如何才能让wifi网速变快

1、进入手机设置页面，点击WLAN选项。

2、进入新的页面，找到手机目前连接的WiFi。

3、长按所连接的WiFi(3-4s)，会d出一个选项，点击修改网络。

4、进入新的页面，勾选显示高级选项，IP选静态。

5、滑动到底部，修改域名1、域名2(域名=DNS)为114114114144。(114114114144是移动、电信、联通、通用的DNS，也是目前国内连接速度最快的DNS。)

6、设置完成，点击保存，重新连接WiFi，你会发现上网速度变快了。

配电台区智能（高级）终端高级应用系统前期设计技术的讨论

中国现代电网量测技术平台

张春晖

2017年3月18日

2017年3月4日，本文作者发表的«顺应智能配电网建设高端技术的需求，推进配电台区智能（高级）终端系列产品开发应用的产业化 探索 »指出:为拓展配电台区智能（高级）终端的应用领域，其高级应用功能设计有4项:

•提高配电台区低压电网多指标，自趋优运营能力

•在现场自主进行紧急事件处理

•多路径优化搜索

•实现配电网与用户互动，即具有多通信方式网关功能。

作为技术创新产品的前期设计，本文汇集智能化相关资料并经提炼后，将重点叙述运用配电台区智能（高级）终端，构建配电台区低压电网多输入多输出（mimo）在线监测，控制，补偿闭环优化系统的框架设计与参考技术，供配电台区智能（高级）终端高级应用系统方案设计的参考。

1）优化控制理论:"电力混成控制论"

鉴于由清华大学学者提出的"电力混成控制论"构建的先进能量管理系统，已经在上海电网应用解决大电网的多重目标趋优控制问题，体现了技术创新的思路 。本文将"电力混成控制论"作为智能（高级）终端高级应用功能的设计技术基础。

下面的内容摘录于清华大学学者:«智能电网基础»。

一是，"电力混成控制论主导思想:将一切不满足要求和不满足状态都分类定义为事件，通过控制使得系统回归至无事件运行状态，则系统的各项指标（稳定性，电能质量和经济性）一定是足够满意的"。

二是，"电力混成控制论"的运行架构:由最高决策指挥层，中间处理与 *** 作层，底层（混成控制指令接收和执行装置）组成。

三是，本文参照"电力混成控制论"的集合论语言，描述配变台区低压电网运营达到多指标，自趋优的智能控制过程:

•式（1）: e=e^d

式中，由低压电网实测到的运营指标数据d，经逻辑判断（逻辑函数）e^,确定是否形成指标异常事件e。

•式（2）:c=f(e)

式中，由指标异常事件e，运用逻辑函数f，判断事件类型并将其转化为控制命令c。

•式（3）:o=f^(c)

式中，一个由控制命令集c，运用逻辑函数f^,由命令转化为 *** 作指令集o。

•式（4）:o=f^[f(e)]

式中， *** 作指令集o是指标异常事件集合e的一个复合逻辑函数。

•式（5）:x=y(x o_)

式中，整个低压电网运营状态x受控，可以通过时间离散的 *** 作指令o_ ,加以改变为x。

•式（6）:a(o)---->e 0

式中， *** 作指令作用的结果a 是使指标异常事件集合e成为空集。

式（6），意味着配电台区低压电网实现了多指标 ，自趋优运营的高端目标。

由上可见，配电台区低压电网始终处于指标异常事件发现，处理和消除的过程。

2）配电台区低压电网运营有哪些考核电能质量，经济性的指标及其调控措施？

一是，多指标,主要有:

•电压及电压合格率

•电流及有功功率限额

•无功功率及功率因数限值

•三相负荷不平衡度

•电压/电流谐波含有率

•线损率等

二是，低压电网多指标的调控手段，主要有:

•有载调压配变，用以调节电压

•电容器补偿/动态无功补偿 ，用于调节基波无功功率及功率因数/电压/线损

•有载换相负荷开关 ，用于调节三相负荷不平衡/线损

•有载调容配变，用于调节线损

•有源滤波器 ，固定谐波次数的滤波器，用于调节谐波含有率，由畸变功率引起的低功率因数，线损

•高压断路器及电力负荷管理终端，用于配电变压器过负荷时，进行报警，跳闸。

由此可见，低压电网运营的电能质量，经济性各指标及其调节手段之间，有内在联系，相互影响。多指标因超限运用综合调控时，需要引入各指标加权的方法来处理。

«智能电网基础»指出:

"自趋优是指电网在运营过程中，具有使状态自动保持在多指标趋优状态集合内的能力。使电网运营状态点使得各类指标达到一定的标准 ，即趋近最优状态是合理的而且是可能的。

多指标趋优而不是多指标最优，是因为计算速度 ，求解难度等原因"。

3）配电台区多指标运营优化模型

参照湖南大学学者:«具有谐波抑制功能的综合电能质量控制系统设计»提出的"多目标电压无功谐波优化算法",结合配电台区多指标运营情况 ，本文下面将叙述配电台区配电台区多指标运营优化模型设计概要。

•该优化系统设计，一方面，以配电台区运营可靠性为基础，将电压及电压合格率达标，电流及有功功率不超限，无功功率及功率因数不超限，三相负荷不平衡度不超标 ，谐波含有率达标，线损不超限作为目标要求，运用优化方法，得出其控制参数的最优解。另一方面，以有载调压配变分接头调节量，电容无功补偿器/动态无功补偿器的补偿量，有载换相负荷开关切换能力，有源滤波技术补偿量，有载调容配变功率调节量为控制变量，建立配电台区多指标运营优化模型。

•配电台区多指标运营优化模型主要包括下列内容:

