基于Homotopy算法的低复杂度多用户大规模MIMO信号检测方法

在上行多用户大规模多输入多输出(multiple input multiple output,MIMO)系统中,为了降低信号检测的计算复杂度,在传统的最小均方误差(minimum mean square error,MMSE)算法的基础上,提出一种基于Homotopy算法的低复杂度信号检测方法。在该方法中,通过对Homotopy方程的解向量采用逐级展开来逼近真实解向量,从而避免MMSE检测算法中的高阶矩阵的求逆运算,降低了信号检测的计算复杂度。仿真结果表明,最多需要对Homotopy方程的解向量进行4阶展开,就可获得与MMSE检测算法几乎同样的误比特率(bit error rate,BER)性能,同时,其计算复杂度仅为O(K2),其中,K为小区用户数。     

一类Kolmogorov系统的极限环

对一类n次Kolmogorov系统x=x(a0-a1x+a2xn-1-a3xn+a4xn-1y),y=y(b1xn-b2),(a0,a1,a2,a3,b1,b2>0,a0a1=a2a3,a4≠0,n≥3且n∈N)进行了研究.当a4>0时系统在第一象限内不存在极限环;当a4<0时讨论了系统平衡点的稳定性态,系统无环的充分条件以及在第一象限内存在唯一稳定极限环的条件.     

概率论自然公理系统

本书是中国学者熊大国对国际公认的Kolmogorov在1933年建立的公理系统的一个挑战。Kolmogorov公理系统建立在测度论基础上，以（Ω，F，P）为研究出发点，其中Ω是初等事件集合，F为σ域，P是F上的测度。作者认为，Kolmogorov的公理系统（KAS）有许多缺点，如：没有考虑现实世界的随机现象，没有讨论KAS条件与概率关系，     

赛程问题分治算法

对于单循环赛的比赛日程安排问题，给出了可读性较好，时空复杂度仅为平方阶的分而治之算法。     

Hamilton系统的积分流形的存在性

1.kolmogorov和Arnold研究解析的Hamiltton系统,得到了下面的极为重要的定理。这结果使200年来Laplace关于太阳系的永恒性问题,获得了合理的解释。 定理(Kolmogorov),对于解析的Hamilton系统。其中K(ω)是正的常数,m1,m2,…,mn为不全为0约整数。那末,存在解析函数u(　)和v(　),使代表(1)的不变闭轮胎面,在这轮胎面上的流线为 尽管这定理是那样的重要,值得数学界的称道和赞扬的,但对条件(2)总认为不是那末自然的,在这篇的文章里,目的在于建立Hamilton系统的积分流形,把条件(2)去掉,同时也把H(θ,χ,ε)的光滑性降低到C(2)。 2.结果的叙述…     

振动外分类算法研究

给出了一种新的外分类算法:振动外分类.它不必预先产生初始归并段,即可得到预期的效果,在特定的数据和硬件配置下,性能上超过了二路平衡归并法和二路多步归并法.详细分析了其系统开销,给出了算法正确性证明,用C语言在PC586及以上机得以实现.     

一类生态微分系统极限环的存在性问题

本文讨论一类Ｋｌｅｍａｇｏｒｏｖ（１），得到系统（Ⅰ）的可行平衡点的全局稳定性，正平衡点的全局稳定性及围绕正平衡点极限环的存在性。     

考虑丢包特性的无参考网络视频质量评估模型

针对相同丢包率条件下不同的包丢失集中度对视频质量影响不同的问题,提出一种考虑丢包特性并且不需要对视频解码的无参考网络视频质量评估模型.首先依据码流信息在压缩域计算视频的时域复杂度,然后在压缩域计算包丢失集中度和包丢失率对视频质量的影响因子.考虑到人眼视觉系统的空域掩盖效应和时域掩盖效应,进而提出由于丢包引起的视频质量下降的视频质量评估模型.该模型不需要对视频进行完全解码,具有资源开销小、实时性好的特点,适合对实时传输的视频流进行质量评估.实验结果表明,使用该视频质量评估模型测得的视频包丢失质量评分与其主观质量评分有很好的一致性,相比于国际标准G.1070中的丢包视频质量评价模型,无参考网络视频质量评价模型与主观质量评价的相关性平均提高了6.18%.     

基本路径测试法的应用

介绍了基本路径测试法的概念和应用步骤,并给出了利用基本路径测试法设计测试用例的过程,总结了这一过程中经常出现的问题及解决办法.     

基于FSCD-CNN的深度图像快速帧内预测模式选择算法

针对3D-HEVC的多视点视频加深度图的编码格式和四叉树编码结构所带来的编码复杂度问题,提出了一种深度图像快速帧内预测模式选择算法。首先,从深度视频序列中以最优的深度图最大编码单元（largest coding unit,LCU）划分深度为标签获取训练集;其次,构建了适用于LCU的Cu深度快速选择卷积神经网络（fast selecting Cu’s depth-convolutionalneural network,FSCD-CNN）;最后,对深度图LCU进行划分深度预测,跳过部分编码模式决策,实现最佳LCU划分。实验结果表明,与相关文献对比,所提算法在保持了编码性能的同时平均减少了15%的编码时间,实验验证了其有效性和可靠性。