Permalink
Switch branches/tags
Nothing to show
Find file
Fetching contributors…
Cannot retrieve contributors at this time
1347 lines (1232 sloc) 42.4 KB
% $Header: /Users/joseph/Documents/LaTeX/beamer/solutions/conference-talks/conference-ornate-20min.en.tex,v 90e850259b8b 2007/01/28 20:48:30 tantau $
\documentclass[CJK,hyperref={bookmarks=false,CJKbookmarks=false}]{beamer}
\usepackage{CJK}
%\usepackage{CJK,CJKnumb}
%\usepackage{ctex}
\usepackage[english]{babel}
\usepackage[latin1]{inputenc}
%\usepackage{setspace}
\usepackage{graphicx}
\usepackage{bm}
\usepackage{textpos}
\usepackage{algpseudocode}
\usepackage{algorithm}
%\usepackage[vlined]{algorithm2e}
%\usepackage{algorithmic}
\usepackage{url}
\usepackage{multirow}
\usepackage{threeparttable}
\usepackage{hyperref}
\usepackage{times}
\usepackage[T1]{fontenc}
\usepackage{ulem,tikz}
% Or whatever. Note that the encoding and the font should match. If T1
% does not look nice, try deleting the line with the fontenc.
\usepackage{stfloats}
\usepackage[caption=false,font=scriptsize]{subfig}
%\usepackage[font=scriptsize,labelfont=scriptsize]{caption}
%\setbeameroption{show notes on second screen}
%\setbeamertemplate{note page}[compress]
\usepackage{csquotes}
%\usepackage[style=numeric-comp,autocite=footnote,citetracker=true,maxnames=1,sorting=none,babel=hyphen,hyperref=true,backend=biber]{biblatex}
\usepackage[style=numeric-comp,autocite=footnote,citetracker=true,maxnames=1,sorting=none]{biblatex}
%\usepackage[style=verbose,autocite=footnote,citetracker=true,maxnames=1,sorting=none,babel=hyphen,hyperref=true,backend=biber]{biblatex}
\usetikzlibrary{arrows}
\tikzstyle{block}=[draw opacity=0.7,line width=1.4cm]
\setbeamertemplate{caption}[numbered]
\captionsetup{font=scriptsize,labelfont=scriptsize}
\setbeamerfont{caption}{size=\scriptsize}
\hypersetup{pdfpagemode=FullScreen}
\setbeamercovered{invisible}
\setlength{\skip\footins}{25cm plus 0cm minus 25cm}
\setlength{\footnotesep}{0.3cm}
\renewcommand*{\bibfont}{\tiny}
\mode<presentation>
{%\usetheme{Boadilla}
% %\usetheme{Copenhagen}
% \setbeamertemplate{navigation symbols}{}
\usetheme{Madrid}
\setbeamercovered{transparent}
\setbeamertemplate{sidebar right}{}% or get rid of navigation entries there somehow
%\addtobeamertemplate{footline}{\hfill\usebeamertemplate***{navigation symbols}\par}{}
}
\DeclareCiteCommand{\footfullcitetext}
[\let\thefootnote\relax\mkbibfootnotetext]
{\usebibmacro{prenote}}
{\mkbibbrackets{\thefield{labelnumber}}%
\addnbspace
\usedriver
{\DeclareNameAlias{sortname}{default}}
{\thefield{entrytype}}}
{\multicitedelim}
{\usebibmacro{postnote}}
\makeatletter
\let\cbx@citehook=\empty
\newtoggle{cbx@blockcite}
\renewcommand{\@makefntext}[1]{%
\noindent\normalfont\@thefnmark#1}
\DeclareCiteCommand{\sfcite}[\cbx@superscript]%
{\usebibmacro{cite:init}%
\let\multicitedelim=\supercitedelim
\iffieldundef{prenote}{}{\BibliographyWarning{Ignoring prenote argument}}%
\iffieldundef{postnote}{}{\BibliographyWarning{Ignoring postnote argument}}}
{\usebibmacro{citeindex}%
\ifciteseen
{\ifnumequal{\value{page}}{\csuse{cbx@page@\thefield{entrykey}}}
{}
{\ifnumequal{\value{framenumber}}{\csuse{cbx@frame@\thefield{entrykey}}}
{\usebibmacro{sfcite}}
{}}}
{\usebibmacro{sfcite}}%
\usebibmacro{cite:comp}}
{}
{\usebibmacro{cite:dump}}
\newbibmacro*{sfcite}{%
\csnumgdef{cbx@page@\thefield{entrykey}}{\value{page}}%
\csnumgdef{cbx@frame@\thefield{entrykey}}{\value{framenumber}}%
\xappto\cbx@citehook{%
\noexpand\footfullcitetext{\thefield{entrykey}}}}
\newrobustcmd*{\cbx@superscript}[1]{%
\mkbibsuperscript{\mkbibbrackets{#1}}%
\iftoggle{cbx@blockcite}
{}
{\cbx@citehook%
\global\let\cbx@citehook=\empty}}
\BeforeBeginEnvironment{block}{\global\toggletrue{cbx@blockcite}}
\def\metabox#1{\edef\theprevdepth{\the\prevdepth}\nointerlineskip
\vbox to0pt{#1\vss}\prevdepth=\theprevdepth}
\AfterEndEnvironment{block}
{\metabox{%
\global\togglefalse{cbx@blockcite}%
\cbx@citehook%
\global\let\cbx@citehook=\empty}}
\BeforeBeginEnvironment{exampleblock}{\global\toggletrue{cbx@blockcite}}
\def\metabox#1{\edef\theprevdepth{\the\prevdepth}\nointerlineskip
\vbox to0pt{#1\vss}\prevdepth=\theprevdepth}
\AfterEndEnvironment{exampleblock}
{\metabox{%
\global\togglefalse{cbx@blockcite}%
\cbx@citehook%
\global\let\cbx@citehook=\empty}}
\AtEveryCitekey{\iffootnote{\tiny}{\color{blue}}{\vspace{-1ex}}}
\renewcommand*{\footnoterule}{\kern -1pt \hrule \@width 2in \kern 1pt}
\makeatother
%\addtobeamertemplate{footnote}{\vspace{-6pt}\advance\hsize-0.5cm}{\vspace{6pt}}
%\setbeamersize{text margin left=8pt,text margin right=8pt}
\addbibresource{Bib.bib}
%% Code for placing the footnote above the navigiation symbols
%\addtobeamertemplate{footnote}{\vspace{-6pt}}{\vspace{6pt}}
%\makeatletter
%% Alternative A: footnote rule
%\renewcommand*{\footnoterule}{\kern -3pt \hrule \@width 2in \kern 8.6pt}
%% Alternative B: no footnote rule
%% \renewcommand*{\footnoterule}{\kern 6pt}
%\makeatother
\title[移动无线网络信道在线测试与应用] % (optional, use only with long paper titles)
{移动无线网络信道在线测试与应用}
%\subtitle
%{研究现状}
\author[马~永森] % (optional, use only with lots of authors)
{
\small
姓名:马~永森 \\
%班级:B1003292 \\
学号:1100329074
}
%{F.~Author\inst{1} \and S.~Another\inst{2}}
% - Give the names in the same order as the appear in the paper.
% - Use the \inst{?} command only if the authors have different
% affiliation.
\institute[上海交通大学] % (optional, but mostly needed)
{ \small
指导教师:龙~承念\quad 教授 \\
专业:控制科学与工程
% 姓名:\quad 马~永森 \\
% 班级:\quad B1003292 \\
% 学号:\quad 1100329074 \\
% 指导教师:\quad 龙承念~教授
}
% - Use the \inst command only if there are several affiliations.