该优化系统可靠度计算方法

联合概率密度函数计算，并取最小值。该函数等于各目标指标与其加权因子的乘积之和。其中，加权因子的数值，取决于各目标指标的数量级及重要程度。

有载调压配变分接头的电压百分率调节范围

电容器无功补偿/动态无功补偿调节范围

有载调容配变的调容范围

有源滤波技术的谐波补偿范围

有载换相负荷开关的电流切换 限值。

4）从不同类型案例中汇集提炼出bp神经网络设计参考技术

本部分内容摘要于重庆大学，重庆市电科院:«基于前馈神经网络的电网高精度检测»，海河大学:«基于信息融合的光伏并网逆变器故障诊断»，中国电科院:«一种多维影响下运行电能表计量性能评估方法»，北京邮电大学:«智能信息技术»，并按需要进行编排。

bp前馈神经网络工作过程

这里，三个参考案例的bp前馈神经网络，都采用输入层，隐含层，输出层3层拓扑结构，各层节点之间按一定规则互联成网。

"（bp）前馈神经网络使用梯度下降法，有2部分组成:信息正向传播和误差逆向传播。信息正向传播过程中，输入信号从输入层经隐层单元逐层传播，最后传向输出层，每一层神经元状态只影响下一层神经元状态。如果在输出层不能得到期望的输出，则转向误差逆向传播，将输出信号的误差沿原来的连接通路返回。用迭代运算求解权值，通过修改各层神经元的权值，使得误差信号减小，直至达到期望目标。只有1个隐含层的3层神经网络，只要隐节点足够多，就可以以任意精度逼近一个非线性函数"。

bp前馈神经网络设计概要:

一是 ，网络输入量进行归一化处理

输入层各神经元（节点）为一维输入，多维输出结构。输入量是低压电网运营的电压，电流，功率等数据。对每个输入量进行归一化处理（计算公式:略），即可得到输入层各元素之间的函数关系，即各输入层神经元（节点）实测到的输入值与各输入层神经元（节点）经归一化后的输出值之间的函数关系。

二是，bp前馈神经网络参数选取

"在进行bp前馈神经网络设计时，一般从网络的层数，各层神经元（节点）的个数以及训练函数三个方面来考虑"。

•隐含层节点数的确定

"隐含层节点数直接影响网络的容量，泛化能力，学习速度和输出特性。从网络容量和函数逼近的通用性考虑，隐含单元数越多越好。从网络的泛化能力来考虑 ，每增加一层，计算容量将呈指数倍增加，从而训练时间变长，还容易陷入局部极小量，而得不到最优"。

"由最小二乘法对隐含层进行拟合，得到隐含层节点数的计算式":

隐含层节点数=[043mn+（012•n平方）+254m+077n+035+051]的开方

隐含层节点数还可由经验公式计算选定 :

隐含层接点数=[（m+n）的开方+a]，式中，1

以上两式中:

m----输入节点数

n----输出接点数

a----可选数

例如，配电台区智能（高级）终端的输入接点，输出节点数 都取6,隐含层接点数确定为11。

•传递函数与训练函数的确定:包括隐含层神经元（接点）的传递函数:如采用s型正切函数tansig,输出层神经元（节点）传递函数:如采用s型对数函数 logsig,训练函数:如采用lm(lvenberg----marquardt)训练规则的trainlm函数。其中，"lm算法是梯度下降法与高斯----牛顿法的结合，在快速收敛的基础上，能保证较高的稳定性和精度"。

三是，学习样本和目标样本的确定

•网络输入量的个数和数据样本的选取:（待定）。

•通常选用训练用的数据样本取40----200组。其中，随机选取80%的数据样本 ，作为训练样本，剩余20%作为对训练好的bp前馈神经网络进行仿真验证用。

四是，进行仿真测试

•在搭建好的bp前馈神经网络上，用训练样本进行训练，需要设定训练误差，学习率指标，编制网络训练学习流程图，进行网络初始化。

•"利用选定的训练样本反复作用于网络 ，不断调整网络内部参数，使网络性能函数达到最小，使网络对训练样本组评估的实验标准偏差满足设计的精度要求，从而实现输入与输出之间的非线性央射 ，确立网络神经元（接点）之间的函数关系"。

•训练完成后，利用训练好的bp网络对测试样本进行测试。

参考资料:

本文采用反向传播（bp）学习算法

"bp算法是目前最重要的一种学习算法。这种算法在感知器上加上一个隐含层，并且使用广义专门算法进行学习之后发展起来"。

"在有教师的学习算法中，有教师学习问题可分两步解:第一步，指定网络的拓扑结构，输入X(t)和输出y(t)之间的关系必须依赖于一组联结强度系数w，并且使w可以调节。第二步，须指定一个学习规则，即如何调节w，使实际的输出y^（t）尽可能接近期望的输出y（t）"。

这里需要指出:"前馈网络是一种强有力的学习系统，其结构简单而易于编程。从系统观点看，前馈网络是一静态非线性央射，通过简单非线性处理单元的复合央射可获得复杂的非线性处理能力。但是从计算的观点看，前馈网络不是一种强有力的计算系统"。

5）高端网络:模糊神经网络

本部分内容摘录于«智能信息技术»，河南平顶山供电公司:«基于模糊神经网络的光伏发电系统功率控制方法»。

神经网络不适合用于表达基于规则的知识，模糊逻辑系统缺乏自学习，自适应能力。模糊神经网络，将模糊逻辑的长处吸收到神经网络中，使之成为更好的网络。

模糊神经网络是一个多输入多输出(mimo)系统。

一是，模型

这里的模糊神经网络，采用五层结构，各层节点之间按一定规则互联。

第一层，输入层，各节点输入各测量的分量，并将输入值传递到下一层。

第二层，各节点代表一个语言 变量值，如nb（负的大）,ps（正的小）等。其作用是计算各输入量，属于各语言变量

值模糊集合的隶属度函数。根据输入量的维数，输入量的模糊分割数，该层节点总数由计算选定:（计算公式，略）。

第三层，各节点代表一条模糊规则，其作用是用于匹配模糊规则的前件，计算出每条规则的适应度。该层的节点总数由计算选定:（计算公式，略）。对于给定的输入量，只有在输入量附近的那些语言变量值，才有较大的隶属度。

第四层，节点数与第三层相同。其作用是实现对每条模糊规则适应度的归一化计算。

第五层，输出层，实现清晰化计算（计算公式，略）。

二是，学习算法

"模糊神经网络模型实质上是一种多层前馈网络，可以仿照bp网络用误差反控的方法来设计调整参数的学习算法。并且，假设各输入分量的模糊分割数是预先确定的，需要学习的参数主要是最后一层的联结强度以及第二层的隶属度函数的中心值和宽度"。

三是，参考案例

«基于模糊神经网络的光伏发电系统功率控制方法»:

