(2,1)卷积码纠错能力的探讨

卷积码既能纠正随机差错也能纠正一定的突发差错。在《移动通信》课的教学中,为便于理解卷积码的编码和纠错原理,举例说明了一种约束长度k=2的(2,1)卷积码的编码器和解码器,教材指出这种卷积码能自动纠正连续4个比特范围内的一个差错。本文针对这种卷积码的解码器结构,通过具体的译码过程分析,指出其不能自动纠正连续4个比特范围内任意位置上的一个差错。     

Punctured(2,1,N)系列卷积码的编码及其Viterbi译码的软件实现

给出了由（2，1，N）系列卷积码作为母码产生的punctured卷积码的编码及其Viterbi译码的软件实现方法，从而为各种不同码率的卷积码的编、译码给出了一种通用的实现方法，并且为多级编码分量码的设计提供了条件。     

基于SPW的编织卷积码的仿真实现

SPW是一个先进的通信系统建模、仿真工具,它具有非常灵活的自定义模块能力.编织卷积码是一种高效的纠错编码,具有比Turbo码更强的纠错能力.在介绍了编织卷积码原理的基础上,将编织卷积码封装为自定义模块,并在SPW环境中对编织卷积码在AWGN信道下的性能进行了仿真,仿真结果表明编织卷积码的性能与系统帧长、编码器个数有较大的关系.     

高容错(2,1,m)卷积码快速盲识别方法

针对现有的卷积码识别方法存在容错性不高,需已知编码参数且计算量大的问题,提出一种高容错的(2,1,m)卷积码快速盲识别方法。首先建立以(2,1,m)卷积码校验序列为解向量的含错校验方程组;然后基于校验方程系数的结构特性,循环利用校验序列的已知元素值递推估计其未知元素,在有误码条件下,进一步利用多个校验方程联合判决未知元素估计值,实现误码条件下校验序列的快速估计;最后基于卷积码自由距离特性及恒虚警准则检验校验序列估计值的正确性,并相应地识别出(2,1,m)卷积码生成多项式矩阵。在编码参数未知的情况下,根据校验序列估计值的检测结果,快速识别编码参数。仿真实验表明:该方法具有较高的容错性和较低的计算复杂度,无需先验已知编码参数;当误码率为0.08时,识别正确率能达到80%以上,而此时矩阵分析识别法已无法正确识别卷积码。     

基于SPW的编织卷积码的仿真实现

SPW是一个先进的通信系统建模、仿真工具,它具有非常灵活的自定义模块能力。编织卷积码是一种高效的纠错编码,具有比Turbo码更强的纠错能力。在介绍了编织卷积码原理的基础上,将编织卷积码封装为自定义模块,并在SPW环境中对编织卷积码在AWGN信道下的性能进行了仿真,仿真结果表明编织卷积码的性能与系统帧长、编码器个数有较大的关系。     

卷积码的一种译码方法的研究

卷积码是一种在深空通信和移动通信系统中使用较多的信道编码方案。CDMAIS-95标准和WCDMA3GPP标准将卷积码作为实时要求较高业务的信道纠错编码。本文是在现有卷积码译码方法较为复杂的情况下,对卷积码的译码方法进行了分析,对于五位以内突发错误的译码进行纠错的方法进行了探索性研究。     

无线传感器网络数据传输纠错方法的应用

在无线传感器网络实际应用中,传输信道容易受到干扰,不可避免形成突发错码.为了确保数据传输的可靠性,提出一种简便实用的数据传输纠错方法,结合卷积码技术和交织技术对数据进行纠错,并在传感器节点上实现卷积交织及卷积编码纠错功能.该方法不仅译码简单,设计复杂度低,而且可抗较高的信道误码,是一种良好的、便于软件实现的前向纠错编码技术.实验结果验证了该方法的实用性与合理性.     