% - Keep it simple, no one is interested in your street address.
\date[2013/02/20] % (optional, should be abbreviation of conference name)
{
%\begin{figure}
% \centering
% \includegraphics[width=1.2in]{name.pdf}
% \end{figure}
\begin{figure}
\includegraphics[width=1in]{SJTU.pdf}
\end{figure}
\footnotesize{2013/02/20}
%\today
}
% - Either use conference name or its abbreviation.
% - Not really informative to the audience, more for people (including
% yourself) who are reading the slides online
\subject{Experimental Computer Science}
% This is only inserted into the PDF information catalog. Can be left
% out.
% \pgfdeclareimage[height=5cm]{SJTU}{SJTUW.pdf}
% \logo{\pgfuseimage{SJTU}}
% Delete this, if you do not want the table of contents to pop up at
% the beginning of each subsection:
\AtBeginSubsection[]
{
\begin{frame}<beamer>{提纲}
\tableofcontents[currentsection,currentsubsection]
\end{frame}
}
% If you wish to uncover everything in a step-wise fashion, uncomment
% the following command:
%\beamerdefaultoverlayspecification{<+->}
\begin{document}
\begin{CJK*}{GBK}{hei}
%\renewcommand{\today}{\CJKnumber{\the\month}月}
\renewcommand\figurename{图}
\renewcommand\tablename{表}
%\addtobeamertemplate{frametitle}{}{%
%\begin{textblock*}{100mm}(0.9\textwidth,-0.5cm)
%\includegraphics[height=0.8cm]{SJTUB.pdf}
%\end{textblock*}
%}
\addtobeamertemplate{frametitle}{}{%
\begin{textblock*}{100mm}(0.8\textwidth,-0.8cm)
\includegraphics[height=0.7cm]{SJTU.pdf}
\end{textblock*}
}
%\addtobeamertemplate{frame}{}{%
%\begin{tikzpicture}[remember picture,overlay]
%\node[anchor=north east] at (current page.north east) {\includegraphics[height=0.9cm]{SJTUW.pdf}};
%\end{tikzpicture}}
\begin{frame}
\titlepage
\end{frame}
\begin{frame}{提纲}
\tableofcontents
% You might wish to add the option [pausesections]
\end{frame}
\section{背景介绍}
\subsection{移动无线网络}
\begin{frame}{移动无线网络}
\begin{columns}[c]
\column{2in}
\begin{figure}
\includegraphics[width=2.0in]{MOT_WNS.pdf}
\label{connectivity}
\end{figure}
\column{2in}
\begin{figure}
\includegraphics[width=2.0in]{WirelessData.pdf}
\label{MOT_WNS}
\end{figure}
\end{columns}
\begin{itemize}
\item 无线网络发展迅速,几乎在所有\alert{“智能”}系统中都能够找到它的应用,比如智能家居、智能楼宇、智能医疗、智能城市、智慧地球。
\item 无线网络业务需求呈持续增加趋势,同时造成无线频谱资源的过度拥挤。尤其对于移动无线网络而言,其亟需解决的问题是:如何在保证网络\alert{可靠性}的基础上,尽量提高其\alert{传输性能}及\alert{频谱利用效率}?
\end{itemize}
\end{frame}
\subsection{通信质量测试}
\begin{frame}{通信质量测试}
\begin{figure}
\includegraphics[width=3.3in]{dynamic.pdf}
\label{dynamic}
%\caption{xG网络协议结构}
\end{figure}
\alert{信道状态}与\alert{链路质量}既是衡量无线网络性能的重要指标,同时在网络决策过程中发挥重要作用\sfcite{Akyildiz06nextgeneration/dynamic},因此关键问题是如何准确高效地对信道状态与链路质量进行\alert{实时测量},从而实现可靠性与传输性能的有效平衡。
\end{frame}
\begin{frame}{通信质量测试-高速移动网络}
\begin{itemize}
\item 高速铁路的首要问题是保证\alert{安全性},主要由GSM-R网络来实现;
\item 对GSM-R网络尤其是无线接口进行\alert{实时测试}\sfcite{baldini2010early},以保证安全运行。
\end{itemize}
\begin{figure}
\centerline{
\subfloat[业务模型]{\includegraphics[width=1.8in]{gsmrservice.pdf}
\label{gsmrservice}
}
\subfloat[网络架构]{\includegraphics[width=2.7in]{gsmr.pdf}
\label{gsmr}
}
}
\caption{GSM-R网络业务模型与网络架构}
\label{gsmr}
\end{figure}
\end{frame}
\begin{frame}{通信质量测试-无线局域网络}
802.11n网络采用MIMO-OFDM及其相关技术\sfcite{perahia2008next},从而有效地提升网络的\alert{传输性能},保证更高的吞吐量与覆盖范围。
\begin{block}{PHY层}
\begin{itemize}
\item
\textcolor{green!50!black}{MIMO:}采用多天线及空间复用技术,提升PHY吞吐量及覆盖范围,同时提高系统稳定性;
\item
\textcolor{green!50!black}{HT20/HT40:}采用灵活信道技术,更好地解决载波侦听、隐藏/暴露终端等问题。
\end{itemize}
\end{block}
\begin{block}{MAC层}
\begin{itemize}
\item
\textcolor{green!50!black}{A-MPDU:}帧聚合技术即多个帧共用一个MAC头部,同时降低ACK发送频率,降低发送/接收开销,提高传输效率;
\item
\textcolor{green!50!black}{SGI:}400ns保护间隔,降低时间开销,提高MAC吞吐量。
\end{itemize}
\end{block}
\end{frame}
\begin{frame}{通信质量测试-时空特性}
\begin{block}{移动无线网络的时变性与位置差异性}
\begin{enumerate}
\item 接收信号强度与传输成功率受\alert{无线传播环境}影响,如图~\ref{time_vary}~所示;
\item 接收信号强度具有\alert{位置差异性},如图~\ref{cdf_rss}~所示;
\item 传输成功率在\alert{不同时间尺度}内发生变化,如图~\ref{pdrvary}~所示。
\end{enumerate}
\end{block}
\begin{figure}
\centerline{
\subfloat[]{\includegraphics[width=1.8in]{time.pdf}
\label{time_vary}
}
\subfloat[]{\includegraphics[width=0.9in]{cdfrss.pdf}
\label{cdf_rss}
}
\subfloat[]{\includegraphics[width=1.5in]{pdrvary.pdf}
\label{pdrvary}
}
}
\caption{接收信号强度与传输成功率的时变性及位置差异性}
\label{time}
\end{figure}
\end{frame}
\begin{frame}{通信质量测试-论文结构}
本文主要针对移动无线网络的时间与空间特性,分别提出信道状态与链路质量的动态测试算法,以降低测试开销并提高测试精度,进而有效提升网络的传输性能。
\begin{block}{信道状态采样与估计}
\begin{enumerate}
\item 根据高速移动网络无线传播环境的特点,根据当前网络状态进行\alert{动态采样},同时完成衰落参数估计与采样频率计算;
\item 在保证测试精度的前提下降低测试开销,在\alert{高速移动}条件下降低信道采样对数据传输的不利影响。
\end{enumerate}
\end{block}
\begin{block}{链路质量测试与建模}
\begin{enumerate}
\item 通过\alert{动态滑动平均算法}对传输成功率进行实时测量,根据网络状态实现链路质量测试精度与开销的有效平衡;
\item 设计并实现链路质量\alert{在线建模框架},同时利用物理层与链路层指标实现移动MIMO-OFDM网络的速率适配。
\end{enumerate}
\end{block}
\end{frame}