"概率模糊神经网络控制器，（用于）求取三相逆变器注入电网的有功和无功电流参考值"。

概率模糊神经网络控制器包括6层网络结构:

"第1层为输入层，第2层为隶属度层，第3层为概率层，第4层为tsk模糊推理机制层，第5层为规则层，第6层为输出层"。其中，输入层的节点为2，输出层节点为1。"在隶属度层中，每个接点采用不对称高斯函数实现模糊化运算"。

"概率模糊神经网络控制器（采用）误差向后传播学习算法机制，构造一个梯度向量，使得其中每个元素均为能量函数相对于算法参数的一阶微分，从而完成概率模糊神经网络的参数在线自整定"。

四是，鉴于目前多输入多输出（mimo）的模糊神经网络在电网量测控制领域中应用案例的报道甚少，因此，模糊神经网络技术如何应用于配电台区智能（高级）终端高级应用系统设计技术 探索 ，是需要深一步研究的课题。

6）配电台区智能（高级）终端设计参考新技术

•配电网波形级实时监测的综合配电终端单元（idu）

据报道:2017年1月3日，国内首套综合配电终端单元（idu）在夏门火炬高新园区挂网运行。

"综合配电终端单元（idu）是国家863项目"主动配电网关键技术研究与示范"的关键成套装置，主要通过高速同步相量测量实现对配电网潮流的精确监测，线路潜在故障的在线监测与预防，支撑供电能力和负荷的态势感知，并为配电网的瞬时剖面状态估计，电能质量优化，谐波治理提供丰富的数据，有效提升配电网可观，可测和可控性"。

•«自适应负荷型配电变压器设计»（中国电科院）

"自适应负荷型配电变压器的结构，包括配电变压器本体单元 ，有载调容调压一体化单元，配套设备单元及综合控制单元"。

该新型配电变压器"可在不切断负荷情况下，根据系统电压和负荷实际情况，实现配电变压器分接头和容量运行方式的自动调整，并具有在线负荷换相和分相无功补偿功能，有效解决三相负荷严重不平衡问题，保证电压和容量判定的及时性和准确性"。

•模糊pi控制器

东北电力大学:«高压直流输电智能控制器的设计»

（注: pi，比例积分器）

模糊pi控制器的输入端:电流参考值与被测电流之差作为"偏差"和"偏差变化"---->模糊推理单元（按模糊控制规则计算并输出两个pi控制器可自动调整参数的修正量）---->pi控制器 单元（并输出调整命令）---->触发器单元---->被控制对象---->被测电流（并反馈至模糊pi控制器输入端）。

"实现模糊调整可以选取以下规则":

"如果稳态偏差大，那么就增加比例系数"

"如果响应震荡，那么就增加微分系数"

"如果响应迟缓，那么就增加比例系数"

"如果稳态偏差太大，那么就调整积分系数"

"如果超调量太大，那么就减少比例系数"。

模糊pi控制器的优点:"当被控制对象参数或运行条件改变时，就能自动在线调整pi的参数，达到智能控制的作用"。

•综合电能质量控制系统

湖南大学学者:«具有谐波抑制功能的综合电能质量控制系统设计»

该综合电能质量控制（调节）装置由有载调压变压器，并联补偿电容器组和注入式并联有源电力滤波器（hapf）组成。

该系统采用多目标电压，无功，线损，谐波函数及其加权因子的优化算法，从全局进行系统优化。

有源部分只承受很小的谐波电压，有效降低有源部分的容量。

注入式并联有源电力滤波器的复合控制部分，采用复合电流的模糊pi控制技术。

•抑制不对称负荷动态无功补偿时向电网注入的谐波含量

南京理工大学:«计及谐波抑制的不对称负荷动态无功补偿方法»

"晶闸管相控电抗器（tcr）配合电力电容器，可以校正功率因数，稳定系统电压，还可以补偿三相负荷的不平衡"。

"在不对称程度较为严重的场合，对tcr的分相控制会使tcr向电网注入包括3次谐波在内的高次谐波"。

基波电压与高次谐波电流均产生无功功率。根据功率平衡理论，无功补偿的目标使无功矩阵中各项元素为0。在实际控制应用中，采用（可调）加权对角阵进行计算。

"采用改进的无功补偿策略，能有效降低在负荷严重不对称情况下tcr向电网注入的谐波成分 。在电网中谐波成分较大时 ，还能综合考虑谐波因素和无功补偿的性能指标，给出较为合理的触发角控制tcr，明显减少母线上含有的电流谐波成分。从理论上可以考虑任意次谐波成分"。

•超级智能开关（南京捷泰电力设备公司）

该新产品"集测量，保护，控制，故障录波，电能质量监测，配变监测 ，负荷管理和通信功能于一体。产品功能国际领先，国内外无同类产品"。

该新产品"采用插拔式结构，"三段式保护功能"，"测量与保护一体化电流互感器"，"通过校验台进行计量校验的断路器"。

该新产品主要技术指标:

额定电压:ac,400v

额定电流:250a

,400a,630a

额定运行短路分断能力:425ka。

说明:本文以上叙述配电台区智能（高级）终端第1 项高级应用功能的前期设计技术，还有3项高级应用功能:"在现场自主进行紧急事件处理","多路径优化搜索" ,"实现配电网与用户互动，即具有多通信方式网关功能"的前期设计技术,将由本文作者另撰写专题文章发布。

Atherosaw-NE785是一款高性能的无线网卡，具有80211n的最高速度，支持24GHz和5GHz的双频段，支持双流MIMO技术，支持最高速度达到300Mbps，支持WPS一键加密，支持多种安全协议，支持多种 *** 作系统，支持多种应用程序，支持多种文件传输协议，支持多种无线网络技术，支持多种网络管理功能

