LTE中Turbo码内部交织器的研究

为了实现高速并行译码,LTE Turbo码采用QPP交织器.研究了QPP交织器的最大无争用特性,该特性使得LTE Turbo码译码器设计灵活,运算复杂度较低.仿真表明,与串行译码相比,并行译码损失了少量译码性能,显著提高了译码效率;在相同条件下,由于采用QPP交织器,LTE的译码性能优于HSPA.     

基于FPGA的多速率发送处理器的实现

本文设计了一种基于FPGA的多速率发送处理器,采用Xilinx公司的Spartan3 ADSP系列芯片,并用该公司的ISE作为集成开发环境,利用ModelSim进行仿真,通过输入、输出信号的比对验证本设计的实际可行性。     

基于离散Arnold映射的非对称IDMA交织器设计及分析

本文提出了一种非对称IDMA交织器设计方案, 并且给出了详细的设计算法. 仿真结果表明本文提出的交织器不但在通信性能上等同于伪随机交织器, 而且能提供保密通信的功能.     

由双模场驱动的级联三能级原子发射谱

给出了与双模光场相互作用的级联三能级原子发射谱的一般表达式,讨论了系统初态对级联三能级原子发射谱的影响,证明了在适当的条件下,由于原子不同跃迁通道的干涉,原子发射谱呈现相位敏感性.     

无标度网络的级联故障模型及控制方案

提出了一个基于无标度网络的含能量耗散和扩容功能的级联故障模型,通过计算机模拟发现网络中节点的能量耗散和容量扩充是驱动系统向自组织临界状态演化的重要因素.此外,为了减小网络级联故障的规模,对网络中的一些关键节点进行了控制,研究结果显示只要对网络中极少数的关键节点进行控制就能大大降低整个网络的故障规模.     

认知系统AES-LDPC纠错加密器的设计与性能分析

在多跳的认知系统中,由于不存在可信实体作为服务器控制密钥分发,安全性将面临更大挑战,需要建立完善的加密体系结构来解决这一问题。将高级加密标准AES和在通信纠错领域性能优异的低密度奇偶校验码（low-density parity-check, LDPC）结合,设计出了分组长度为128 bit的六轮宽轨迹加密策略、密钥由128 bit AES密钥和LDPC生成矩阵组成的LDPC纠错加密器。由于LDPC生成矩阵具有更好的扩散性能,使得这种新设计的LDPC纠错加密器能在更少的轮数下具有较好的安全性。最后,通过实验结果验证了AES-LDPC纠错加密器的性能。     

基于复杂网络的指挥控制级联失效模型研究

复杂网络中由微小扰动触发的级联失效故障会导致系统大面积崩溃的灾难性后果,对其进行理论建模是研究复杂网络级联失效的基础和关键.在分析指挥控制级联失效机理的基础上,建立起指挥控制级联失效模型,并就不同条件下指挥控制的级联失效特征变化进行了定量分析,验证了模型的科学性和有效性,从而为研究级联失效对指挥控制的影响提供了新的研究思路和方法.     

基于机器视觉的雨滴谱粒径统计方法

基于机器视觉理论,将复合联级变换和插值相结合,解决了图像变换产生的畸变问题. 运用距离变换和粒径统计,将粘连的雨滴分离后对雨滴粒径统计.试验证明,该方法能高效准确提取雨滴谱特征.     

考虑质量传导的项目调度与人员配置集成优化

研究表明,质量问题是项目返工的主要原因之一,而人员技能水平是影响项目活动完成质量的关键因素。基于一般性的多技能资源受限项目调度问题,综合考虑人员技能水平以及活动间质量传导作用对活动完成质量的影响,进一步数学表达级联作用下的返工子网以及重构的项目网络,并结合一个大型船舶制造项目案例进行实验分析。对比实验结果表明：所提出的模型可有效平衡有限人力资源在不同活动间的分配,有利于减少返工风险的级联,缩短项目总工期。进一步,通过质量评估区间和人员技能水平参数波动的随机实验,验证模型对两类参数波动具有一定的鲁棒性。     

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。