\section{信道状态采样与估计}
\subsection{无线传播测试}
\begin{frame}{无线传播测试-现有工作}
\begin{block}{测试过程}
移动网络的无线传播测量过程如图~\ref{measurement}~所示,主要分为本地均值估计、无线传播预测及模型修正。
\end{block}
%\begin{columns}[c]
%\column{2.5in}
\begin{figure}
\centering
\includegraphics[width=3in]{measurement.pdf}
\caption{移动网络无线传播测量过程}
\label{measurement}
\end{figure}
%\column{2.5in}
由于GSM-R网络对安全性具有严格要求,现有测试方法均采用高频采样,成本较高且仅适用于离线测试,无法应用于在线测试及资源调度。
%\end{columns}
\end{frame}
\begin{frame}{无线传播测试-现有工作}
\begin{scriptsize}
\begin{block}{\footnotesize{传统方法}}
\begin{itemize}
\item Lee氏采样算法最先提出移动网络接收信号强度的本地均值估计问题,基于\textcolor{green!50!black}{瑞利衰落}分析了统计区间与采样点数的关系;\sfcite{lee1985estimate}
\item 其他基于置信区间或最大似然估计的方法,同样在\textcolor{green!50!black}{瑞利衰落}信道下进行分析;\sfcite{Ai2009wcsp}
\item 传统基于莱斯衰落信道的采样算法\textcolor{green!50!black}{测试开销}太高,无法直接应用于GSM-R网络;\sfcite{tepedelenlio?lu2001estimation}
\item 通用Lee氏采样算法不需要衰落信道的分布函数,但最优采样参数需要通过大量数据分析得到,同样具有较高的\textcolor{green!50!black}{测试开销},只适用于离线测试。\sfcite{Vega2009}
\end{itemize}
\end{block}
\end{scriptsize}
\begin{exampleblock}{\footnotesize{测试开销:F=900MHz,V=300km/h;T=480ms,Measure/Data=1/25}}
\begin{scriptsize}
\begin{itemize}
\item Lee氏采样算法的统计区间为14.4m或172ms,需要2.8倍的测量时隙,吞吐量\alert{降低7.2\%};
\item 工程应用中统计区间一般选取为1.6m或19.2ms,需要25倍的测量时隙,吞吐量\alert{降低96\%}。
\end{itemize}
\end{scriptsize}
\end{exampleblock}
\end{frame}
\subsection{动态采样与估计}
\begin{frame}{动态采样与估计-算法设计}
\begin{block}{测试过程}
莱斯衰落信道的接收信号强度动态测试过程如图~\ref{online_measure}~所示,主要通过参数估计确定\textcolor{green!50!black}{统计区间长度}和\textcolor{green!50!black}{采样点数目}。
\begin{enumerate}
\item 根据无线传播环境实时调整采样参数,适应网络状态的变化;
\item 在保证测试精度的前提下降低采样频率,从而减小测试开销。
\end{enumerate}
\end{block}
\begin{figure}
\centering
\includegraphics[width=3.6in]{online.pdf}
\caption{莱斯衰落信道动态测试过程}
\label{online_measure}
\end{figure}
\end{frame}
\begin{frame}{动态采样与估计-算法设计}
\begin{block}{1、统计区间长度}
\scriptsize{
\begin{equation}
P_e = 10 \log_{10}\left(\frac{\hat{s}+\sigma_{\hat{s}}}{\hat{s}-\sigma_{\hat{s}}}\right) =10 \log_{10}\left(\frac{\frac{2\sigma^2+\nu^2}{2\sigma^2}n+\sqrt{2(1+n)\int\limits_0^n g\left(\frac{\nu^2}{2\sigma^2};\rho\right) d\rho}}{\frac{2\sigma^2+\nu^2}{2\sigma^2}n-\sqrt{2(1+n)\int\limits_0^n g\left(\frac{\nu^2}{2\sigma^2};\rho\right) d\rho}}\right)
\label{Perrornu}
\end{equation}
}
\end{block}
\begin{block}{2、采样点数目}
\scriptsize{
\begin{equation}
\begin{split}
Q_e=10 \log_{10}\left(\frac{\bar{r^2}+\sigma_{\bar{r^2}}}{\bar{r^2}}\right)&=10 \log_{10}\left(\frac{\frac{\sigma^2}{N}\left(2N+\nu^2\right)+\frac{2\sigma^2}{N}\sqrt{N+\nu^2}}{\frac{\sigma^2}{N}(2N+\nu^2)}\right)\\
&=10 \log_{10}\left(\frac{2N+\nu^2+2\sqrt{N+\nu^2}}{2N+\nu^2}\right)
\end{split}
\label{Q_e}
\end{equation}
}
\end{block}
\end{frame}
\begin{frame}{动态采样与估计-算法设计}
\begin{columns}[c]
\column{3in}
\begin{figure}
\centerline{
\subfloat[$\sigma=1$]{
\includegraphics[width=1.5in]{sigma11.pdf}
\label{sigma1}
}
\hfil
\subfloat[$\sigma=3$]{
\includegraphics[width=1.5in]{sigma33.pdf}
\label{sigma3}
}
}
\centerline{
\subfloat[$\sigma=5$]{
\includegraphics[width=1.5in]{sigma55.pdf}
\label{sigma5}
}
\hfil
\subfloat[$\sigma=7$]{
\includegraphics[width=1.5in]{sigma77.pdf}
\label{sigma7}
}
}
\caption{统计区间长度归一化误差}
\label{lengthresult}
\end{figure}
\column{1.4in}
\begin{block}{统计区间长度}
\small
\centering
{
$P_e=1dB$\\
{\Large $\Downarrow$}\\
$2L=f_{2L}(\lambda;\nu,\sigma)$
}
\end{block}
\begin{exampleblock}{结论1}
统计区间长度归一化误差$P_e$$\nu^2/\sigma^2$呈对数线性关系。
\end{exampleblock}
\end{columns}
\end{frame}
\begin{frame}{动态采样与估计-算法设计}
\begin{columns}[c]
\column{2.6in}
\begin{figure}
\centerline{
\includegraphics[width=2.3in]{nu1.pdf}
}
\caption{采样点数目归一化误差}
\label{nu}
\end{figure}
\column{1.5in}
\begin{block}{采样点数目}
\centering
{
$Q_e=1dB$\\
{\Large $\Downarrow$}\\
$N=f_{N}(\lambda;\nu,\sigma)$
}
\end{block}
%\centering{
%{\Large $\Downarrow$}
%}
%\begin{exampleblock}{采样频率}
%\centering{
%$\Delta d = 2L/N$
%}
%\end{exampleblock}
\begin{exampleblock}{结论2}
采样点数目归一化误差$Q_e$$\nu^2$呈对数线性关系,与$\sigma^2$$\lambda$无关。
\end{exampleblock}
\end{columns}
\begin{block}{采样频率:$\Delta d = 2L/N = f_{2L}(\lambda;\nu,\sigma) / f_{N}(\lambda;\nu,\sigma) = f_{d}(\lambda;\nu,\sigma)$}
\begin{itemize}
\item $\Delta d$ $\Leftarrow$ 统计区间长度$2L$和采样点数目$N$
\item $\Delta d$ $\Rightarrow$ 测量精度与开销。
\end{itemize}
\end{block}
\end{frame}
\begin{frame}{动态采样与估计-性能评估}
\begin{block}{\footnotesize{测试平台}}
\begin{itemize}
\begin{scriptsize}
\item 硬件平台:中心处理器CPU:CME137686LX-W;GSM-R无线通信模块:COM16155RER
\item 软件平台:开发环境:Visual Studio 2010;开发语言:C\#;运行平台:Microsoft .NET Compact Framework;运行系统:Windows XP/CE/Mobile
\end{scriptsize}
\end{itemize}
\end{block}
\begin{figure}
\centerline{
\subfloat[硬件平台]{
\includegraphics[width=2in]{platform.pdf}
\label{hardware}
}
\hfil
\subfloat[软件平台]{
\includegraphics[width=2in]{softwareinterface.pdf}
\label{software}
}
}
\caption{GSM-R网络空中接口测试系统}
\label{platform}