1引言 如今,3G 无线网络和手持终端设备已经开始大规模部署,下一代无线通信协议标准,俗称4G,也已经基本制定完成。3GPP 的长期演进(LTE) 被大多数国家接受为4G 标准。LTE 的支持者宣称只需对现有的网络基础设施更新部分关键部件就可以完成升级,因此LTE 得到了业界的广泛认同。2008 年12 月11 日,3GPP 批准并冻结了LTE Release 8,这一里程碑式的事件开启了研发兼容新协议的产品的大幕。移动WiMAX(80216) 作为4G 的另一个候选方案,与LTE 在物理层应用上有许多相同的概念,只是实现细节上存在不同。这也为开发同时支持WiMAX 和LTE 方案的产品提供了可能。在物理层设计上,LTE 和WiMAX 的复杂度相差不多。对LTE 的研究为我们重提调制解调算法设计和验证过程的重要性提供了机会。在算法设计阶段犯下的错误很难在硬件设计或者嵌入式软件开发阶段弥补回来。对算法的验证是为了检测设计能否满足协议标准的要求。例如,需要检测不同信道环境下的最大误包率。协议标准的很大一部分内容都被用来定义测试环境。当选择某种工具或者方法来进行有效的算法设计时,工程设计者需要从整个设计流程的角度来考虑算法复杂度的要求。针对一些简单设计的解决方案对更大更复杂的系统来说可能完全不适用。而如果每一个项目都采用独特的工具和方法,项目的维护就会成为噩梦。一些表面上看成本很小的解决方案,后续可能需要购买其他昂贵的工具。而如果工具某些基础功能缺失,也会耗费工程师更多的时间和精力。本文主要探讨从3G 转向4G 的物理层设计过程中的仿真工具效率问题。这些关于效率的准则也可以用于其他信号处理领域。

2LTE 和WiMAX:物理层关键技术

LTE 和WiMAX 都是基于正交频分复用(OFDM) 的多载波调制方案,通过多输入输出天线(MIMO) 进行信号传输。这与3G基于码分复用(CDMA) 的概念有很大不同。3G 与4G 系统的物理层基带处理算法有着本质区别。

物理层概念的不同直接导致了仿真复杂度的增加。相比3G而言,4G系统的物理层仿真复杂度大概有100倍的增长。部分原因在于4G系统中,每个数据采样点都需要更多的 *** 作:更复杂的编码/解码算法,需要同时在平行的多个信道上传输,采用了更复杂的信道均衡技术。针对不同频带上的不同信道模型,还有多输入多输出(MIMO)的不同配置(见图1),需要增加大量的测试方案。在此基础上,还需要考虑不同量化精度对系统性能的影响。因此算法的验证工作越来越艰巨也就不足为奇了。

下文的例子都会以LTE为基础。所有的结论也适用于WiMAX和其他需要大规模仿真的信号处理系统。

3设计和验证流程

制定一个新的通信协议标准的目的,是以最小的成本实现用户和网络运营商对高速信号传输的要求,同时也要符合市场化的预期。一个LTE调制解调系统往往同时包含了ASIC和DSP或者微控制器,整个工程需要实现复杂的硬件设计和软件算法。因此,制定一个覆盖算法设计、软硬件实现、以及系统验证的高效流程显得尤为重要。

算法设计的初始阶段,一般都需要首先为算法创建一个浮点模型。一旦这个浮点模型验证通过,下一步就会开始对算法的定点转换,最后再移植到硬件及软件平台上进行验证。

31 算法的浮点模型

在设计目标确定以后,系统工程师就需要针对几种备选算法进行测试和优化,然后在蒙特卡洛仿真结果的基础上确定最优的算法。图2给出了以误比特率(BER)或者误块率(BLER)为指标,进行性能仿真的蒙特卡洛仿真平台框图(蒙特卡洛仿真是指激励信号由随机或者伪随机数据源产生的一类仿真)。此时仿真模型并不需要考虑最后的实现细节,所有的算法都可以用浮点模型来表示。

建模效率是反映创建仿真平台难易程度的一个概念。决定建模效率的一个关键因素就是可重用的模型数量。这些可重用的模型可能来自厂商提供的库,也可能是从以前的项目继承得来(也称为重用效率)。当然并不是所有的模型都能从库里面找到,有些模型也需要用户自己开发。开发的模式有多种,比如可以由一些基本的模型组合成一个复杂的模型(分层设计),或者从零开始,根据新的功能需求创建新的模型。

仿真时还需要考虑的一个因素是仿真效率。以前面提到的LTE和WiMAX为例,由于涉及到许多设计参数,因此为了得到最优的算法,就需要仿真大量的参数组合。仿真效率成为制约整个过程的关键。

32 从浮点算法到定点算法的转换

考虑到成本的因素,算法的主要部分最后都需要以定点而不是浮点来实现,除非选择浮点DSP。因此,当算法从设计到应用的转换过程中,需要分析量化精度的影响。字长的选择直接关系到实现的性能,字长太短会使系统质量有很大损失。算法本身可能很好理解,但是量化噪声对算法的影响可能很难评估,因此需要小心对待。

一般来说,对算法进行定点转换是一个递归的过程。首先需要创建一个浮点模型,然后将变量逐个进行转换。每个变量定点化后,都需要将仿真结果与浮点模型进行比较。仿真工具应该仅仅通过修改模型参数就实现这一过程,而不需要每次都重写模型。另外,工具对常用的定点数据类型的支持也很重要。因为如果仅仅依靠以整型位移来实现定点,调试的时候会非常麻烦。仿真工具的选择应该在项目的初期就考虑好。如果在项目开始几个月后才意识到问题,此时要更换工具几乎是不可能的。

人们往往会低估定点化过程需要的时间。定点转换其实非常繁琐,花费的时间可能并不比算法设计来得短。因此选择合适的仿真工具显得尤其重要。

33 软硬件实现和验证

当算法的定点转换完成以后,定点模型就是系统实现的参考模型,因为它定义了系统的算法性能。一般来说,从算法模型到硬件实现的过程会出现很多错误。这是因为算法开发和硬件实现所遵循的设计原则是不同的,使用的工具也做不到紧密结合。算法工程师往往需要给硬件工程师提供激励信号,作为HDL仿真的输入,然后将HDL仿真的结果与算法仿真做比较。这种方法实现起来会有许多困难:

●针对每一组参数配置和测试方案都会有一个仿真结果,为了比较所有的这些参数组合,需要保存大量的激励信号和参考结果文件,既费时又费力

●每一个新创建的HDL测试案例都需要算法工程师和硬件工程师一起进行验证,工作量很大

●当HDL仿真和参考仿真结果不同时,很难确定错误发生的位置和原因

这种方法已经逐渐被淘汰。现在流行的方法是不同部门之间通过一个可执行平台来传递设计定义。算法部门、RTL硬件部门、以及采用虚拟平台做软件开发的部门可以共享一个仿真平台。算法部门创建的浮点或定点模型作为一个可执行的参考模型文件,可以直接用到HDL代码和软件验证中去。