多媒体广播系统中的卷积码纠错方法

介绍了多媒体广播系统中上位计算机与下位计算机之间数据通信的又一差错纠错方法—卷积码 ,编码器和大数逻辑译码器较简单 ,纠错性能更好     

抗污染攻击的流内安全网络纠错编码

传统的网络路由并不能达到多播网络中"最大流-最小割"定义的Shannon容量限,而网络编码很好地解决了上述问题,在增大吞吐量的同时还可以均衡网络负载,提高带宽利用率.但是当网络中存在恶意攻击时会引入错误数据包,在线性网络编码操作下会带来数据包的"错误扩散",不仅影响网络性能,还会造成资源的严重浪费.因此如何在优化网络传输性能的同时提高通信网络的安全性成为目前亟待解决的问题.本文采用基于同态校验的线性网络纠错编码机制进行差错控制,拟解决多播网络中的污染攻击问题,对安全性能以及传输性能进行了分析.仿真结果表明基于同态校验的网络纠错编码能够在不破坏数据包编码规则的前提下及时地进行错误的检测和纠正,得到较好的差错控制性能,能够对抗网络中恶意节点引起的污染攻击问题.      

卷积码及其维特比译码算法的软件实现

提出了数字通信系统中在信道受到干扰时信道译码器检测或修正解调器送来错误信息的一种软件实现方案，该方案应用VisualC 6.0软件技术实现了卷积编码器和维持比译码器功能，它不仅译码算法简单，易实现，而且可以得到较大的编码增益，具有良好的纠错编码功能，是一种软件方法的前向纠错编码技术，实验结果表明：应用软判决维持比译码算法时的误码率低于应用硬判决算法的误码率，一般要比硬判决算法多大约2dB的增益；约束长度越大误码率赵低，译码性能越好，在码率和约束长度不变时，硬判决算法的执行速度比软判决算法快。目前，该方案已应用于高精度网络彩色激光打印机，并获得好评。     

Review of public-key cryptosystem based on the error correcting code

The paper review the public-key cryptosystems based on the error correcting codes such as Goppa code, BCH code, RS code, rank distance code, algebraic geometric code as well as LDPC code, and made the comparative analyses of the merits and drawbacks of them. The cryptosystem based on Goppa code has high security, but can be achieved poor. The cryptosystems based on other error correcting codes have higher performance than Goppa code. But there are still some disadvantages to solve. At last, the paper produce an assumption of the Niederreiter cascade combination cryptosystem based on double public-keys under complex circumstances, which has higher performance and security than the traditional cryptosystems.     

关于RS码的列举译码方法中纠错数目的研究

分析讨论了RS码的Sudan列举译码方法和Gurusami-Sudan扩展列举译码方法中可纠错数目的取值范围;通过计算研究了对于在给定的RS码如何选取参数s和l,使得应用扩展列举译码方法对RS码能纠正更多的错,并确定了可最多纠错的数目。     

基于McEliece纠错码的公钥密码体制的研究

纠错码与密码的结合是代数编码理论和密码学发展的必然产物.深入研究了M公钥密码与MS公钥密码体制的几个性能指标,给出了它们的计算机模拟曲线;分析了M公钥密码与MS公钥密码体制通过有扰信道时的正确解密概率及计算复杂度;得到了一些有价值的结果.     

基于卷积神经网络的新奇检测技术在结构损伤识别中的应用

针对新奇检测难以同时识别结构损伤时刻和损伤位置的问题,提出在新奇检测中引入卷积神经网络以实现损伤时刻和损伤位置的一次性确定。首先,采用小波包技术处理结构响应得到小波包能量,并将相邻测点对应频带的能量比作为新奇检测模型的特征向量;然后,以结构健康时的特征向量作为训练数据,建立健康模式下的基于卷积神经网络的新奇检测模型;接着,将结构实时输出的特征向量输入到新奇检测模型,所得输出与健康状态的输出进行对比,并将输出和输入的欧氏距离作为新奇指标;最后,根据新奇指标的变化识别结构损伤时刻和损伤位置。数值模拟和实验室试验验证了该方法的有效性。     

