基于神经网络的OFDM信道补偿与信号检测

针对非线性失真和多径效应混合的复杂信道条件,提出一种基于神经网络的正交频分复用（OFDM）信道补偿与信号检测的方法。首先接收端信号利用最小二乘（LS）算法和迫零（ZF）算法做预处理,然后再输入到一层全链接层的神经网络进行进一步的信道补偿与信号检测,并恢复数据流。仿真结果表明,在没有进行输入信号功率回退（IBO）时,所提方法的误比特率（BER）性能比LS算法提升2个数量级,比线性最小均方误差（LMMSE）、最小均方误差（MMSE）提升一个数量级;在进行IBO后,所提方法能避免LS信道估计下至少4 dB的功率损失,能避免LMMSE、MMSE信道估计下至少2 dB的功率损失。所提方法在一定程度上验证了机器学习结合通信的先验知识的这种新的网络结构更能提升系统数据传输的准确率。      

压缩感知OFDM稀疏信道估计导频设计

为提高稀疏信道估计性能, 基于压缩感知(CS)理论, 研究了正交频分复用(OFDM)系统中的导频设计问题。由于已有方法不能准确衡量采样矩阵重建性能, 从而导致根据已有方法设计的导频具有较差的信道估计性能, 因此提出以互相关矩阵元素的立方和为准则准确评价采样矩阵的重建性能。针对OFDM系统信道估计导频设计为离散组合优化问题, 提出了一种并行完全树分组替换搜索算法用于搜索最优的导频。在算法的每次循环中, 先将导频索引集合分组, 再根据每一组替换的结果更新导频, 提出的方法扩大了导频搜索空间, 避免了导频搜索的局部最优问题。仿真结果表明, 提出的评价方法相比现有方法能够准确评价采样矩阵重建性能, 使用提出的准则设计的导频与现有互相关准则相比信道估计均方误差可减小约3 dB。同时, 所提出的导频搜索算法具有更快的收敛速度和最优的导频搜索性能。      

一种适用于CMMB系统的信道估计方法

在对导频符号处信道冲击响应估计以最小二乘(LS)准则的前提下,通过对正交频分复用(OFDM)系统中各种信道插值算法的分析及其在中国移动多媒体广播(CMMB)系统中的性能仿真,提出了一种适用于CMMB系统的信道估计方法。该方法在频率域中采用低阶维纳插值滤波方法完成,时间域采用线性插值完成。该方案不仅能降低系统的实现复杂度,而且能在恶劣的环境下获得良好的系统性能。     

OFDM系统的自适应低秩信道估计

为了降低正交频分复用OFDM(Orthogonal Frequency division Multiplexing)系统中最小均方误差MMSE(Minimum Mean Square Error)信道估计算法的复杂度,并且改善由于信道的统计特性与先验知识不匹配而导致的MMSE估计性能恶化,提出了一种自适应的低秩信道估计算法.该算法利用信道的时间平均相关取代统计相关,结合了基于特征值分解的低秩建模,从而近似地实现MMSE估计.借助于子空间跟踪,该算法可以自适应地估计信道相关矩阵的主特征空间及噪声方差,以迭代的方式逼近最优的MMSE估计,而且复杂度较低.进一步分析指出基于信道延时子空间跟踪的估计算法是该算法的一种特例,理论分析和仿真结果均表明这种新算法在低信噪比时可以显著改善信道估计的准确性.      

正交频分复用系统中一种抗多径衰落的联合时频同步算法

在正交频分复用(Orthogonal frequency division multiplexing,OFDM)通信系统中提出了一种基于新颖训练序列的同步算法.该训练序列只使用了一个OFDM符号,并且具有中心对称和前后部分一致的双重结构.在进行完粗定时同步和小数倍频率同步后,使用逆快速傅里叶变换(IFFT)运算来进行精...     

OFDM系统定时偏差补偿算法

为了消除正交频分复用(OFDM,Orthogonal Frequency Division Multiplexing)符号定时偏差对信道估计的影响,提出了一种补偿算法.理论分析表明相移可以被看作是信道统计特性的变化,并且在使用线性插值的信道估计方法时估计误差会扩大.该算法利用符号定时偏差会引起子载波相位旋转的特点,对信道估计进行补偿.仿真结果表明,在多径信道下,在信噪比为20 dB定时位置位于循环前缀中点时,使用该算法后信道估计均方误差是通常线性插值算法的25%,因此新算法缩小了信道估计均方误差.实验结果表明,该算法提高了接收机的性能.     