实现这种设计共享存在两种途径。第一,在算法设计工具中直接导入RTL代码,实现RTL和算法模型的联合仿真。第二,由算法设计工具导出算法模型,以标准库的形式集成到硬件验证工具中去。硬件验证工程师往往更愿意采用熟悉的工作环境,所以第二种途径更为常用。SystemC是大多数HDL仿真工具都能识别的一种标准接口,因此算法设计工具导出的模型一般会采用SystemC的格式。这些SystemC模型也可以直接在虚拟平台中表示一个硬件模型或者激励信号源,对开发的软件进行验证。SystemC模型是在软硬件开发中实现算法模型重用的关键。

图3给出了利用算法设计工具导出的模型来验证接收机实现模块的一个例子。信号源与传输信道模型封装了SystemC接口,产生的激励信号作为定点算法参考模型和实现模型(也采用SystemC封装)的输入。

4算法设计效率

上述的例子表明,从算法设计的角度来看,工具效率是由多个方面组成的。从算法构思到最后的软硬件实现,效率的提升需要工具的各个方面紧密结合,共同完成。

效率包括多个方面:

●建模效率

●仿真效率

●重用效率

●验证效率

在设计的开始阶段,选择工具时常犯的错误是只注重某一个方面的影响,而忽视了其他。这并不奇怪。首先,面对复杂的应用环境,传统的思维方式往往只考虑设计环节,即创建浮点模型。其次,项目的压力使得人们急于看到成果,迫使工程师们追求尽快获得一个初步的模型。这些因素导致了大家更倾向于选择浮点优化能力强的工具,因为只有这样才能更快的完成一个设计雏形。而当项目逐渐深入,实现变得越来越重要的时候,这种工具选择的短视才会显现出来。

41 建模效率

建模效率是反映创建模型难易程度的一个概念,这其中既包含了创建浮点算法模型,也包含从浮点到定点的转换。算法的最初形式是一些数学表达式,把这些抽象的表达式转换成仿真模型的过程应该是越简单越好。利用标准接口以及遵循一定的代码规则可以提高模型的互 *** 作性。如果工具有好的调试和分析能力,也能改善建模的效率。

建模效率是衡量浮点到定点转换过程的一个关键因素。浮点到定点的转换要求尽可能的保留设计的关键部分,不对代码做大的改动。因此,工具需要支持一些特殊的数据类型、常用运算符、模板、以及运算符重载等。

42 仿真效率

工具的仿真效率主要体现在仿真速度上。仿真平台的运行速度对项目周期的每一个阶段都有很大影响。比如在算法设计阶段,需要反复测试算法的有效性,而在定点转换过程中,需要不断调整量化字长。这些都需要很高的仿真速度支持,否则整个项目周期会拉长。

在诸如LTE之类的通信系统接收机设计中,利用接收机算法模型得到衰落信道下的一个误比特率值可能需要好几个小时,有时甚至是几天的仿真时间。而不同的仿真工具之间也可能存在100x的速度差异。如今,通信标准越来越多的采用复杂算法模块,比如多天线发送接收,turbo编解码等等,需要做的一致性测试也大量增加。为了避免项目延迟,保证设计符合预期,我们应该在设计和验证的每一个阶段都仔细考虑工具的仿真效率问题。

仿真效率的提高还体现在工具的批处理能力和平行仿真能力上。虽然工具仿真效率的重要性不言而喻,但是由于在设计开始阶段往往只有一些简单的测试案例,工具效率的差别无法充分体现,从而导致选择工具时不够慎重。随着项目深入,设计越来越复杂,效率的瓶颈会变得日益明显。所以我们需要在一开始就仔细考虑仿真效率的问题。

43 重用效率

在通信系统的开发过程中,我们可以重用一些以前的设计。这些设计可能来自其他设计部门。为了能有效的将它们整合到现有的系统中,工具需要提供版本控制、标准接口、以及自动管理设计文档的特性。

44 验证效率

从算法设计的角度来讲,验证效率是指算法模型能否直接集成进软硬件架构的验证流程中。理想情况下,算法设计工具应该是从系统到芯片的验证流程中的一个组成部分。这要求设计工具能将算法模型导出为SystemC模型,在HDL仿真器和虚拟平台中重用。

5仿真技术

如今市面上存在很多设计工具,但是所使用的仿真技术可以归为以下三类:

●时间驱动的仿真

●事件驱动的仿真

●数据流驱动的仿真

这些仿真技术的主要差别在于顶层模块是如何调用子模块与子函数的。在数字通信和信号处理系统中,不同的仿真技术将导致仿真速度的巨大差异。

在数字通信和信号处理系统中,信号可以分为数据信号和控制信号,也称为数据流和控制流。

数字通信接收机利用数据信号来检测和解调发送的符号。这些数据信号承载着有用信息,数值在每个采样时间点是变化的。数据信号既可以用无限精度(实数)的离散时间信号来表示,也可以看作有限精度的数字信号。任何一种表示方法都可以附带离散时间索引作为参量。这个参量也可以忽略,因为它仅仅表示信号在时间轴上的位置关系。位置关系要么是已知的,要么可以随时重建。因此离散时间数据信号可以看作是由采样点组成的数据流。

控制信号则是一些逻辑值或者标志,用来对通信或者信号处理系统中的数据链路进行控制和配置。例如,控制信号可以指示信道解码器采用什么样的码表。控制信号的值一般很少改变。因此控制信号可以看作是低速数据流或者离散的事件。在算法设计的开始阶段,控制信号可以首先以参数的形式存在。在后续过程中,比如架构设计阶段,再重新以信号的形式建模(参看图5的例子)。

数据流和控制流在系统的设计验证中发挥了重要作用,系统设计工具需要提供对其建模的要求。下文将对三种建模技术做一个比较。

51 时间驱动的仿真

固定步长的时间驱动仿真技术最简单。全局仿真时钟在固定的时间间隔更新,仿真器跟踪全局时钟,在每一次时钟更新后调用模块,读取输入,更新内部状态,计算输出信号。这种方法对所有的模块使用了相同的采样速率。然而,即使在同一个通信系统中,不同信号的带宽也有可能是不同的,扩频系统就是一个例子。此时仿真器需要对低速信号做过采样,这将带来极大的开销,仿真效率也很低。所以固定采用率的仿真方法不适合对通信系统的仿真。

