用原始定位模型和知識的定位解決方案。我們使用軟體定義無線電 (Software-Defined Radio,SDR) 硬體平台和開源軟體環境 (OAI 5G) 來建置具有大頻寬及低延遲特性的行動通訊網路。基於這個行動通訊網路,我們可以取得基於 LTE 的無線電特徵,例如:接收訊號強度(Received Signal Strength,RSS)和通道狀態資訊(Channel State Information,CSI)。將這些無線電特徵,通過機器學習的方法進行訓練,可以以所期望的準確度來定位用戶設備 (User Equipment,UE)。從我們的實驗結果顯示,50% 的測試資料可以達到定位誤差小於 50 公分(cm)。此外,將 XGBoost 模型與 FN (Fusion Network) 模型相結合,我們可以實現 35.77 cm 的更好定位誤差。由於,這種方法需要相對大量的資料來進行機器學習模型訓練,因此,我們應用生成對抗網路(Generative Adversarial Network,GAN)來進行資料擴充。為了在遇到新環境時能夠降低訓練成本,我們嘗試以模型微調來轉移這些領域知識。我們還應用超參數最佳化來尋找模型的最佳超參數,從而提高微調模型的性能。結合超參數最佳化和資料擴充的技術,微調模型的性能可以提高 28%,性能上限和我們微調模型的性能之間的性能差距可以減少大約18%。
我們探討在去中心化假說檢定的問題中,考慮一眾類於[11]所提出之演算法的做法下的理論極限。文獻[11]所提出的演算法保有良好的去中心化特性,網路中的各節點可自由選擇給予其各鄰居的權重,並在每回合根據自身所抽取的樣本及自己的概似函數構成與相鄰節點交換的訊息。然就錯誤機率而論,其演算法所能達到的錯誤率和經典假說檢定問題中的錯誤率之間存在著明顯的落差,而此落差正是受到在去中心化的情況下網路中某種“不平衡”影響而產生。 我們將此情形下的錯誤率刻畫為一最佳化問題,並提出原始演算法的推廣來補償此網路的不平衡性。佐以些許網路的全域訊息,我們證明在我們提出的廣義演算法下,網路中各節點進行假說檢定的錯誤率的首項漸進項能表現的和中心化的情況下一樣好。接著,我們也透過更高次項的漸進項來刻畫去中心化的代價—去中心化最多對錯誤率帶來常數倍的影響。 對於如何讓各節點獲得所需的全域訊息,我們也提出了相似的估計演算法,並刻畫估計量的收斂速度。除了理論結果之外,我們也針對數種情形進行模擬,模擬結果也支持我們提出的演算法以及前述的理論結果。最後,我們也提供了後續的討論以及如何將我們的結果延伸至較一般的問題。
本論文研究在廣用平均停止時間要求下之資料導向逐次假說檢定問題。我們首先考慮二元假說的設定,其中,決策者可以收到逐次輸入的兩組訓練資料串,且他們分別是由兩個未知分佈P0 和P1 以獨立且相同的方式逐次取樣產生。決策者之目標是以這兩組訓練序列分類目前收到的測試序列,其中測試序列是由P0 和P1 其中一個未知分佈以獨立且相同的方式逐次取樣產生。本論文提出一種基於測試序列和訓練序列的統計經驗分布之方法,稱為逐次類型匹配檢定(STMT),其和 Gutman [4] 所提出之檢定相比,在錯誤指數上有很大的進步。此外,我們也證明了在所有滿足廣用停止時間要求以及類型一和類型二錯誤率指數遞減之方法中,STMT 有漸進最佳性。最後,我們將二元假說設定下所得到的結果延伸至多元(超過兩個假說)假說的設定。
除了早期的第三代行動通訊,直接序列分碼多重進接目前在衛星導航與衛星定位系統中仍被廣泛應用。在現行的短碼直接序列分碼多重進接系統中,常使用方波來產生時域限制但頻域無限的展頻訊號,在先前的研究中,為了產生奈奎斯頻寬的短碼直接序列分碼多重進接信號,頻域方波則常被討論與使用,然而,頻域方波的不連續性使得系統無法實現。 另外,在衛星通訊中,直接轉換接收器為一接收器架構,直接轉換接收器嚴重地受到直流偏置影響,在本論文中,藉由對展頻序列提出一項新的限制,找出零直流成分且可實現的脈波成形,此脈波成形可幫助消除直流偏置影響,不會產生失真且可有效率地實現。為了找出適合使用此脈波成形的展頻序列,檢測了數個常用的正交碼以及偽隨機辨識碼並探討其多重存取干擾的影響。此外,兩個奇數碼長的正交碼也在本論文中提出。
我們希望設計出一種現代化的護理機器人,其需要能夠具備護理失智症患者的能力,其中一項挑戰是,實現護理機器人與失智症患者之間的對話,而這需要對護理機器人進行語言理解及表達能力的訓練。與此同時,實現這些訓練需要具備大量具有高度分割準確率的失智症患者之語音片段。我們通過實驗發現,失智症患者的語音識別及語音內容的轉折點檢測比正常人要復雜得多。因此,在本文中,我們首次提出設計雙向長短期記憶人工神經網路,進行失智症患者的說話人模型之設計,並通過對時間序列數據進行建模,從根本上解決失智症患者語音內容的轉折點檢測之難題。 本文研究結果表明,一些傳統中著名的關於語音內容轉折點檢測的方法,例如貝葉斯信息量準則,其不能有效地處理目標是失智症患者這樣的特殊情況。我們確認,現階段我們所提出的模型在處理失智症患者語音內容轉折點檢測方面的準確率為28.60%,比傳統中著名的貝葉斯信息量準則模型的準確率高出16.10%。
為了持續優化網站功能與使用者體驗,本網站將Cookies分析技術用於網站營運、分析和個人化服務之目的。
若您繼續瀏覽本網站,即表示您同意本網站使用Cookies。