\end{figure}
\end{frame}
\begin{frame}{动态采样与估计-性能评估}
\begin{block}{\footnotesize{算法设计与系统实现}}
\begin{itemize}
\begin{scriptsize}
\item 在线测试算法主要包括莱斯衰落参数估计与采样参数计算,分为衰落因子$\nu_0$$\sigma_0$的初始化与实时更新,同时确定下一轮采样参数$2L$$N$。最后通过统计区间长度和采样点数计算得到采样间隔$\Delta d=2L/N$,并开始新一轮的信号采样与参数估计。
\item 测试系统对网络进行实时监测,在故障时给出预警信息;给出网络的综合性能评估,并提出参数调整建议;包含物理层、链路层与业务层指标,实现对网络的全面测试。
\end{scriptsize}
\end{itemize}
\end{block}
\begin{figure}
\centerline
{
\subfloat[算法设计]{\includegraphics[width=1.5in]{umframework.pdf}
}
\hfil
\subfloat[系统实现]{\includegraphics[width=2.4in]{softwarefunction.pdf}
}
}
\caption{算法设计与系统实现}
\label{framework}
\end{figure}
\end{frame}
\begin{frame}{动态采样与估计-性能评估}
\begin{block}{系统功能}
GSM-R网络空中接口测试系统主要完成网络通信质量的测试、处理、预测、显示与预警。
\end{block}
\begin{figure}
\centerline
{
\subfloat[]{\includegraphics[width=1.6in]{dataprocess.pdf}
}
\hfil
\subfloat[]{\includegraphics[width=1.6in]{function.pdf}
}
}
\caption{数据处理与基本功能}
\end{figure}
\end{frame}
\begin{frame}{动态采样与估计-性能评估}
\begin{block}{测试结果}
在相同的测试精度下,即归一化误差分别为1dB,动态算法的测试开销显著降低,从而有效保证网络的正常通信。
\begin{itemize}
\begin{footnotesize}
\item 莱斯因子$K = 0$时,统计区间$2L = 55\lambda$,采样间隔为$3.7\lambda$,而Lee氏算法为$1.1\lambda$
\item 随着莱斯因子$K$的增大,统计区间与采样间隔逐渐降低;
\item$\nu \geq 8$时,采样点数$N \leq 10$便可以保证本地均值的准确性,采样间隔大于1m。
\end{footnotesize}
\end{itemize}
\end{block}
\begin{table}[!t]
\renewcommand{\arraystretch}{1}
\centering
\begin{threeparttable}[b]
\caption{测试结果}
\label{summary}
\setlength{\tabcolsep}{4pt}
\scriptsize
\begin{tabular}{c|c||c|c||c|c||c|c||c|c|c}
\hline
\multicolumn{1}{c|}{\multirow{3}{*}{Terrain}} & \multicolumn{1}{c||}{\multirow{3}{*}{$K$(dB)}} & \multicolumn{1}{c|}{\multirow{3}{*}{$\nu$}} & \multicolumn{1}{c||}{\multirow{3}{*}{$\sigma$}} & \multicolumn{1}{c|}{\multirow{3}{*}{$2L(\lambda)$}} & \multicolumn{1}{c||}{\multirow{3}{*}{$N$}} & \multicolumn{1}{c|}{\multirow{3}{*}{$\Delta d(\lambda)$}} & \multicolumn{1}{c||}{\multirow{3}{*}{$\Delta d$(m)}} & \multicolumn{3}{c}{$v_{train}$(km/h)}\\
\cline{9-11}
\multicolumn{1}{c|}{} & \multicolumn{1}{c||}{} & \multicolumn{1}{c|}{} & \multicolumn{1}{c||}{} & \multicolumn{1}{c|}{} & \multicolumn{1}{c||}{} & \multicolumn{1}{c|}{} & \multicolumn{1}{c||}{} & 200 & 250 & 300\\
\cline{9-11}
\multicolumn{1}{c|}{}& \multicolumn{1}{c||}{} & \multicolumn{1}{c|}{} & \multicolumn{1}{c||}{} & \multicolumn{1}{c|}{} & \multicolumn{1}{c||}{} & \multicolumn{1}{c|}{} & \multicolumn{1}{c||}{} & \multicolumn{3}{c}{$\Delta t$(ms)}\\
\cline{1-11}
NLOS\tnote{*} & 0 & - & - & 40 & 36 & 1.1 & 0.367 & 2.20 & 1.76 & 1.47\\
\hline
Intensive & 0 & 0 & 1 & 55 & 15 & 3.7 & 1.222 & 7.33 & 5.86 & 4.89\\
& 2 & 4 & 2 & 18 & 12 & 1.5 & 0.500 & 3.00 & 2.40 & 2.00\\
& 4 & 5.6 & 2 & 9 & 9 & 1.0 & 0.333 & 2.00 & 1.60 & 1.33\\
& 6 & 6 & 3 & 20 & 7 & 2.9 & 0.967 & 5.80 & 4.64 & 3.87\\
& 8 & 12 & 3 & 8 & 1 & 8.0 & 2.667 & 16.00 & 12.80 & 10.67\\
Open & 10 & 18 & 4 & 12 & 1 & 12.0 & 4.000 & 24.00 & 19.20 & 16.00\\
\hline
\end{tabular}
\begin{tablenotes}
\item[*] \tiny Caculated by Lee's method in the case of Rayleigh fading
\end{tablenotes}
\end{threeparttable}
\end{table}
\end{frame}
\begin{frame}{动态采样与估计-性能评估}
同时大尺度和小尺度衰落能够有效分离,为上层应用提供状态信息:
\begin{enumerate}
\item 大尺度衰落:通过ML或MMSE估计进行传播预测\sfcite{gopal2009power};
\item 小尺度衰落:切换算法的切换门限选择\sfcite{itoh2002performance}。
\end{enumerate}
\begin{figure}[!t]
\centerline{
\subfloat[Signal Strength]{
\includegraphics[width=2in]{em.pdf}
\label{input}
}
\subfloat[Short-term Fading]{
\includegraphics[width=2in]{short.pdf}
\label{output}
}
}
\caption{测试结果}
\label{strength}
\end{figure}
\end{frame}
\section{链路质量测试与建模}
\subsection{链路质量测试}
\begin{frame}{链路质量测试-现有工作}
\begin{block}{传统方法}
传统方法或基于主动探测,或基于固定PDR-RSS模型,如图~\ref{staticpdrrss}~所示。
\begin{enumerate}
\item 移动网络传播环境与网络状态复杂多变,降低链路质量测试精度;
\item 802.11n采用多种物理层和链路层配置,增加链路质量测试开销;
\item MIMO-OFDM的多配置特性增加了PDR-RSS建模复杂性。
\end{enumerate}
移动802.11n网络的\alert{移动性}和\alert{多配置性}降低了链路质量的测试与预测精度,进一步影响网络的整体性能。
\end{block}
\begin{figure}[!t]
\setcounter{subfigure}{0}
\centering
\includegraphics[width=0.5\textwidth]{modeling1.pdf}
\caption{静态PDR-RSS框架}
\label{staticpdrrss}
\end{figure}
\end{frame}
\begin{frame}{链路质量测试-现有工作}
\begin{block}{测试方法EWMA: $\hat{P_w}[k]=\alpha \hat{P_w}[k-1]+(1-\alpha)P[k]$}
\begin{enumerate}
\item
\alert{加权因子}$\alpha$对测试精度有很大影响,理论上一般设置在0.1到0.4之间 \sfcite{EWMAChart}。
实际系统一般采用固定值(0.125或0.25),使得测试精确度容易受到外界环境与网络配置变化的影响;
\item
\alert{窗口长度}$W$同样影响测试精度,静态网络中窗口长度一般为固定值(100ms或50ms),当网络运行在高传输速率时,EWMA会遗漏掉PDR的瞬时下降,进而降低网络性能。
\end{enumerate}
\end{block}
\begin{figure}
\includegraphics[width=0.8\textwidth]{m_weighted.pdf}
\label{fixed_method}
\end{figure}
\end{frame}
\begin{frame}{链路质量测试-现有工作}
\begin{figure}[!t]
\centerline{
\subfloat[PDR-RSS模型]{\includegraphics[width=0.48\textwidth]{pdr.pdf}
\label{pdr}
}
\subfloat[PDR-RSS过渡窗口]{\includegraphics[width=0.45\textwidth]{MCS.pdf}
