多波束阵列天线系统信道校准方法

基于Butler矩阵多波束天线系统实现蜂窝小区覆盖的基本原理和对多波束相关系数与阵列单元间距关系的研究,提出了在天线方向图矢量中引入窗函数和改变阵列单元间距的方法以改进系统的性能.针对无线信道衰落特性的不确定性以及Butler矩阵多波束网络的随机误差,给出了一种多波束阵列天线幅相误差的改进校准方法.该方法采用非正弦信号AC(alternating code)码作为正交编码信号集,发送一组正交编码信号到多波束阵列天线,接收端相干检测并以向量的形式累积,通过正交编码矩阵的逆矩阵解码得到校正因子,利用校正因子对Butler多波束天线的幅相误差进行修正.仿真结果表明该校准算法准确、有效,经幅相误差校准的多波束阵列天线可以实现小区的多波束覆盖.     

漏斗状几何信道模型及其角度参数分析

针对移动台(MS)处散射体分布发生突变的室外宏小区移动通信环境,在三维空间域中建立和分析漏斗状空间信道模型.将基站(BS)和移动台看作分布在一条直线上的两点,分别以其为坐标原点建立笛卡尔坐标系.考虑移动台处散射体分布空间不同大小的情况下,着重推导波达信号角度参数的概率密度和环阵列(UCA)多入多出(MIMO)多天线阵列信道容量的表达式,阐明波达信号角度参数与信道系统容量的影响机理.分析结果与半球体信道模型的多入多出多天线阵列的环阵列相比较,结果表明漏斗状空间信道模型在多天线阵列环阵列下的信道容量对方位扩展角变化的敏感度高于半球体信道模型.     

基于电路网络参数的宽带MIMO系统模型

该文提出了一种基于电路网络参数的宽带多输入多输出(MIMO)系统分析模型,该模型考虑了天线阵列的互耦和阻抗畸变、匹配网络、接收机噪声和外部干扰噪声的影响,以及传播信道的特性,可以准确地分析和比较不同MI-MO系统的性能。利用该模型对MIMO系统的传输链路进行建模,说明了如何在分析模型中使用标准的基于多径的传播信道模型,并且比较了使用不同天线阵列的宽带MIMO系统的性能,分析了匹配网络和不同系统噪声对于系统性能的影响。结果表明,阵列的尺寸对宽带MIMO系统的性能有重要的影响,匹配网络只能有限地提高物理尺寸受限的MIMO系统的性能。     

三维空间域车载阵列及其多天线系统性能

针对城市狭窄弯道非视距车载(V2V)移动通信传播环境,提出了一种三维(3D)空间域大规模多输入多输出(M-MIMO)天线阵列模型,此模型用三维空间假设代替传统的二维(2D)平面阵列假设,将天线模型应用于弯道车载信道模型中,推导了波达信号到达角和发射角的概率密度函数闭合表达式;研究了3D空间阵列自相关特性和天线阵列参数及散射体分布对多天线系统性能的影响.仿真结果与一些经典模型数据及测量信道相符合,表明了该模型应用的可行性;可用于描述弯曲道路V2V通信场景的信道特征,为未来进一步分析和讨论MIMO多径信道或5G M-MIMO信道特征提供了良好的理论参考.     

基于深度残差反向传播神经网络的钢筋腐蚀检测

针对小样本数据下浅层神经网络模型拟合能力不足,而加深网络层数出现网络性能退化问题,提出一种双跳跃深度残差BP神经网络模型,每个残差块堆叠三个同维度网络层,在网络的一、二层和一、三层之间加入双跳跃连接,增强浅层低非线性度特征信息向深层网络的直接传递和重复利用,且在反向传播过程中避免了梯度消失,提升模型分类准确率。同时引入一阶矩估计梯度指数加权平均因子对Adam算法中影响学习率的二阶矩估计梯度进行调整,优化网络的收敛能力。将改进后的算法模型用于钢筋腐蚀样本数据训练及测试,仿真结果表明,改进后的算法模型具有更好的分类性能。     

基于MATLAB的MIMO通信系统教学平台的设计与实现

多输入输出(Multiple-Input Multiple-Output,MIMO)系统利用发射端的多个天线独立发送信号,在接收端利用多个天线接收并检测信息。针对MIMO通信系统中空时编码和检测技术理论性强且抽象的特点,设计了一个基于Matlab的MIMO系统教学演示平台。在该平台上可以演示采用不同信道编码、不同调制方式以及不同的检测算法下MIMO系统的信道容量以及误码率性能,通过性能演示学生可以直观地了解编码、调制以及检测模块对系统性能的影响。学生还可以通过该演示平台选择不同的发送天线和接收天线数目,实时演示收发天线数目对MIMO系统性能的影响。教学实践表明,通过该平台的实时演示可以加强学生对通信原理课程的理解,调动学生编程实现MIMO系统模块的积极性,为进一步学习现代通信的关键技术奠定了基础。     

