基于CSI-RS的3D MU-MIMO有限反馈预编码算法

利用三维多输入多输出(3D MIMO)信道矩阵的克罗内克积结构,传输预编码可分成水平与垂直维预编码,有效挖掘空间自由度可以提高系统性能。针对现有算法未能更好利用空间自由度及单流传输的不足,本文提出了一种基于信道状态信息参考信号(CSI-RS)的多用户MIMO(MU-MIMO)有限反馈预编码算法。该算法采用新码本,依据最大信干噪比准则选取最优的预编码矩阵索引(PMI)返回给基站(BS)供调度。验证结果显示该算法较已有算法,实现了多流传输,拥有更优的和速率(SR)及误码率(BER)。     

基于信道状态信息参考信号的三维多用户多输入多输出有限反馈预编码算法

利用三维多输入多输出(3D MIMO)信道矩阵的克罗内克积结构,传输预编码可分成水平与垂直维预编码,有效挖掘空间自由度可以提高系统性能。针对现有算法未能更好利用空间自由度及单流传输的不足,提出了一种基于信道状态信息参考信号(CSI-RS)的多用户MIMO(MU-MIMO)有限反馈预编码算法。该算法采用新码本,依据最大信干噪比准则选取最优的预编码矩阵索引(PMI)返回给基站(BS)供调度。验证结果显示该算法较已有算法,实现了多流传输,拥有更优的和速率(SR)及误码率(BER)。     

改进的集合经验模态分解在人体行为识别中的应用

针对在基于惯性传感器人体行为识别的研究中,集合经验模态分解(ensemble empirical mode decomposition,EEMD)无法自适应地筛选出对不同分类行为更有用的固有模态函数的问题,特别是对步行、上楼、下楼3种易混淆行为的识别,提出一种改进的自适应集合经验模态分解特征提取方法,通过对不同分类行为筛选不同固有模态函数并提取窗口均值差异等新颖特征,有望在不同的分辨率下得到更准确、更有效的原信号特征信息。为了验证该方法的有效性,实验分别用典型时域频域特征与该方法提取的特征集训练K近邻(K-nearest neighbor,KNN)与支持向量机(support vector machine,SVM)分类器,并采用留一法(leave-one-out,LOO)交叉验证算法进行测试。结果表明,当分别采用KNN和SVM进行分类时,相比于原方法,改进的方法对步行、上楼和下楼3种行为的平均识别准确率分别提高了29.22%(KNN)和15.79%(SVM),对分类的7种不同行为的总平均识别准确率分别提高了95.11%(KNN)与93.14%(SVM)。     

改进的mRmR特征选择方法在人体行为识别中的应用

在基于惯性传感器人体行为识别的研究中,特征选择的作用是挑选相关特征,以提高分类性能,去除冗余特征以降低计算复杂度。针对传统的过滤式特征选择方法仅使用一种相关度量系数筛选特征效果不佳的问题,提出一种改进的基于最大相关与最小冗余(mRmR)准则的特征选择方法。该方法在基于mRmR准则下,采用多种相关度量系数融合的方式,在考虑分类类别的条件下,分析待挑选特征与已选特征间的相关性对特征筛选可能产生的积极影响,以去除部分冗余、不相关特征,进而得到初选特征子集;然后利用二进制数对筛选后的特征编码,通过遗传算法搜索最优或次优特征子集。分别使用SVM和KNN分类器对7种日常行为进行分类。实验结果表明,与其他几种方法相比,该方法对实验分类的7种行为有最高的总体平均识别精度,通过SVM和KNN分类的各行为总体平均识别精度分别达到了97.02%和95.73%,与传统的mRmR方法相比,分别提高了13.72%和9.92%。