自适应波束形成技术在OFDM系统中的应用与仿真

为了提高OFDM系统的性能,人们引进了自适应波束形成技术来进一步抑制干扰信号(signals not of interest,SNOI),其中目前可见报道的是利用LMS(least mean square)波束形成技术的OFDM系统.但是LMS-OFDM系统需要使用训练序列,即占用更多频率资源,并且该系统在强干扰环境下工作性能下降,因此有必要研究新的且更适宜在复杂环境下工作的自适应波束形成-OFDM系统.文中将基于期望信号空间信息的MCMV(multiple constrains minimum variance)波束形成技术与OFDM系统相结合,得到一种MCMV-OFDM系统.该系统与原有的LMS-OFDM系统相比.不需要训练序列并在强干扰的环境下有着较好的性能.     

Xe30+在Au下表面退激辐射的Ｘ射线谱

报导了1.0-3.0MeV的Xe₃₀₊离子与1.0MeV的Xe₂₆₊离子入射Au表面发射的X射线谱,考虑到探测器Be窗对射线的非均匀衰减,还原了1.0MeV的Xe₃₀₊离子产生X射线谱。通过用经典过垒模型及两体碰撞模型的分析表明：动能1.0-3.0MeV的Xe₃₀₊离子入射Au靶,下表面空心原子M壳层空穴退激发射了能量0.7-1.75keV的Xe M X射线,下表面空心原子N壳层空穴退激发射了能量0.5-0.7keV的Xe N X射线。     

基于新息更新的时变步长LMS算法(TVSLMS)

提出一种基于新息更新的时变步长LMS算法(TVSLMS).该算法结构简单,时变步长设计新颖,与典型的LMS算法,如著名学者Windrow的LMS算法和Doherty和Porayath所提出的DLMS算法相比,TVSLMS算法收敛速度最高.尤其是算法所引入的收敛加速度,对收敛速度具有灵敏的调速作用.     

不确定环境下基于动态子目标搜索的移动机器人导航算法及其实现

在不确定环境下进行移动机器人的路径规划一直是当今机器人研究领域的一个焦点问题和难点问题。采用最短切线法引入动态子目标,通过分析激光检测系统LMS200采集的数据,在导航途中临时产生一系列子目标来代替真实目标点,提出了一种基于最优动态子目标的搜索的最短路径算法SAS,并在此基础上,对算法进行了改进。在仿真和真实环境下的实验结果都表明方法可行有s效,能够满足移动机器人导航的实时性要求,为移动机器人实现无碰撞局部最优路径规划提供了一种新型实用算法。目前该方法已经成功地应用于浙江理工大学移动机器人ZSTU。     

一种新的基于FPGA实现的判决反馈均衡器结构

自适应均衡算法是无线通信系统中解决多径效应的主要手段,由于无线通信系统带宽的不断增加,如何提高自适应均衡器的速度是一个非常迫切的问题,而反馈和复杂的矩阵运算会制约使用LMS算法判决反馈均衡器的工作速度的提高．为此,笔者从LMS算法中的梯度运算出发,解决了误差与均衡器输入向量之间的时序对应关系的协调,从而提出了一种适合于FPGA实现的高速判决反馈均衡器结构,最后给出了在FPGA上的具体实现结果,其表明了该算法对于提高判决反馈均衡器的工作速度有显著的效果．     

The bulk input M[X] /M/1 queue with working vacations

In this paper, we analyze a bulk input M^[X] /M/1 queue with multiple working vacations. A quasi upper triangle transition probability matrix of two-dimensional Markov chain in this model is obtained, and with the matrix analysis method, highly complicated probability generating function(PGF) of the stationary queue length is firstly derived, from which we got the stochastic decomposition result for the stationary queue length which indicates the evident relationship with that of the classical M^[X] /M/1 queue without vacation. It is important that we find the upper and the lower bounds of the stationary waiting time in the Laplace transform order using the properties of the conditional Erlang distribution. Furthermore, we gain the mean queue length and the upper and the lower bounds of the mean waiting time.