认知多中继网络中基于最佳功率分配的中断性能

研究了认知多中继网络的功率分配方案,提出了简单的最优功率分配(OPA)方法,并给出最优解.仿真了不同的认知中继位置对认知系统中断性能的影响,并联合考虑频谱感知和认知多中继协作传输两个过程.仿真结果表明,文中提出的最佳功率分配方案的中断性能优于等功率分配(EPA)方案,且存在最佳的感知时间使认知多中继网络的中断性能最优.     

一种多属性的时空数据聚类算法分析研究

时空聚类(spatial-temporal density based spatial clustering of applications with noise,ST-DBSCAN)算法只能处理固定属性的时空数据,且其人为设定阈值的方法具有较大随机性会导致聚类结果不理想.基于ST-DBSCAN算法存在的不足,提出了一种改进的多属性时空聚类算法.改进后的新算法采用绘制时空对象距离频数柱状图来设定自适应阈值,通过引入Gower相似系数、Dice相似系数与欧几里德距离来构建多属性相似度模型,计算多个事务对象之间属性特征的相似度大小,从而将ST-DBSCAN时空聚类算法扩展到更多属性的时空数据聚类分析中.以北京市计算机行业职位招聘信息数据进行实验仿真,实验结果表明,新提出的阈值设定方法可以有效识别部分低密度簇,提高聚类的准确性和有效性;改进后的算法具有较好的普适性与包容性,能对多属性的时空数据进行很好的聚类分析.     

基于已知信道的均衡器设计和性能分析

论述了线性均衡器和判决反馈均衡器的基本原理,已知通信信道的特性时,对该信道分别采用线性均衡和判决反馈均衡仿真,得到二者的性能曲线和均衡器的最佳抽头系数,通过对得到的结果进行分析和比较,来合理地设计合适的线性均衡器或判决反馈均衡器.这些分析方法和得到的结论对工程中的均衡器实现具有一定的价值.     

基于时空特征学习Transformer的运动想象脑电解码方法

脑电图（Electroencephalography,EEG）可记录来自大脑皮层的电信息，反映了脑活动中神经细胞放电产生的电场变化情况. EEG的空间信息和时间信息对于运动想象脑电（Motor Imagery Electroencephalogram,MI-EEG）解码分类模型学习判别特征至关重要，但过度依赖预处理和手工特征提取，导致对EEG数据进行信号分类较为困难.尽管深度学习已经在很多领域实现了自动特征提取，但脑电图的深度学习尚未完成.提出基于FBCSP (Filter Bank Common Spatial Patterns)和Transformer模型的时空特征学习的运动想象脑电解码方法 .针对FBCSP滤波的脑电信号，依次通过空间维度和时间维度上的注意力转换来获取空间和时间特征，然后通过Softmax函数对不同类别的EEG数据进行分类.实验结果表明，在BCI竞赛数据集IV-2a上，该方法的分类准确率可达84.16%，为MI脑电信号分类提供了新思路.