也有一些改进的措施,比如可以对每个模块都标注采样时间,当全局仿真时钟等于采样时间的某个倍数时,才调用该模块。但是这种方法存在很大的局限性,例如当模块的几个输入或者输出信号采样时间不一致时,就无法实现。因此,利用该方法不能建模既有数据输入又有控制输入的模型。

其他的改进方法包括以帧为单位来处理信号,这也称为向量化的处理,就是将顺序的采样值用向量来表示。但是这种方法提高了对内存的要求,也不能用于反馈环路。向量化 *** 作是导致仿真死锁的主要原因,而且一旦发生很难定位错误。总之,时间驱动的仿真方法通常很慢,对通信系统中的数据流和控制流建模效率不高。

52 事件驱动的仿真

事件驱动的仿真是指调度算法根据事件序列的发生顺序来指示状态更新的一种仿真技术。当事件发生时,只有那些与事件相关的模块会被调用。对一个事件的处理可能会触发其他的事件,因此事件序列在仿真过程中需要不断调整。当事件的发生在时间轴上分布不均匀时,比如像网络之类的异步系统或者逻辑系统,事件驱动的仿真效率优势才能体现出来。因此这种方法主要用于针对控制流的仿真。

如果是同步系统,比如基于数据流的通信或者信号处理系统,每产生一个采样点都对应发生一个事件,需要更新事件队列,这在运行时的开销就非常大。因此,基于事件驱动的仿真技术不适用于针对数字通信系统之类的系统级设计工具。

53 数据流驱动的仿真

模块的调度由输入端口的采样数据数量决定,这就是数据流驱动的仿真技术特性。模块被调用时,会从输入端口读取一定数量的采样数据,同时将一定数量的数据输出。消耗和产生的采样点个数分别对应输入输出端口的速率。当输入端口累积的数据量超过端口速率时,模块就会被调用。

模块的各个端口速率不要求一致,因此建模多速率系统和模块都很方便。

模块调度的顺序又称为调度算法。如果端口速率恒定,或者说端口速率在仿真时间内不变,调度算法就可以在仿真开始之前确定。这称为静态调度,也叫同步数据流。如果模块的端口速率不是常数,而是在每一次调用时都不相同,调度算法就无法预先确定,需要在仿真运行时动态的调整。这称为动态调度或者动态数据流。动态调度会增加额外的运行时开销,但是比起静态调度更灵活。而且在某些数字信号接收机算法中,比如定时恢复或者不固定的采样速率转换模块,只能采用动态数据流来建模。信号的传输可以用带方向的线网来表示。模块的输出端口会与其他模块的输入端口相连。有些端口连接需要特别关注,因为如果端口速率不匹配,可能会造成调度算法的内存问题。另外,反馈环路中需要包含延迟模块。需要特别说明的是,这些问题并不是数据流驱动的仿真造成的,而是离散信号系统本身不可避免的。比如两个离散信号的加法或者乘法 *** 作需要信号有相同的采样速率,而离散信号系统中的反馈环路必须包含延迟。只有遵循了特定的规则,对离散信号系统的仿真才能保证内存不会溢出。而仿真工具应该提供帮助用户定位速率不匹配和死锁的功能。

由于离散时间数字信号可以用数据流和多速率模块来表示,因此采用数据流驱动的仿真器对数据信号和控制信号流建模就有很高的效率。图5给出了数据流驱动的仿真模型的例子。图的上半部分是动态多速率模型,带有高速端口的模块主要用来处理数据链路。图的下半部分是低速的控制模块,用来指示每一帧的符号数或者比特数。由此可见,数据流驱动的仿真是数字通信系统中最常用,也是最有效的仿真方法。

6优化的系统级设计解决方案

对于物理层算法的仿真,我们有多种方案可以选择。包括直接利用C/C++编译信号处理函数库,以及采用商业化工具提供的建模和仿真模式。本节以Synopsys System Studio为例,说明在无线设计领域,商业化工具相比C/C++在各方面的优势。

61 仿真模式

上文提及,Synopsys System Studio采用了数据流驱动的仿真模式,能够自动处理静态和动态数据流,特别适合针对复杂通信系统的设计需求。

时间驱动的仿真技术需要在仿真性能(使用向量处理)和仿真灵活性(反馈回路,时域和频域切换)之间取得折中,而且对动态系统模型仿真的支持不够。

C/C++没有专门的仿真模式,开发者需要自己设计调度算法。因此在C/C++中可以使用数据流驱动的概念。SystemC仿真器采用事件驱动的方式,考虑到对仿真性能的影响,应该尽量避免使用。

62 建模效率

System Studio对模型接口有严格的定义,支持基于模块的设计方法(见图6),对模型的使用简单明了,文档管理也很清晰。System Studio支持SystemC定点数据类型,允许数据类型重载,从而大大简化了浮点到定点的转换过程。对于商业化的工具,我们需要了解它们的发展历程。一般来说,每种工具及其建模方式都有各自的应用范围。比如针对控制信号的建模方式并不适合通信系统中常见的数据流模型。在浮点到定点的转换过程中,应该避免重复建模,而应采用支持参数的模型,通过参数修改来逐步转换。

C/C++的建模效率很低,因为除了需要设计功能模块,还需要同时开发专门的调度算法来管理这些模块。一旦修改了设计,调度算法也需要做相应的调整。这不但要求所有的研发人员都遵循严格的代码风格,也加大了项目维护的难度。SystemC建模也存在同样的问题,仅有的改进包括增加了对定点数据类型的支持,模型间可以利用FIFO完成数据交换。

63 仿真效率

System Studio采用了优化的数据流驱动概念,支持自动分析和产生静态调度算法,必要的时候又保持了动态调度的灵活性,因此仿真效率很高。System Studio针对定点仿真还采用了特殊的优化技术,使得包含SystemC定点数据类型的仿真平台有接近浮点平台的运算速度。