\label{MCS}
}
}
\caption{PDR-RSS模型过渡窗口}
\label{transitionexam}
\end{figure}
如图~\ref{transitionexam}~所示,在所有被选择的HT/GI/MCS配置中,\alert{34\%落入过渡窗口中},8\%使得PDR$<$10\%,这种情况在移动802.11n网络中更为明显。
\end{frame}
\subsection{在线测试与建模}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{链路质量在线测试与建模}
\footnotesize{
\begin{enumerate}
\item 针对链路质量的时空特性及配置多样性,采用动态滑动窗口平均提高测试精度;
\item 采用在线建模框架,准确刻画当前配置下网络状态,为上层应用提供可靠信息;
\item 结合动态测试与在线建模,提高速率适配的效率与准确性,进而提升网络性能。
\end{enumerate}
}
\end{block}
\begin{columns}[c]
 \column{2.8in}
\begin{figure}
\includegraphics[width=1\textwidth]{modeling.pdf}
\label{modeling}
\end{figure}
 \column{1.7in}
\begin{block}{\scriptsize{DSWA $\rightarrow$ GradedM $\rightarrow$ GradedR}}
\begin{scriptsize}
\begin{enumerate}
\item 指标分层测试:DSWA
\begin{itemize}
\begin{tiny}
\item
物理层:RSS/SNR/SINR/CSI
\item
链路层:\alert{传输成功率(PDR)}
\end{tiny}
\end{itemize}
\item 在线实测模型:GradedM
\begin{itemize}
\begin{tiny}
\item
物理层:MIMO,HT20/HT40
\item
链路层:LGI/SGI
\end{tiny}
\end{itemize}
\item 上层资源分配:GradedR
\begin{itemize}
\begin{tiny}
\item
APs:信道接入、频谱管理
\item
STAs:\alert{速率控制}、路由选择
\end{tiny}
\end{itemize}
\end{enumerate}
\end{scriptsize}
\end{block}
\end{columns}
\end{frame}
%\begin{frame}{在线测试与建模}
%\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{测试模型:广义伯努利随机过程}
发送数据包接收状态为$x_i=\{0,1\}$,接收成功概率$p_i$由SINR模型刻画。
\begin{equation}
p_i=Prob[SINR_i(t)>\delta]=Prob[\frac{R_i(t)}{I_i(t)+n}>\delta]=\hat{p}\left(R_i(t)\right)
\label{p_i}
\end{equation}
%其中$SINR_i(t)$为信噪比, $\delta$为$SINR$门限值,$R_i(t)$为接收信号强度,$I_i(t)$为信号干扰,$n$为背景噪声,一般为固定值。
\end{block}
\begin{block}{测试方法DSWA: $\hat{P_s}[k]=\beta P'[k]+(1-\beta)P[k]$}
移动802.11n网络中的PDR测量,既要适应环境变化造成的网络状态瞬时波动,又要满足多种配置选择的要求。
\begin{enumerate}
\item
通过滑动因子$\beta$选取上一次计算中靠近当前时刻的部分数据,从而降低PDR的瞬时变化对测试结果的影响;
\item
窗口长度$W$为事件驱动且与网络配置无关,而是根据当前网络状态变化,对测试精度与开销进行平衡。
\end{enumerate}
\end{block}
%\begin{figure}
% \includegraphics[width=0.8\textwidth]{m_sliding.pdf}
% \label{sliding_method}
% \end{figure}
\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{测试方法DSWA: $\hat{P_s}[k]=\beta P'[k]+(1-\beta)P[k]$}
\begin{figure}
\includegraphics[width=0.8\textwidth]{m_sliding.pdf}
\label{sliding_method}
\end{figure}
\end{block}
\scriptsize{
\begin{columns}[c]
 \column{4cm}
\begin{equation}
\overline{W}_{(k,n)} = \frac{\sum_{i=1}^n{\omega_i \gamma_i} \eta_{i}}{\sum_{i=1}^n{\omega_i}}
\label{W_s}
\end{equation}
\begin{equation}
\overline{\beta}_{(k,n)} = 1 + \frac{\sum_{i=1}^n{\omega_i \gamma_i}}{\sum_{i=1}^n{\omega_i}}
\label{beta}
\end{equation}
 \column{6cm}
%\begin{spacing}{1.5}
其中$\gamma_i$为PDR变化因子:
\begin{equation*}
\gamma_i = 1 + P[k-n+i] - P[k-n+i-1],~~ 1 \leq i \leq n,
\end{equation*}
$\omega_i$为加权因子:
\begin{equation*}
\omega_i = \frac{1}{2^{\lfloor\frac{n-i}{2}\rfloor}},~1\leq i \leq n
\end{equation*}
%\end{spacing}
\end{columns}
}
\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{在线建模}
\scriptsize{
\begin{enumerate}
\item \textcolor{green!50!black}{信道带宽:}HT40更容易受环境变化影响,相同情况下接收门限更高,过渡窗口长度更长;
\item \textcolor{green!50!black}{传输速率:}接收门限随着传输速率的提高而增大,当MCS高于14时窗口长度大于10dB;
\item \textcolor{green!50!black}{保护间隔:}低速率基本无区别,MCS高于14时SGI明显提升PDR,尤其对于HT40信道。
\end{enumerate}
}
\end{block}
\begin{figure}[!t]
\setcounter{subfigure}{0}
\centerline{
\subfloat[MCS 8-14, GI = 400ns]{\includegraphics[width=0.33\textwidth]{pdr_ch_sgi.pdf}
\label{pdr_sgi}
}
\subfloat[MCS 8-14, GI = 800ns]{\includegraphics[width=0.33\textwidth]{pdr_ch_lgi.pdf}
\label{pdr_lgi}
}
\subfloat[MCS 15, GI = 400/800ns]{\includegraphics[width=0.33\textwidth]{pdr_sgi.pdf}
\label{pdr_sgi_high}
}
}
\caption{PDR-RSS模型}
\label{pdr}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{在线建模算法}
\begin{algorithm}[H]
%\SetAlFnt{\footnotesize}
\floatname{algorithm}{算法}
\renewcommand{\algorithmicrequire}{\textbf{输入:}}
\renewcommand{\algorithmicensure}{\textbf{输出:}}
\caption{GradedM:PDR-RSS在线建模与实时更新}
\label{alg:graded}
\begin{scriptsize}
\begin{algorithmic}[1]
\Require pdr-now, rss-now
\Ensure ht-gi-mcs-index
\State{\label{graded-table}struct GradedT \{ \\ ~~~~~~~~~graded-delta[r][2]; // r=8/16/24 对应于天线数量1/2/3\\ \} graded-table[w][g]; // w=g=2 对应于信道HT20/HT40与保护间隔LGI/SGI\label{graded-table2}}
\State{// \textbf{1. PDR-RSS模型实时更新}}
\If{graded-delta-changed} \label{delta-changed}
\State{graded-table $\gets$ update-delta(pdr-now,rss-now);}
\EndIf \label{delta-updated}
\State{// \textbf{2. HT/GI选择序列排序}}
\State{mcs-index $\gets$ sort(graded-table,rss-now);} \label{ht-gi}
\State{// \textbf{3. HT/GI/MCS选择序列排序}}
\State{ht-gi-mcs-index $\gets$ sort(mcs-index,mcs-rate);} \label{ht-gi-mcs}
\State \Return{ht-gi-mcs-index;}
\end{algorithmic}
\end{scriptsize}
\end{algorithm}
\end{block}
\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{在线建模}
1. 初始化获得原始PDR-RSS模型,并储存于GradedT中,当参数发生变化时进行在线更新,对GradedT进行排序获得HT/GI/MCS索引。
\end{block}