QC-LDPC网络编码协作技术

针对传统协作技术具有的局限性,将一种编码协作技术（基于QC-LDPC码的编码协作）与Alamouti空时码和网络编码技术相结合,提出了一种基于QC-LDPC码的网络编码协作通信技术．仿真结果表明：在系统带宽和发射功率不变的条件下,可以很好地对抗无线信道衰落,在较高的频谱利用率与较低的硬件成本条件下获得较好的编码增益和分集增益．     

基于时间卷积网络的机器阅读理解

针对目前机器阅读理解任务中缺乏有效的上下文信息融合方式和丢失文本的整体信息等情况,提出基于时间卷积网络的机器阅读理解模型.首先将文本的单词转化成词向量并加入词性特征;接着通过时间卷积网络获取问题和文章的上下文表示;之后采用注意力机制来计算出问题感知的文章表示;最后由循环神经网络模拟推理过程得到多步预测结果,并用加权和的方式来综合结果得到答案.实验使用了SQuAD2.0数据集,在EM和F1值上相比基准实验分别提升了6.6%和8.1%,证明了该方法的有效性.     

基于轻量化卷积神经网络的改进模型与验证

卷积神经网络随着深度和结果复杂度的不断增加,其参数量和计算量大大制约了它的应用场景,本文在SueezeNet网络结构基础上引用分组卷积并采用Channel-shuffel来解决分组卷积后的信息不流通问题。以减少原有网络结构的的参数量提高网络运行效率。在ORL数据集的验证表现也表明,在网络参数减少的情况下分类精度和收敛效率并不会有降低甚至略有提高。可以体现分组卷积在结构轻量化上的有效性。     

A multiple copyright identification watermarking algorithm based on code division multiple access

A multiple watermarking algorithm is presented according to the multiple accessing technique of the code division multiple access (CDMA) system. Multiple watermarks are embedded into digital images in the wavelet transform domain. Each of the watermarks is embedded and extracted independently without impacts to each other. Multiple watermarks are convolution encoded and block interleaved, and the orthogonal Gold sequences are used to spread spectrum of the copyright messages. CDMA encoded watermark messages are embedded into the wavelet sub-bands excluding the wavelet HH1 sub-bands. The embedment amplitude is decided by Watson's perceptual model of wavelet transform domain, and the embedment position in the selected wavelet sub-bands is decided randomly by a pseudo-random noise (PN) sequence. As a blind watermarking algorithm, watermarks are extracted without original image. The watermarking capacity of proposed algorithm is also discussed. When two watermarks are embedded in an image at the same time, the capacity is larger than the capacity when a single watermark is embedded, and is smaller than the sum of the capacity of two separately embedded watermarks. Experimental results show that the proposed algorithm improves the detection bits error rate (BER) observably, and the multiple watermarks have a preferable robustness and invisibility.     

基于卷积神经网络的多场景道路坑洼图像检测

对图像进行预处理,用卷积神经网络的方法训练数据集及调整参数,建立坑洼检测模型.实验结果表明:本算法的执行效果好于直接进行坑洼检测的方式,为道路坑洼检测提供了良好的解决方案.     

基于图注意力网络和时间卷积网络的空气污染物浓度预测方法

提出了一种融合图注意网络（GAT）和带注意力机制的时间卷积网络（ATCN）的创新模型——GAT-ATCN,旨在提高空气污染物浓度预测的精度和效率. 在通过GAT捕捉监测站点间的复杂空间依赖关系,利用注意力机制,自适应地加强重要节点之间的连接,从而提取空间特征. ATCN被用来处理时间序列数据,通过学习时间维度上的长期依赖关系,捕获污染物浓度随时间变化的动态特性. 选取中国江浙沪地区7个城市2018—2020年的实际空气质量监测和气象数据,构建数据集并进行实验,验证了GAT-ATCN模型的有效性. 实验结果显示：GAT-ATCN模型在多个评价指标上均表现优异,能够更准确地预测空气污染物浓度.