对定点算法的建模与仿真有两种常用的模式。一种是高建模效率(使用一些通用的定点数据类型)加低仿真速度,另一种是低建模效率(使用整型数据类型、移位及与或 *** 作)加高仿真速度。如果选择了适当的调度算法,使用固有的数据类型,C/C++的仿真效率是很高的。从设计复杂度的角度来讲,C/C++仿真的主要工作是设计一个有效的调度算法。商业化的工具由于内置了优化的调度算法,在仿真效率上的优势明显。SystemC仿真内核采用了基于事件驱动的仿真技术,不适用于通信系统的仿真。采用C/C++仿真还需要额外开发的分布式仿真模式和增加数据管理功能,这本身也是一项艰巨的任务。

64 重用效率

System Studio极高的重用效率得益于其严格定义的接口规范,这保证了不同来源的模型可以有效整合在一起。而基于模块的设计输入和自动生成HTML格式文档的能力也使得模型重用效率极大提高。C/C++模型接口没有严格的规范,接口定义有很大的自由度,不支持图形设计界面,也不支持文档生成和管理,因此重用效率很低。

65 验证效率

System Studio的验证效率很高,内置的HDL导入特性支持所有主流的HDL仿真器。同时System Studio可以导出SystemC模型,因此System Studio开发的模型可以在SystemC仿真环境中使用。

其他的商业化的解决方案多数不提供硬件仿真的接口,或者需要额外购买昂贵的工具。C/C++的验证效率很不错,因为C/C++函数可以与HDL仿真平台或虚拟平台进行集成。SystemC的验证效率也很高,SystemC 模型可以直接在HDL仿真器以及SystemC兼容的虚拟平台中使用。SystemC模型还可以利用时钟和并发的概念来创建适配器,这一点与C/C++不同。

7总结

对于现代通信系统的开发,比如LTE和WiMAX,算法设计验证工具的选择对设计质量和能否早日实现商用都有着非常重要的影响。LTE和WiMAX系统都需要支持极高的数据速率,同时也要满足频谱效率的要求,这些都会导致非常复杂的信号处理算法。4G标准定义了很多应用场景,要求系统在这些场景中都能很好的工作,因此在算法设计阶段需要仿真大量的测试案例。复杂度和项目周期的压力要求算法与结构设计能与软硬件实现工作完全整合在一起。因此,系统设计变成了一项更宽泛的工程,不止需要工程师之间横向的合作,也需要按照项目进展的情况纵向的管理。

设计流程或者方法的选择对设计效率有很大的影响。对于算法工程师来讲,效率体现在使用的工具上,具体包括四个方面的因素:建模效率,仿真效率,重用效率和验证效率。当选择某种工具或者方法来进行有效的算法设计时,工程设计者需要从整个设计流程的角度来考虑算法复杂度的要求。针对一些简单设计的解决方案对更大更复杂的系统来说可能完全不适用。而如果每一个项目都采用独特的工具和方法,项目的维护就会成为噩梦。一些表面上看成本很小的解决方案,后续可能需要购买其他昂贵的工具。而如果工具某些基础功能缺失,也会耗费工程师更多的时间和精力。

Synopsys的 System Studio作为业界领先的仿真工具,针对通信系统设计者面临的挑战给出了完善的解决方案。System Studio的特点包括:

●支持算法设计的标准化流程:标准模型接口、自动生成和管理文档、代码检查、版本控制系统接口。

●极高的仿真性能:数据流驱动的仿真调度内核,支持静态和动态数据流,针对定点仿真的优化。

●与实现工具的整合:支持模型导入和导出。

　TD-LTE基站有两种天线配置，一种是两天线，即22MIMO，该配置只使用MIMO技术，不使用beamforming技术，主要应用在室内及微蜂窝场景;另一种是8 天线，即82MIMO，该配置将8天线分为两组，每组包括4天线，组内使用beamforming，组间使用MIMO发送双流。这就是双流 beamforming。8天线配置是将来的主要方向，也是我们测试的主要内容。

8天线带来一个挑战，因为天线各天线平行放置，且有一定的间隔，使得天线的尺寸较大，不易于工程使用。所以从3G开始，都使用+-45°的双极化天线，尺寸约缩小了一半，大大增强了实际可用性。同时，双极化天线因为两组天线的相关性天然降低，有利于提高MIMO容量。

[摘 要]本文在充分考虑了算法复杂度和系统性能之间的折中关系后,提出一种在MIMO系统中基于MNC准则对信道矩阵的进行不断地合并得到一种近似于理想波束赋形的权向量的方法。仿真结果证明与信道矩阵单一值分解(SVD)的方法相比本文提出的波束赋形方法在保证传输性能趋于理想波束赋形性能的前提下大幅度减少算法复杂度。

[关键词]MIMO系统 传输波束赋形技术 旋转复矩阵 最大合并准则

[中图分类号]TN91972[文献标识码]A[文章编号]1007-9416(2010)02-0124-02

1 引言

MIMO天线和时空处理技术的结合是提高无线链路高速传输能力的可行性方法[1][2]。MIMO技术使得系统容量更大,空间复用和分集增益使服务质量更好[3]。

在闭环系统中最大速率传输(MRT)的MRC算法利用发射端已知的信道参数在发射端进行波束赋形接收端进行合并[6]来进一步提高MIMO系统的容量[4][5]。为使接收SNR值最大本文波束赋形用信道矩阵的奇异值分解(SVD)构成传输波束赋形和接收合并向量[7][9],传输波束赋形功率迭代计算出主要的奇异向量[12],用幂迭代产生传输波束赋形向量的方法能保证系统性能损失最小的基础上降低了算法复杂度。

本文对2×2复合旋转矩阵做出的新的理论推导能更加有效地处理复合向量正交性问题[19],旋转变换法用来计算基于两个复合向量的最大合并准则的单位向量范数,并在此基础上得到在MIMO信道连续运用MNC准则的新的波束赋形方法。仿真结果表明在同等系统性能条件下的4×4MIMO系统中新的波束赋形方法性能与理想波束赋形非常接近,计算复杂度比幂迭代法低60%。

1 系统描述

发射波束赋形和接收分集合并的MIMO系统信道矩阵服从独立同分布复合零均值高斯分布,发射端维的复合信号传输向量为:

(1)

和分别表示信道矩阵和维接收复向量,表示协方差矩阵为的复高斯噪声矢量,表示大小为的单位矩阵。接收端传输数据符号表示为

(2)