\begin{figure}[!t]
\includegraphics[width=0.6\textwidth]{graded.pdf}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{在线建模}
2. 该索引反应了所有配置在当前状态下可获得的传输性能与可靠性,可以作为PHY/MAC配置参数提供给上层应用。
\end{block}
\begin{figure}[!t]
\includegraphics[width=0.6\textwidth]{gradedexample.pdf}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{在线建模}
2. 该索引反应了所有配置在当前状态下可获得的传输性能与可靠性,可以作为PHY/MAC配置参数提供给上层应用。
\end{block}
\begin{figure}[!t]
\includegraphics[width=0.6\textwidth]{gradedexample10.pdf}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{在线PDR-RSS建模算法}
3. 当前配置下PDR$<$90\%或RSS$<\delta_+$,或者PDR和RSS持续稳定,但无法满足速率需求,根据ht-gi-mcs-table重新选择合适配置。
\end{block}
\begin{figure}[!t]
\includegraphics[width=0.6\textwidth]{gradedexample30.pdf}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-算法设计}
\begin{block}{在线建模}
3. 当前配置下PDR$<$90\%或RSS$<\delta_+$,或者PDR和RSS持续稳定,但无法满足速率需求,根据ht-gi-mcs-table重新选择合适配置。
\end{block}
\begin{figure}[!t]
\includegraphics[width=0.6\textwidth]{gradedexample40.pdf}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-性能评估}
\begin{columns}
\column{2in}
\begin{block}{\footnotesize{实验测试}}
\begin{scriptsize}
通过Linux操作系统以及ath9k开源无线驱动实现无线通信,对比算法包括:
\begin{enumerate}
\item Minstrel-EWMA
\item Minstrel-DSWA
\item GradedR
\end{enumerate}
评估指标包括:
\begin{enumerate}
%\begin{footnotesize}
\item 测试算法精度及开销
\item 传输成功率
\item 吞吐量
%\end{footnotesize}
\end{enumerate}
\end{scriptsize}
\end{block}
\column{2.4in}
\begin{figure}[!t]
\centering
\includegraphics[width=1\textwidth]{framework11n.pdf}
\label{framework}
\end{figure}
\end{columns}
\begin{figure}[!t]
\centering
\includegraphics[width=0.9\textwidth]{testbed.pdf}
\label{testbed}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-性能评估}
\begin{block}{1、测试算法精度及开销评估}
\scriptsize{
\begin{itemize}
\item 总体的测试误差方面,DSWA明显低于EWMA;
\item 从累积分布函数可以看出,EWMA测量值倾向高于实际值;
\item DSWA的窗口长度只跟网络状态有关,与传输速率无关;
\item 传输速率从6.5Mbps到300Mbps,EWMA算法的窗口长度从$W=20$增加到$W=500$,当$W=500$时EWMA会遗漏掉PDR瞬时下降的信息。
\end{itemize}
}
\end{block}
\begin{figure}[!t]
\setcounter{subfigure}{0}
\centerline{
\subfloat[累积分布函数]{\includegraphics[width=0.2\textwidth]{cdf.pdf}
\label{cdf}
}
\subfloat[平均窗口长度]{\includegraphics[width=0.48\textwidth]{DSWA.pdf}
\label{overhead}
}
}
\caption{传输成功率测试误差}
\label{DSWA_error}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-性能评估}
\begin{block}{2、传输成功率评估}
\begin{itemize}
\item GradedR测试算法至少91\% 的PDR高于90\%,而Minstrel约有63\% 的PDR低于90\%
\item 随着MIMO可用天线数量的增加,GradedR可靠性随之上升,其低于90\%的PDR比例由9\%降为5\%,而Minstrel从37\% 上升为51\%
\end{itemize}
\end{block}
\begin{figure}[!t]
\setcounter{subfigure}{0}
\centerline{
\subfloat[1x3]{\includegraphics[width=0.33\textwidth]{route1.pdf}
\label{route1}
}
\subfloat[2x3]{\includegraphics[width=0.33\textwidth]{route2.pdf}
\label{route2}
}
\subfloat[3x3]{\includegraphics[width=0.33\textwidth]{route3.pdf}
\label{route3}
}
}
\caption{吞吐量}
\label{thruputcdf}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-性能评估}
\begin{block}{3、吞吐量评估}
\begin{itemize}
\item 对于1X3的MIMO配置,GradedR算法只有在时间20秒之前吞吐量高于Minstrel算法5-15Mbps,其他情况下的吞吐量基本相同;
\item 其他配置下,在2X3配置下GradedR算法高于Minstrel5-20Mbps,在3X3配置下甚至达到30Mbps的性能提升。
\end{itemize}
\end{block}
\begin{figure}[!t]
\setcounter{subfigure}{0}
\centerline{
\subfloat[1x3]{\includegraphics[width=0.33\textwidth]{CDF1x3.pdf}
\label{thruput1}
}
\subfloat[2x3]{\includegraphics[width=0.33\textwidth]{CDF2x3.pdf}
\label{thruput2}
}
\subfloat[3x3]{\includegraphics[width=0.33\textwidth]{CDF3x3.pdf}
\label{thruput3}
}
}
\caption{吞吐量累积分布函数}
\label{thruputcdf}
\end{figure}
\end{frame}
\begin{frame}{在线测试与建模-性能评估}
\begin{block}{3、吞吐量评估}
\begin{itemize}
\item GradedR在1X3和3X3配置下分别提升吞吐量15Mbps和40Mbps;
\item RSS低于-60dBm时,不同算法在单天线和双天线系统的吞吐量基本相同,GradedR在3X3配置下最大吞吐量提升为5Mbps;
\item RSS高于-40dBm时,对于1X3MIMO系统,吞吐量提升为8Mbps,对于2X3和3X3MIMO系统,吞吐量提升分别为25/30Mbps。
\end{itemize}
\end{block}
\begin{figure}[!t]
\setcounter{subfigure}{0}
\centerline{
\subfloat[1x3]{\includegraphics[width=0.33\textwidth]{goodput1.pdf}
\label{thruput1}
}
\subfloat[2x3]{\includegraphics[width=0.33\textwidth]{goodput2.pdf}
\label{thruput2}
}
\subfloat[3x3]{\includegraphics[width=0.33\textwidth]{goodput3.pdf}
\label{thruput3}
}
}
\caption{吞吐量与平均信号强度}
\label{thruput}
\end{figure}
\end{frame}
\begin{frame}{论文总结}
本文针对移动无线网络的通信质量测试,提出信道状态与链路质量的动态测试算法,并分别完成测试系统的软硬件平台搭建,最后通过实验对测试算法进行测试、对比与评估。
\begin{enumerate}
\item 提出高速移动无线网络信道状态\alert{动态测试算法},在高速移动环境下保证测试精度并有效降低测试开销;
\item 搭建GSM-R网络\alert{空中接口监测系统},并自主开发在线测试软件平台,于京沪高速铁路进行实验测试;
\item 设计\alert{动态滑动平均算法}实现传输成功率的准确测量,有效降低由网络状态的时变特性所造成的不利影响;
\item 设计并实现链路质量\alert{在线建模框架},同时利用物理层与链路层指标实现移动MIMO-OFDM网络的速率适配;
\item 开发无线局域网络\alert{通信质量测试软件},并对测试算法及速率适配算法进行验证、对比与评估。
\end{enumerate}
\end{frame}
\begin{frame}{论文与专利}
\begin{thebibliography}{8}
\tiny{
\bibitem[Yongsen12dynamic]{aloft}
Yongsen Ma, Xiaofeng Mao, Pengyuan Du, Chengnian Long, and Bo Li.
