基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

基于802.16d的OFDM导频信道估计

以基于导频的信道估计展开研究.首先总结一般无线信道的多径时变统计特性,给出SUI-3信道模型的仿真实现.在此基础上,研究现有的块状导频插入方式下信道估计算法的原理和性能.基于Alamouti空时编码方案,构建1种具有2个发射天线和1个接收天线的时-频空时编码的正交频分复用(OFDM)系统,提出适用于虚载波系统的基于DFT变换的信道估计算法.该方法利用DFT迭代算法来重构虚载波的频域信道状态信息,通过时域滤波方法来抑制噪声.仿真结果表明:该算法实现了良好的信道估计性能,有效可行.     

自适应Wiener反卷积滤波的OFDM接收算法

为改进正交频分复用(OFDM)系统在多径衰落信道下的解调性能,提出了基于自适应Wiener反卷积滤波反馈环路的接收算法,对多径衰落信道进行白化处理,使处理后的信道噪声接近于加性高斯噪声(AWGN)。该文推导了OFDM系统中反卷积滤波器抽头系数的估计算法及其在非时变和时变信道中的自适应迭代算法,并且讨论了系统中定时估计、载波频率估计和信道估计算法(它们都是在AWGN信道环境下的算法)的使用方法。仿真表明:该算法可以有效地降低多径衰落的影响,得到优良的解调性能。     

基于改进VMD和CNN的滚动轴承故障诊断方法

针对现场采集的滚动轴承信号易受噪声影响而使微弱故障特征难以提取的问题，基于灰狼优化算法(GWO)、变分模态分解(VMD)和卷积神经网络(CNN),提出了一种滚动轴承故障诊断的新方法.首先，利用GWO优化VMD实现其分解层数及二次惩罚因子2个重要参数的自适应选择；其次，提出有效加权相关稀疏度指标(EWCS),并以此筛选VMD分解的有效本征模态函数(IMF);最后，使用GWO优化CNN参数，并采用2层卷积模块的CNN进行识别分类.基于所提方法，对滚动轴承4种不同运行状态的样本进行了分类识别，并与其他几种诊断方法进行比较.结果表明，该方法用于滚动轴承故障诊断是可行的，且具有更高的分类准确率.     

不完全信道信息下基于信号特征的MIMO检测算法研究

针对接收端信道信息不全的情况提出一种基于信号特征利用的多输入多输出(multiple input multiple output,MIMO)接收机算法,该算法通过利用非循环信号的特征,扩展了接收机的处理维数以更好地抑制噪声.理论证明和数字仿真均表明,与传统的迫零(zero-forcing,ZF)和最小均方误(minimum mean square error,MMSE)接收机相比,提出的算法可以将噪声和信道估计错误的影响减少一半以上,而提出算法的复杂度却几乎保持不变.结合排序串行干扰消除(ordered successive interference canceling,OSIC)法,提出算法可以达到和最大似然法相当的误码率性能.     

基于CNN和LSTM的图像隐写分析

为了进一步降低隐写分析算法的检测错误率，文章提出一种基于卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)的隐写分析算法。该算法利用CNN捕获载体图像的结构特征，同时利用LSTM捕获图像的前后时序特征。为了验证混合神经网络的有效性，该算法以XuNet和SRNet为基准隐写分析网络，探讨CNN与LSTM的有效组合方式。实验结果表明，所提方法可以有效提高隐写分析算法的检测能力。     

改进卷积神经网络在腺癌病理图像分类中的应用

针对传统卷积神经网络(CNN)稀疏的网络结构无法保留全连接网络密集计算的高效性和在实验过程中卷积特征利用率低造成的分类结果不准确或收敛速度较慢的问题,提出了一种基于CNN的多尺度方法结合反卷积网络的特征提取算法(MSDCNN)并对腺癌病理图像进行分类。首先,利用反卷积操作实现不同尺度特征的融合,然后利用Inception结构不同尺度卷积核提取多尺度特征,最后通过Softmax方法对图像进行分类。在腺癌病理细胞图像进行的分类实验结果表明,在最后的卷积特征尺度相同的情况下,MSDCNN算法比传统的CNN算法分类精度提高了约14%,比同样基于多尺度特征的融合网络模型方法分类精度提高了约1.2%。     

