放大转发协作下多S-R-D节点网络中继选择策略

在多个信源、中继及目的端的环境中,研究了放大转发协作系统的中继选择策略与传输机制.为了求得最优解,在最优中继节点选择策略中使用了穷举算法,此方法计算复杂度会随着中继节点数目增加而大幅上升.在此基础上,提出了改进的中继节点选择策略,该策略先使系统的平均误码率最小,之后再使目的端中断容量最大化.仿真及分析结果表明,该策略除了能达到与最优算法类似的吞吐量之外,复杂度也大大降低.     

阵元非均匀高斯噪声背景下近场声源定位方法

针对阵元非均匀高斯噪声背景下的近场声源定位问题,研究了最大似然定位方法,并给出克拉美-罗界(CRB),进而为了解决最大似然方法常规求解方法多维参数空间搜索的高运算复杂度问题,提出了基于对数似然函数的步进迭代方法(SML)和近似似然函数法(AML).仿真实验表明,SML方法经过较少的迭代即可收敛,SML方法和AML方法的估计精度较高,均方误差(MSE)在较高信噪比条件下逼近CRB.     

泛形裂面构造及其复杂度

基于真实材料物理性质的非均匀特征,提出了一个简单的统计泛形裂纹扩展模型,用以描述脆性材料中泛形裂纹（或断裂面）构形,并采用计盒维数方法确定其复杂度.其中,假设裂纹沿最小能量耗散（依次按最小强度、最短路径、最小偏折角判定）方向扩展,且材料性质服从Weibull分布.计算得到的泛形裂纹构形的复杂度结果与实验结果吻合较好.进一步分析表明,泛形裂纹构形的复杂度可由材料性质的Weibull分布参数确定,而与泛形裂纹构形的随机性或涨落无关.     

改进的低复杂度BP译码算法

基于对数似然比的BP译码算法与标准BP译码算法相比,降低了一定的运算量,但仍具有较高的计算复杂度,硬件实现时需要消耗较高的资源。针对此问题,提出了一种变量节点动态更新选择的对数似然比BP译码算法,根据每一次迭代后变量节点外信息的收敛情况及校验方程的满足情况,动态地选择置信度最低的部分节点参与更新,其他置信度较高的节点则不进行更新。仿真结果显示,该算法译码性能与对数似然比BP译码算法相比,在0.5码率,10-4误码率时,1 024码长有0.1dB的性能损失,2 048码长性能损失仅有0.07dB,但从第4次迭代开始归一化运算量至少降低了50%。     

有限序列的定位复杂度

该文首先引入了一种度量序列的局部随机性的新指标,这种指标可用来检测序列的局部稳定性,其次,用统计的观点分析了有限序列的稳定性。     

基于基数的一种快速排序算法

给出了一种基于基数的具有比传统快速排序算法性能更高的排序方法,全文给出了该算法的描述,时间/空间复杂度分析.本算法由于具有不需要关键字比较的特点而特别适用于大数据量的排序,又由于有不需要移动元素的特点而特别适用于大记录的排序工作,应用结果表明,该算法具有很高的实用价值.     

HDTV视频编码器的动态图像组结构和码率分配策略

基于子图划分的高清晰度电视（ＨＤＴＶ）视频编码器,先将１ ９２０×１ １５２ 的ＨＤＴＶ画面划分成６ 个１ ９２０×１９２ 的水平条状子画面,由６ 个子编码器并行编码,最后将６ 路码流合成为ＨＤＴＶ码流．文中以场景切换检测为依据,进行动态图像组（ＧＯＰ）结构调整,以Ｉ帧场景复杂度为依据进行码率分配．实验表明,该策略能很好地保证子图重建质量和ＨＤＴＶ各子图之间主观重建质量的一致性,清除可能出现的子图划分效应．     

一种新的快速码本搜索算法设计

提出一种新的分类预选算法。旨在解决矢量量化数据压缩技术中,当码本值和矢量维数增大时,全码本搜索产生很大的实时复杂计算问题。该算法与传统的全搜索算法相比,能减小编码矢量选取过程中产生的计算复杂度。同时,编码器的性能几乎没有受到影响,仅仅在存储需求量方面略有增加。     

一种串/并混合的多输入多输出信号检测算法

为了提高多输入多输出(MIMO)系统中并行干扰消除(PIC)算法的检测性能并降低其计算复杂度,本文通过融入串行干扰消除(SIC)思想提出了一种串/并混合(HIC)的信号检测算法。该算法首先通过优化PIC中不同子检测过程的共同成分来降低计算复杂度,然后将子检测的估计结果代入后续子检测中实现串/并混合来提升检测性能。仿真结果表明,所提算法在4-QAM调制的 MIMO系统中,误比特率为 时较传统PIC算法有大约1.2 dB的性能提升,而复数乘法次数大约为传统PIC算法的28%。     

分类任务中标签噪声的研究综述

近年来,随着机器学习的发展,分类系统的性能有了很大的飞跃。模型需要大量带标签数据才能使训练结果达到要求,而获取高质量的标注数据费时费力。为了降低成本,出现了众包、自动化系统等方法标注训练数据。但是,这些标注方法往往会产生大量错误标注,即标签噪声。另外,信息不足、专家错误和编码错误等因素,也可能使标签受到污染。训练过程中对标签噪声的处理不当,可能会使预测精度和准确性降低,或者使模型复杂度增加。因此,研究标签噪声对推广机器学习在各领域的应用和降低机器 学习算法的部署成本等方面具有重要意义。通过综述产生标签噪声的原因、影响以及近几年来应对标签噪声的一些技术方法,对标签噪声的研究现状和发展前景进行分析。