\newblock Dynamic estimation of local mean power in GSM-R networks,
\newblock under review of Springer Wireless Networks.
\bibitem[Yongsen12online]{aloft}
Yongsen Ma, Pengyuan Du, Xiaofeng Mao, and Chengnian Long.
\newblock On-line and dynamic estimation of Rician fading channels in GSM-R networks.
\newblock In WCSP’12, October 2012.
\bibitem[Yongsen12dual]{aloft}
Pengyuan Du, Lujin Luo, Yongsen Ma, and Chengnian Long.
\newblock A dual-antenna based handover scheme for GSM-R network.
\newblock In WCSP’12, October 2012.
\bibitem[马永森GIS]{aloft}
龙承念,马永森,茅晓峰.
\newblock 结合GIS的GSM-R网络通信质量测试系统.
\newblock CN102595445A. July 2012.
\bibitem[马永森dynamic]{aloft}
龙承念,马永森,茅晓峰.
\newblock GSM-R网络接收信号强度动态测试算法.
\newblock CN102571238A. July 2012.
\bibitem[马永森Um]{aloft}
龙承念,马永森,茅晓峰,王英杰,黎凌宇,骆理.
\newblock GSM-R网络空中接口在线测试与预警系统.
\newblock CN102438270A. May 2012.
\bibitem[马永森software]{aloft}
马永森,茅晓峰,龙承念.
\newblock GSM-R网络空中接口测试系统v1.0.
\newblock 2011SR076399. September 2011.
\bibitem[yongsen11n]{aloft}
Yongsen Ma, Jing Wu, Chengnian Long, and Bo Li.
\newblock Online measurement and prediction of packet delivery in mobile 802.11n networks.
\newblock on processing of IEEE Transactions on Mobile Computing.
}
\end{thebibliography}
\end{frame}
\section<presentation>*{}
\subsection<presentation>*{}
\begin{frame}{移动无线网络信道在线测试与应用}
\centerline
{
\fontsize{25pt}{10pt} \textbf{THANKS!}
}
\end{frame}
\appendix
\section*{Appendix}
\subsection*{本地均值估计}
\begin{frame}{本地均值估计}
\begin{block}{1、传播模型:$p_{r}^{2}(x) = s(x)h(x)$}
\begin{enumerate}
\item 阴影衰落:
\begin{equation}
s(x) \sim N\left( m(x),\sigma_s^2 \right)
\end{equation}
\item 多径衰落:
\begin{equation}
\begin{split}
h(x)=&\underbrace{\frac{1}{\sqrt{1+K}}\lim_{M \to \infty}\frac{1}{\sqrt M}\sum_{m=1}^{M}a_{m}e^{j\left(\frac{2\pi}{\lambda}\cos(\theta_{m}x)+\phi_m\right)}}_{\rm NLOS~Components}\\
&+\underbrace{\sqrt{\frac{K}{1+K}}e^{j(\frac{2\pi}{\lambda}\cos(\theta_{0}x+ \phi_0))}}_{\rm LOS~Component}
\end{split}
\label{rician}
\end{equation}
\end{enumerate}
\end{block}
%where $M(x)= K_1+K_2\log(x)$ and $R_{s}(x) = \sigma_{s}^2\exp\left(-\Delta x/x_0\right)$
%\begin{equation}
% f(y;\sigma,\nu)=\frac{y}{\sigma^2}e^{-\frac{y^2+\nu^2}{2\sigma^2}}I_0\left(\frac{y\nu}{\sigma^2}\right)
%\label{ricianPDF}
%\end{equation}
\end{frame}
\begin{frame}{本地均值估计}
\begin{block}{2、莱斯信道估计 \sfcite{marzetta1995algorithm}}
\begin{equation}
\nu_{k+1}=\frac{1}{N}\sum_{i=1}^{N}\frac{I_{1}\left(\frac{\nu_{k}z_{i}}{\sigma_k^2}\right)}{I_{0}\left(\frac{\nu_{k}z_{i}}{\sigma_k^2}\right)}z_i
\label{EM_nu}
\end{equation}
\begin{equation}
\sigma_{k+1}^2=\max{\left[\frac{1}{2N}\sum_{i=1}^N z_i^2 -\frac{\nu_k^2}{2},0\right]}
\label{EM_sigma}
\end{equation}
\end{block}
\footnotesize
其中\textit{N}为采样点数目。$\nu$$\sigma$的初始值为:
\begin{equation}
\nu_{0}=\left(2\left(\frac{1}{N}\sum_{i=1}^N z_i^2\right)^2-\frac{1}{N}\sum_{i=1}^N z_i^4\right)^{1/4}
\label{nu_0}
\end{equation}
\begin{equation}
\sigma_{0}^2=\frac{1}{2}\left(\frac{1}{N}\sum_{i=1}^N z_i^2 - \nu_{0}\right)
\label{sigma_0}
\end{equation}
\end{frame}
\begin{frame}{本地均值估计}
\begin{block}{3、统计区间长度}
本地均值通过$p_r^2(x)$的积分平均估计得到:
\begin{equation}
\hat{s}=\frac{1}{2L}\int\limits_{y-L}^{y+L} p_r^2(x)dx=\frac{s}{2L}\int\limits_{y-L}^{y+L} h(x)dx
\label{shadow_mean}
\end{equation}
\begin{equation}
\sigma_{\hat{s}}^2=\frac{2(n-1)}{n^2(1+K)^2}\int\limits_0^n g(K;\rho) d\rho
\label{sigmareplace}
\end{equation}
\end{block}
\centering
{\Large $\Downarrow$}
\footnotesize
\begin{equation}
P_e = 10 \log_{10}\left(\frac{\hat{s}+\sigma_{\hat{s}}}{\hat{s}-\sigma_{\hat{s}}}\right) =10 \log_{10}\left(\frac{\frac{2\sigma^2+\nu^2}{2\sigma^2}n+\sqrt{2(1+n)\int\limits_0^n g\left(\frac{\nu^2}{2\sigma^2};\rho\right) d\rho}}{\frac{2\sigma^2+\nu^2}{2\sigma^2}n-\sqrt{2(1+n)\int\limits_0^n g\left(\frac{\nu^2}{2\sigma^2};\rho\right) d\rho}}\right)
\label{Perrornu}
\end{equation}
\end{frame}
\begin{frame}{本地均值估计}
\begin{block}{4、采样点数目}
接收信号功率表示为$r^2=2\sigma^2+\nu^2\approx\frac{1}{N}\sum_{i=1}^N z_i^2$(式(\ref{EM_nu})和(\ref{EM_sigma})),则$r^2$的估计值及其方差为:
\begin{equation}
\bar{r^2}=E\left[r^2\right]=\frac{1}{N}E\left[\sum_{i=1}^{N}z_i^2\right]=\frac{\sigma^2}{N}\left(2N+\nu^2\right)