三维空间域VMF分布模型的多天线系统性能

针对城市移动通信环境,提出了散射体各向异性分布的VMF分布模型.在室外宏小区的移动通信环境下引入散射体群的概念,并结合MIMO多天线Y型阵列(UYA)和圆形阵列(UCA)拓扑结构,使得模型能够估计多径衰落信道的重要信道参数,如UYA和UCA的空间衰落相关函数(SFC)、衰落信道模型的信道容量及多天线阵列UYA和UCA对平均余纬的敏感度等,并延伸了SFC在求解信道协方差矩阵的应用.结果表明:M IM O多天线系统的性能不仅取决于天线阵列阵元间距,还与到达角度有关;所提模型的信道参数估计结果适用于实际的城市移动通信环境.针对UYA和UCA的SFC和信道容量研究,拓展了VM F分布模型在三维空间域移动通信领域的应用,对MIMO多天线阵列的信道参数评估和无线通信系统仿真提供了有力的工具.     

一种新的空间调制QPSK信号检测算法

空间调制(SM)是一种新颖的多天线传输方案,它将激活天线序号与传统的信号调制相结合,共同承载发送信息.由于SM系统的最大似然(ML)最优检测算法既需要检测出激活天线序号又需要检测出发送的信息符号,检测复杂度很高.为此,利用二进制二次规划的全局最优条件,针对空间调制QPSK信号,提出了一种新的最优的ML简化检测算法.新算法在保证了传统ML最优检测性能的前提下,明显降低了算法的复杂度,特别在大天线空间调制系统中具有更加明显的优势.最后通过计算机仿真,验证了新算法的ML最优性.     

WFRFT MIMO卫星抗截获通信系统

针对卫星通信安全性不高、易被截获的问题,提出一种采用加权类分数阶傅里叶变换(WFRFT)与多入多出(MIMO)技术相结合的卫星抗截获通信系统。系统采用多层WFRFT调制信号,WFRFT的层数与发射天线数目相同,每层WFRFT采用不同的调制阶数。原始信号经WFRFT调制后具有时频域特性,能有效抵抗参数扫描,MIMO能有效提高频谱利用率及系统容量。经理论分析,采用WFRFT-MIMO通信系统可以高效地恢复原始信号,同时窃听方无法截获信号。以2发1收天线为例,分别从合法方与窃听方误码率(BER)性能对比、接收性能与WFRFT阶数偏差关系进行仿真,当窃听方调制阶数误差均为0.1,信噪比为20dB时,其误码率为10-3,与合法方相差4dB。并通过对不同收发天线组的性能仿真,信噪比为10dB时,3发4收天线的性能较2发1收天线提高了4.5dB。     

基于VMF分布模型的MIMO多天线系统性能研究

基于3维环境的空间统计信道,提出MIMO天线阵列下的VMF分布模型.研究MIMO多天线ULA,UYA和UCA在移动台和基站的拓扑结构,得到VMF(Von Mises Fisher)分布模型下ULA,UYA和UCA的空间衰落相关性(SFC)函数的表达式,比较不同天线阵列对平均仰角(MEOA)的灵敏度.研究表明,MIMO天线阵列的SFC由集中参数、平均方位角(MAOA)及平均仰角(MEOA)决定,该模型的信道性能结果与理论一致.     

基于深度学习的DTMB外辐射源雷达参考信道估计

参考数据的纯度影响着地面数字广播多媒体(DTMB)外辐射源雷达的探测能力,而参考信道估计的精度是影响参考数据恢复的关键因素。针对此问题,文章将基于深度学习理论的信道估计方法引入外辐射源雷达参考信道估计过程。利用自回归模型对参考信道进行建模,并搭建参考信道估计网络。通过迭代训练后,估计得到参考信道响应。相比于传统算法,基于深度学习的参考信道估计精度得到有效提升,改善了雷达的探测性能。     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

基于残差网络的河流表面时空图像测速法

针对在耀光、紊流、降雨等复杂含噪场景下时空图像中有效纹理特征变得模糊，使得现有纹理主方向检测算法精度受限的问题，结合深度学习的思想，提出了一种基于残差网络回归模型的时空图像测速(ResNet50-STIV)法，并借助残差网络回归模型强大的非线性学习能力构建了回归预测函数。通过构建人工合成数据集和包含复杂场景时空图像的天然河流数据集对残差网络回归模型进行试验，结果表明：提出的残差网络回归模型在人工合成数据集下的检测精测可达到0.1°,对于天然河流数据集，具有残差结构的ResNet回归模型的检测精度优于VGG16;从模型层数看，基于ResNet50的回归模型能较好地平衡检测精度以及执行效率，在正常场景下的检测精度达到0.7°,而在耀光、紊流、降雨场景下能控制在1.3°以内，ResNet50-STIV优于现有的时空图像测速法；与流速仪法在多场景下表面流速比测的最大相对误差小于12%。     

基于深度残差网络与迁移学习的地形识别方法

针对现有机器人基于深度网络的地形识别方法准确率低、网络训练时间长且需要大量训练数据的问题,提出一种基于深度残差网络与迁移学习的地形识别方法。首先,基于Resnet网络构建一种深度残差网络;其次,利用现有Imagenet大型数据集对构建的深度残差网络进行预训练,作为预训练网络,保留预训练网络除全连接层的训练权重,实现预训练网络大规模的参数迁移;最后,利用自建地形图像数据集对深度残差网络的全连接层进行训练,实现深度残差网络微调。实验结果表明,通过迁移学习的方法,利用深度残差网络对石子路、水泥路、砖地、沥青、草地、泥地6种自建地形图像进行分类,平均准确率达到了99.3%,同时网络训练时间也显著降低。     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比特或码字及信道状态信息,采用了端对端的训练方式,使不同神经网络模型可学习系统收发端的信息比特与码字的映射关系,联合实现了MIMO系统信号检测和信道译码,同时具有较低的复杂度.仿真结果表明,相比一些传统检测和译码算法,所提方法具有较优的检测和译码性能.     