式(1)中表示传输矢量的共轭复数,表示有效信道增益,当信道噪声为白噪声[8]根据SNR准则接收MRC为:

(3)

在波束赋形矢量取任意值时,当信道矩阵的主奇异向量等于矩阵的最大奇异向量时信道增益()最大:

(3)

因此信道矩阵主奇异向量的波束赋形技术最优。通过对式(4)和(5)进行幂迭代得到传输矢量。

(4)

(5)

再对矢量进行初始化后重复迭代次后就得到收敛于的信道增益。上述信道矩阵幂迭代为阶实数乘法,为迭代次数。在性能最佳的前提下新波束赋形的算法复杂度比幂迭代法低至少。

2 新的传输波束赋形方法

本文基于使输出为最大值的MNC准则提出对MIMO信道矩阵的维列向量进行连续合并的波束赋形法,MNC有两种不同类型的权向量:类型1和类型2,且有

(6)

其中MNC是由向量和组成的向量:

(7)

范数极值为:

(8)

复向量的极值等于阶矩阵较大的奇异值。

和的第一列分别称为内部矢量和外部矢量

(9)

在上述基于MNC准则确定权向量的基础上提出一种确定的波束赋形策略,确定后就很容易计算出接收矢量。当时波束赋形性能最佳,波束赋形矢量信道增益为,Type1时实际增益为,Type2时。时对MIMO信道矩阵的各列向量连续进行次MNC运用来确定。把矩阵的前两列与权向量合并其余列保持不变就得到传输波束赋形矢量。也就是说我们以增加算法复杂度为代价获得最佳波束赋形矢量[9][11]。

3 仿真结果

在发射信号已知的平坦衰落MIMO信道中对幂迭代波速赋形和最佳波束赋形的性能进行仿真。如图1所示在不计BER的前提下时性能最优,Type2波束赋形的性能与最佳波束赋形十分接近,Type1波束赋形的性能与最佳波束赋形完全相同。

对调制的MIMO系统BER仿真如图2所示,与最佳波束赋形相比Type1和Type2波束赋形方案不仅降低算法复杂度,在处与最佳波束赋形性能仅相差03dB。

从图3中我们可以看出,在同等性能条件下计算复杂度比幂迭代法少70%。

4 结语

本文提出的MIMO无线信道中基于最大列合并准则的复矢量正交波束赋形方法是用新构造的复矩阵作为复矩阵正交性旋转传输的一般表达式,根据MRC准则用三个不同的权向量对两个复向量进行合并,进行连续合并得到的MIMO信道矩阵的信道增益与信道矩阵的最大单值的信道增益相似。仿真结果表明新的波束赋形在大幅度降低算法复杂度的同时性能与最佳波束赋形的非常相似。

[参考文献]

[1] G J Foschini and M Gans, “On limits of wireless communications in a fading environment when using multiple antennas,”Wireless Personal Commun, vol6,pp311-335,Mar1998

[2] I E Telatar, “Capacity of multi-antenna Gaussian channels,”EurTrans Telecommun,vol10,pp585-595

[3] S M Alamouti, “A simple transmit diversity scheme for wireless communications,”IEEE JSelectAreas Commun,pp1451-1458,Oct1998

[4] A J Goldsmith and P P Varaiya, “Capacity of fading channels with channel side information,”IEEE TransInform Theory,vol43,pp1986-1992,Nov 1997

[5] AJGoldsmith,SAJafar,NJ Jindal,and SVishwanath,“Capacity limits of MIMO channels,” IEEE J Select Areas Commun,vol21,pp684702,June2003

[6] TKYLo,“Maximum ratio transmission,”IEEE TransCommun,vol 47,pp1458-1461,Oct1999

[7] MRHestenes,“Inversion of matrices by biorthogonalization and related results,”JSociety for Industrial and Applied Mathematics,vol6,no1,pp51�90,Mar1958

[8] SShlien,“A method for computing the partial singular value decomposition,”IEEE TransPattern Analysis and Machine Intelligence,vol4,pp671-676,Nov1982

[9] HLee,S-HPark,and ILee, “A new MIMO beamforming technique based on rotation transformation,” in Proc IEEE ICC’07,June 2007

[10] ZDrmac,VHari,and ISlapnicar, “Advances in Jacobi methods,”in Proc Third Conference on Applied Mathematics and Scientific Computing,pp63-90, June 2001

[11] AMChan and ILee,“A new reduced-complexity sphere decoder for multiple antenna systems,”in Proc IEEE ICC’02,vol1,pp460-464,Apr2002

本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文

h0=sqrt(05)(randn(1,k/2)+jrandn(1,k/2));

h1=sqrt(05)(randn(1,k/2)+jrandn(1,k/2));

% 以上两行：h0和h1为信道参数，是个瑞利衰落。

s0=(pskmod(S0,2))/sqrt(2);

s1=(pskmod(S1,2))/sqrt(2);

% 以上两行：对基带信号进行BPSK调制

R0=h0s0+h1s1;

% MIMO发送端发出信号，发送天线0发出的信号

R1=-conj(s1)h0+h1conj(s0);

% MIMO发送端发出信号，发送天线1发出的信号

for i=1:length(SNRindB)

i

snr=10^(SNRindB(i)/10);

sgma=sqrt(1/snr/2);

% 计算噪声的标准差

r0=(R0+sgma(randn(1,k/2)+jrandn(1,k/2)));

r1=(R1+sgma(randn(1,k/2)+jrandn(1,k/2)));

% r0 和 r1 为接收端接收加性白噪声的信号。

s_0=conj(h0)r0+h1conj(r1);

s_1=conj(h1)r0-h0conj(r1);

% 恢复出两个发送天线的发送信号

m0=pskdemod(s_0,2);

m1=pskdemod(s_1,2);

% 对两路信号进行BPSK解调

er0(i)=nnz(S0-m0);

er1(i)=nnz(S1-m1);

err(i)=er0(i)+er1(i);

% 求误码个数

end

semilogy(SNRindB,err/k, '-r+');

% 半对数轴画出误码率

grid on

xlabel('SNR, dB');

ylabel('BER');

hold on

以上就是关于如何才能让wifi网速变快全部的内容，包括:如何才能让wifi网速变快、配电台区智能（高级）终端高级应用系统前期设计技术的讨论、atherosaw-ne785参数等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！