\label{number_mean}
\end{equation}
\begin{equation}
\sigma_{\bar{r^2}}=D\left[r^2\right]=\frac{1}{N^2}D\left[\sum_{i=1}^{N}z_i^2\right]=\frac{\sigma^4}{N^2}\left(4N+4\nu^2\right)
\label{number_sigma}
\end{equation}
\end{block}
\centering
{\Large $\Downarrow$}
\footnotesize
\begin{equation}
\begin{split}
Q_e=10 \log_{10}\left(\frac{\bar{r^2}+\sigma_{\bar{r^2}}}{\bar{r^2}}\right)&=10 \log_{10}\left(\frac{\frac{\sigma^2}{N}\left(2N+\nu^2\right)+\frac{2\sigma^2}{N}\sqrt{N+\nu^2}}{\frac{\sigma^2}{N}(2N+\nu^2)}\right)\\
&=10 \log_{10}\left(\frac{2N+\nu^2+2\sqrt{N+\nu^2}}{2N+\nu^2}\right)
\end{split}
\label{Q_e}
\end{equation}
\end{frame}
\subsection*{链路质量建模}
\begin{frame}{链路质量建模}
\begin{block}{1、链路质量测试误差}
\begin{scriptsize}
1、固定窗口:
\begin{equation}
\textbf{E[}\Delta PDR_f\textbf{]}=\textbf{E[}\frac{1}{W}\sum_{i=1}^{W}{x_i}-p\textbf{]}=\frac{1}{W}\sum_{i=1}^{W}{\textbf{E[}x_i\textbf{]}}-p=0
\end{equation}
\begin{equation}
\textbf{D[}\Delta PDR_f\textbf{]}=\textbf{D[}\frac{1}{W}\sum_{i=1}^{W}{x_i}-p\textbf{]}=\frac{1}{W}\sum_{i=1}^{W}{\textbf{D[}x_i\textbf{]}}=p(1-p)
\end{equation}
2、加权窗口:
\begin{equation}
\textbf{E[}\Delta PDR_w\textbf{]}=\textbf{E[}\alpha PDR_f+(1-\alpha)PDR_f-p\textbf{]}=\alpha p + (1-\alpha) p-p=0
\label{equa:Epw}
\end{equation}
\begin{equation}
\textbf{D[}\Delta PDR_w\textbf{]}=\textbf{D[}\alpha PDR_f+(1-\alpha)PDR_f-p\textbf{]}=[\alpha^2+(1-\alpha)^2]p(1-p)
\label{equa:Dpw}
\end{equation}
3、滑动窗口:
\begin{equation}
\textbf{E[}\Delta PDR_s[k+1]\textbf{]}=\textbf{E[}\beta P'[k]+(1-\beta)P[k+1]-p_{n}\textbf{]}=\beta\overline{p'}[k]+(1-\beta)\overline{p}[k+1]-p_{n}
\label{equa:Eps}
\end{equation}
\begin{equation}
\textbf{D[}\Delta PDR_s[k+1]\textbf{]}=\textbf{D[}\beta P'[k]+(1-\beta)P[k+1]-p_{n}\textbf{]}=\frac{\beta\overline{q'}[k]+(1-\beta)\overline{q}[k+1]}{W}
\label{equa:Dps}
\end{equation}
\end{scriptsize}
\end{block}
\end{frame}
\begin{frame}{链路质量建模}
\begin{block}{1、链路质量测试误差}
\begin{table}[H]
\renewcommand{\arraystretch}{1}
\centering
\begin{scriptsize}
\caption{加权算法测试误差}
\begin{threeparttable}[b]
\label{error}
\begin{tabular}{c|ccccc}
\hline
$\pmb{\alpha}$ & 0.1 & 0.2 & 0.3 & 0.4 & 0.5 \\
\hline
$\textbf{E[}\Delta PDF_w\textbf{]}$ & 0.026 & 0.032 & 0.019 & 0.020 & 0.029 \\
$\textbf{D[}\Delta PDF_w\textbf{]}$ & 0.035 & 0.032 & 0.032 & 0.036 & 0.040 \\
\hline
\end{tabular}
\end{threeparttable}
\end{scriptsize}
\end{table}
\begin{table}[H]
\renewcommand{\arraystretch}{1}
\centering
\begin{scriptsize}
\caption{动态滑动算法测试误差}
\begin{threeparttable}[b]
\label{error}
\begin{tabular}{c|ccccccccc}
\hline
$\pmb{\beta}$ & 0.1 & 0.2 & 0.3 & 0.4 & 0.5 & 0.6 & 0.7 & 0.8 & 0.9 \\
\hline
$\textbf{E[}\Delta PDF_s\textbf{]}$ & 0.040 & 0.003 & 0.001 & 0.010 & 0.015 & 0.013 & 0.008 & 0.021 & 0.007 \\
$\textbf{D[}\Delta PDF_s\textbf{]}$ & 0.036 & 0.037 & 0.038 & 0.029 & 0.039 & 0.038 & 0.029 & 0.038 & 0.036 \\
\hline
\end{tabular}
\end{threeparttable}
\end{scriptsize}
\end{table}
\end{block}
\end{frame}
\begin{frame}{链路质量建模}
\begin{block}{2、速率适配算法}
\begin{algorithm}[H]
\floatname{algorithm}{算法}
\renewcommand{\algorithmicrequire}{\textbf{输入:}}
\renewcommand{\algorithmicensure}{\textbf{输出:}}
\caption{DSWA $\rightarrow$ GradedM $\rightarrow$ GradedR}
\label{alg:pdr}
\begin{scriptsize}
\begin{algorithmic}[1]
\Require tx-complete (packets transmitted event)
\Ensure rate-index (rate selection indexes of HT/GI/MCS)
\State{// DSWA(pdr-last, pdr-now):更新加权平均中间变量$\gamma$$\eta$,返回平均窗口长度$W$和滑动因子$\beta$}
\State{// GradedM(pdr, rss):更新PDR-RSS模型graded-table并对MIMO-OFDM配置进行排序,返回HT/GI/MCS选择序列ht-gi-mcs-index}
\State{// GradedR(ht-gi-mcs-index):保证当前网络PDR高于90\%,返回当前状态下的最优MIMO-OFDM配置ht-gi-mcs}
\If{pdr-now $<P_{thrh} |$ rss-now $<\delta_+ + low-limit-to-gray$} \label{alg:lowlimit}
\State{graded-talbe $\gets$ GradedM(pdr-now,rss-now);} // rc.c
\State{rate-index $\gets$ down-rate-mcs(ht-gi-mcs-table);}
\EndIf
\If{graded-sens - rss-now $>$ high-limit-to-gray} \label{alg:highlimit}
\State{rate-index $\gets$ up-rate-mcs(ht-gi-mcs-table);}
\EndIf
\State \Return{\{tx-status,rate-index\};}
\end{algorithmic}
\end{scriptsize}
\end{algorithm}
\end{block}
\end{frame}
\end{CJK*}
\end{document}