改进YOLOv3算法的车辆信息检测

车辆信息检测是车型识别在智慧交通领域中的首要任务。针对现有的车辆信息检测技术在检测速度、精度以及稳定性方面存在的问题,提出了基于YOLOv3的深度学习目标检测算法——YOLOv3-fass。该算法以DarkNet-53网络结构为基础,删减了部分残差结构,降低了卷积层的通道数,添加了1条下采样支路和3个尺度跳连结构,增加了一个检测尺度,并通过K-均值聚类与手动调节相结合的方法计算出12组锚框值。最后通过迁移学习机制对YOLOv3-fass算法进行微调。在自研的车辆数据集上,YOLOv3-fass算法与YOLOv3、YOLOv3-tiny、YOLOv3-spp算法以及具有ResNet50和DenseNet201经典网络结构的算法做了对比实验,结果表明YOLOv3-fass算法能够更精准、高效、稳定地检测到车辆信息。     

基于区域建议网络的肺结节检测及其去假阳性

如今,基于深度学习的肺结节检测技术不断发展,在辅助医生进行肺结节检查的任务中极大提升了肺结节的检出率和诊断的准确率。本文采用了深度学习技术,提出了一种基于RPN网络结构的肺结节检测方法。针对肺结节的去假阳性阶段,本文将多个分类网络进行了性能对比。本文在Faster R-CNN网络上进行改进,使用Squeeze-and-Excitation（SE）结构以及ResNeXt的残差块构成特征提取模块,再结合UNet++网络结构,输出多个尺度的结果。最后将多尺度结果应用在3D RPN候选检测网络和R-CNN网络上,得到了灵敏度较高,假阳率更低的候选结节检测网络。在去假阳性结节网络阶段,本文用3D DCNN网络对候选肺结节进行假阳性的筛除,有效去除了部分假阳性肺结节,提升了多个FP/scan检查点的灵敏度。本文的网络最终得出灵敏度98.8%@8FPs,Competition Performance Metric（CPM）达到0.879。在去假阳性结节方面,本文验证了3D DCNN网络在几个网络中能够取得最好的效果,达到了15.6%的去假阳率。总的来说,本文的候选结节网络进一步提升了检测的灵敏度,网络模型达到了较好的检测效果。在去假阳性网络方面,得出3D DCNN作为去假阳性网络具有比其它一些网络模型更好的效果。     

基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别

为提高钢筋混凝土锈蚀裂缝检测分类的效率和精度，提出了一种基于深度学习卷 积神经网络（Convolutional Neural Network，CNN）的钢筋混凝土锈蚀裂缝识别模型 SCNet（Steel Corrosion Net）. 首先通过原始数据采集和数据增强构建了39 000张图片的裂缝数据集，然后利 用 TensorFlow 学习框架和 Python构建神经网络模型并进行训练测试，根据模型的训练精度和 测试精度进行网络结构和网络参数的优化，最终将 SCNet识别模型与两种传统检测方法进行 对比 . 结果表明：文中所建立的 SCNet三分类神经网络模型达到了 96.8%的分类准确率，可以 有效识别分类钢筋混凝土锈蚀裂缝，并且具有较高的准确率和可测性；在图像数据有阴影、扭 曲等噪声干扰的条件下，两种传统检测方法已不能达到理想的分类效果，SCNet模型仍能表现 出相对稳定的分类性能.     

MR中融合语义特征传播模型的前景对象感知定位算法

移动主体获得准确的定位信息是构建稳定的混合现实(mixed reality,MR)系统的关键,然而MR中的前景对象对传统定位算法的精度影响较大.现阶段基于深度学习的定位算法可以通过识别前景对象来提升精度,但深度学习模型耗时过高,导致算法实时性下降.针对该问题,提出了一种MR中融合语义特征传播模型的前景对象感知定位算法.该算法依托语义分割网络与一种快速旋转的二进制独立稳定描述子特征(oriented fast and rotated binary robust independent elementary feature,ORB)提取算法构建了语义特征传播模型,实现高速语义特征提取;融合该模型和几何特征检测方法实现算法中的前景对象感知层,并依赖该感知层剔除MR中前景对象的特征点,构建了背景特征点集,实现高精度、高实时性的定位.实验结果表明:在慕尼黑工业大学(Technical University of Munich,TUM)公共数据集的高动态前景对象场景中,相比动态语义视觉同步定位与建图(dynamic semantic visual simultaneous localization...     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.