基于信号强度的最大似然振幅估计迭代算法

为避免频率和相位估计所带来的误差,研究只根据接收到的信号幅值即信号强度就可以进行振幅估计的算法。针对已知噪声方差的情况,采用最大似然原理推导出含振幅估计的等式,提出了两种迭代算法,并对其平均迭代次数及计算复杂度进行了比较。仿真试验结果显示,两种迭代算法性能几乎相同且均优于传统振幅估计算法,其中牛顿迭代法计算复杂度略高,但其平均迭代次数小于阶梯迭代法,尤其是在低信噪比下。由此可见,基于信号强度的最大似然振幅估计牛顿迭代法优于其他振幅估计算法。     

一个切换多涡卷混沌系统的研究及其电路仿真

利用非线性函数切换的方法,提出了一个新的多涡卷混沌系统;并且分析了该系统的平衡点、分岔图和Lyapunov指数等动力学特性,采用Multisim电路仿真软件设计了可实现该切换混沌系统的仿真电路。理论分析、计算机仿真和电路仿真结果证实了该方法的可行性。     

针对相位噪声的广义软判决辅助相位估计算法

判决辅助最大似然(DA-ML)和软判决辅助最大似然(SDA-ML)载波相位估计器均假定静态分块载波相位,因此在高信噪比下会出现误差下限。通过引入多元高斯分布模型,提出广义SDA-ML相位估计算法,并通过分解信道协方差矩阵来降低计算复杂度。仿真试验结果表明,对于高阶QAM调制,广义SDA-ML可以显著降低DA-ML和传统SDA-ML的误差下限。     

基于卷积神经网络的立体图像质量评价

随着立体图像的广泛应用,迫切需要一个具有通用性的工具来评估立体图像的视觉质量,因此提出一种基于卷积神经网络的无参考立体图像质量评价算法。首先使用平面图像数据集对算法框架的主体结构质量图生成网络进行训练;然后使用训练好的网络预测立体图像融合视点图像的质量;最后使用一种加权融合方法得到最终的立体图像质量分数。试验结果表明,算法框架具有相对较好的准确性和鲁棒性。     

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。