基于5阶细胞神经网络图像浮雕算法研究

针对如何使图像中的浮雕效果更具有立体感的问题,设计了关于图像的5阶细胞神经网络(CNN)的浮雕算法研究的方案,研究了该算法对于图像的立体化处理的过程,对于同一图像分别采用5阶CNN、3阶CNN算法和拉普拉斯算法进行对图像的立体化处理,并比较了几类算法的优劣.实验表明,基于5阶CNN浮雕算法更接近现实,直观效果更好,在实现图像的实时处理中,能够有效地生成具有艺术效果的浮雕图像.同时,将其应用在遥感图像的处理工作中,取得了很好的效果.     

基于改进ICA与v-S的车牌识别

提出一种结合改进的基于独立分量分析(ICA)提取算法和基于多层感知器和单向二叉决策树的多类支持向量机分类方法.该算法通过ICA进行字符的特征提取,并利用多类支持向量机分类器完成字符的识别.以对机动车车牌识别实验为例,实验证明,改进的IcA算法具有更好的稀疏性和更快的收敛速度.用单向二叉决策树将字符图像逐步分类,并引入参数调整环节,实现了缩短字符识别时间并提高识别精度的目的.     

3D多输入多输出正交频分复用系统中基于奇异值分解的信道估计方法

在3D多输入多输出正交频分复用(MIMO-OFDM)系统模型中,分析了基于导频的信道估计方案.针对线性最小均方误差方法的算法复杂度高的问题,应用奇异值分解(SVD)算法降低信道自相关矩阵的维数,以减小算法的复杂度.仿真结果表明:所提出的基于奇异值分解的信道估计算法,能够在保证误码率(BER)性能的情况下,具有更低的算法复杂度.     

基于非线性最小二乘算法的超宽带TOA估计

研究室内密集多径信道环境下的超宽带到达时间(TOA)估计技术.提出一种改进的门限比较TOA估计算法,利用非线性最小二乘算法同时估计多径延时和幅度,采用迭代算法提高参数估计精度,根据判决门限比较结果终止多径搜索过程并估计出TOA.分析该算法在室内多径信道模型中的性能,给出门限的设置方案.仿真结果表明,在不同的信噪比下设置合理的判决门限后,该算法具有较高的估计精度,能够满足精确定位需求.     

级联低密度校验码的差分酉空频调制技术

提出了一种新的级联低密度校验码的“差分酉空频调制”方案,该方案适用于收发端均未知信道状态信息的多输入多输出(OFDM)系统.“差分酉空频调制”是在发送天线与OFDM子载波之间进行“空频”编码,而在相邻两个OFDM码字之间进行差分调制,它可以充分利用多径衰落信道所提供的频率分集资源,不需要任何信道状态信息就能够获得最大的频率分集增益.由于其具有最大化的频率分集增益和较高的编码增益,故该方案的系统误码率性能远远优于新近研究文献中所提出的“差分酉空时调制”OFDM技术.在接收端提出了非相干迭代译码方案,其性能良好,同时译码复杂度相对较低.相应的仿真研究表明,该方案在“时频双选”信道下具有很强的鲁棒性.     

基于3DCNN的CSI-cluster室内指纹定位算法

针对室内环境中复杂的多径效应影响定位精度问题,提出一种基于3维卷积神经网络(3 dimensional convolutional neural network,3DCNN)多径程度划分的自校准指纹定位算法。该算法利用MeanShift方法分析定位区域内每一个采样点的信道状态信息数据分布特性,得到其可代表多径效应程度的簇类数量,结合阈值原则将指纹库划分为2种不同多径程度的子库,从而减少多径程度差异较大的指纹点对后续定位影响利用3DCNN深度学习2类指纹子库。在定位阶段,根据校准算法判断待测数据所属子库,并采用相应的3DCNN模型估计位置。通过仿真实验验证,该方法在保证指纹库构建合理性和高效性的同时,在定位精度方面实现了明显的提升,优于与之对比的相关算法。     

超宽带中快速低复杂度自动增益控制设计

针对应用于双载波正交频分复用（DC-OFDM）超宽带（UWB）系统高速、低成本和快速收敛的自动增益控制（AGC）的设计要求,提出了低复杂度的采用混合补偿增益的两步式快速AGC设计算法;仿真结果表明,该算法能在室内密集多径的无线环境中保证增益调整精度和稳定度,并能有效减少收敛时间.在AGC电路实现层次,基于对数函数性质提出了输入范围动态可调的低复杂度查找表实现方法;VLSI综合结果表明,该方法能减少46%的芯片面积.     

基于循环谱特征的楼宇室内频谱感知算法

针对目前楼宇室内环境中,信道多径衰落和噪声不确定性等低信噪比情况下主用户信号检测性能较低的问题,提出了一种基于支持向量机(SVM)的主用户信号频谱感知算法.该算法融合了循环平稳特征检测和SVM算法的特点,对信号循环平稳特征参数进行特征提取,作为训练样本和待测样本,再采用SVM算法分别对有无主用户情况下的信号进行分类检测.仿真实验表明与人工神经网络(ANN)和最大最小特征值法(MME)相比较,所提算法可在低信噪比情况下,有效地实现对主用户信号的感知,具有较好的稳健性.     

MIMO-OFDM蜂窝系统中优选训练序列及信道估计

对多输入多输出正交频分复用(MIMO-OFDM)蜂窝系统中的信道估计进行了研究，推导了用于多小区多天线的最优训练序列条件，给出了一种实用优选训练序列，并在此基础上提出了一种迭代信道估计算法．结果表明，所提出的迭代信道估计算法可以有效抑制同信道干扰对估计精度的影响，使该估计器具有更高的估计精度，在同信道干扰环境中性能更稳健，从而使接收机性能更靠近理想信道估计的性能．     

基于AOA-TOA重构的单站定位算法

针对非视距环境,提出AOA-TOA重构的单站定位算法。算法分两步进行,第1步基于单次散射模型给出了一种关于波达角度(angle of arrival,AOA)的粗略的重构方法;第2步以单基站测得的波达时间(time of arrival,TOA)和AOA等信息,结合散射体分布模型的统计特性,对现有的AOA重构算法进行拓展,以最大似然估计法对TOA重构。改进了传统的单目标参数重构模式,实现了在非直达波(non-line-of-sight, NLOS)环境下基于散射体分布模型的单基站定位,并具有较高定位精度。仿真结果验证了该算法的有效性,同时,仿真结果还验证了该算法在密集多径环境下比多径稀疏的环境有更好的定位性能。     

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information, PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。     

超宽带能量检测接收机的积分时间优化方法

研究超宽带(UWB)能量检测接收机的积分时间优化估计问题. 基于信号能量检测模型,室内信道能量扩散模型及中心极限近似理论,推导出多径信道下积分时间对误码率的影响,提出了一种基于最小平均误码率准则的积分区间优化估计方法,得到了低信噪比条件下最优积分时间与信道功率延迟时间常数之间的对应关系和高信噪比条件下最优积分时间的曲线拟合修正方法. 理论分析和仿真结果验证了所提方法的有效性.     

基于被动时间反转-卷积神经网络的 OFDM水声通信系统研究

水声（Underwater Acoustic，UWA）信道的多径效应和多普勒效应造成正交频分复 用（Orthogonal Frequency Division Multiplexing，OFDM）水声通信系统接收端符号间干扰和载 波间干扰，降低系统性能 . 构造一种新型的被动时间反转-卷积神经网络（Passive Time Reversal-Convolutional Neural Network，PTR-CNN），并将其应用于 OFDM 水声通信系统接收 端 . PTR-CNN 网络的构造包括两部分，首先，基于被动时间反转理论削弱多径增强主路径信 息能量；其次，将上述输出结果转换成二维矩阵，再输入卷积神经网络中进行信号检测，同时 对抗多径和多普勒效应带来的干扰；最后，网络输出直接恢复比特流 . 仿真和试验结果表明， 与目前主流信道估计和信号检测算法相比，所提方法能够提升系统的可靠性，在不同水声信 道环境测试中均具有较好的鲁棒性.