多径信道下图像的信源信道联合编码调制传输

针对多径衰落信道提出了一种基于小波变换并结合OFDM(Orthogonal Frequency Division Multiplexing)自适应调制的图像传输方法和信源信道联合带宽功率优化分配算法.给出了编码传输方法结构,对有噪信道下基于小波变换的图像编码传输实现和失真估计问题及多误码率OFDM自适应调制比特功率优化分配问题进行了建模和分析,使得信源量化编码与OFDM调制能够方便地结合起来,并进一步得到了相应的信源信道联合优化带宽功率分配方法.仿真和分析表明,该方法实现了多径信道下图像的信源信道联合编码调制传输,编解码复杂度和延迟小,且信源信道联合优化的带宽功率分配可有效提高信道资源利用效率.     

一种基于分组截短PN码的SOFDM信道估计方法

基于PN序列的信道估计方法的特点是计算过程简明,已被广泛应用在地面无线局域网系统中。在卫星正交频分多路复用传输体制(SOFDM)系统中引入传统PN序列信道估计方法的主要问题在于卫星信道的多径延时远大于SOFDM数据符号的持续时间,信道特性比较复杂,使得传统方法的估计精度严重下降。提出了一种改进的方法,根据信道的近似周期特性对数据帧进行合理的等长度分组,并把长PN序列改为短PN码来跟踪信道局部特性的变化,再对分组后的数据子帧分别进行信道估计。对该方法的设计思想进行了理论分析,并通过仿真验证了该方法的估计精度比传统方法至少提高了10倍。     

基于BDS/GPS的KBLMS信道补偿多径缓减算法

在全球卫星导航系统（GNSS）中,针对城市峡谷单系统无法定位及信号失锁后重新捕获及跟踪性能表现不佳的问题,提出了一种基于BDS/GPS的卡尔曼最小均方估计（KBLMS）的信道补偿技术。首先,建立双系统模型。其次,设计基于卡尔曼估计的最小均方误差的延迟估计模块,补偿接收信号上的多径失真。最后,设计视距（LOS）最佳估计块以在反馈回路中产生控制误差信号,用于自适应地更新补偿矩阵系数。通过实测数据与实验仿真,分析KBLMS的信道补偿多径缓减算法的性能。结果表明:KBLMS的信道补偿多径缓减技术相较于最小均方（LMS）算法在多径信道中能快速收敛,且码跟踪误差在ENU三个维度误差减少了0.1 chip,载波跟踪误差减少了约0.125 cm,有效降低了多径效应引起的误差,最终残余误差比LMS降低了0.035 chip,说明所提多径缓减算法可以进行更为精准的估计,从而验证了算法的有效性。      

基于遗传算法的SOFDM信道资源动态分配策略

对卫星正交频分复用(Satellite Orthogonal Frequency Division Multiplexing,SOFDM)传输体制进行信道资源分配时,采用传统定界分类法存在效率较低,功率资源浪费较大等问题。文中提出一种改进的信道资源动态分配新策略,引入生物遗传算法,对信道传输特性进行适应性评估,按照"优胜劣汰,适者生存"的进化原则对信道子载波频率和功率资源进行有效分配。仿真分析结果表明,新策略获得了优于传统定界分类法的效果,在算法运行时间与传统方法基本相当的情况下,采用生物遗传算法的SOFDM系统能够更加合理地分配系统频率资源,使系统功率资源产生约1dB的增益,并有效降低系统误包率。     

基于代价敏感剪枝卷积神经网络的弹道目标识别

为降低弹道目标整体误识别代价,提出了基于代价敏感剪枝（CSP）一维卷积神经网络（1D-CNN）的弹道目标高分辨距离像识别方法。首先,基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架;然后,在此基础上,提出了基于人工蜂群算法的网络结构无梯度优化方法,以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络,即代价敏感剪枝;最后,为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标,提出了一种代价敏感交叉熵（CSCE）损失函数对训练进行优化,使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下,相比传统的1D-CNN具有更低的整体误识别代价,且降低了50%以上的计算复杂度。      

卷积神经网络求解有限元单元刚度矩阵

随着深度学习在众多领域的成功应用与快速发展,将深度学习与传统的结构分析相融合已经成为了新的研究方向。在求解有限元单元刚度矩阵的具体问题上,研究了卷积神经网络在结构分析上的应用。以四边形平面应力单元为例,基于卷积神经网络,提出了一个求解有限元总体刚度矩阵的神经网络模型;同时分析了网络的学习效果与网络卷积核数目、训练样本数目之间的关系。计算实例表明,在一定范围内,网络的学习能力随着卷积核数目、训练样本数目的增加而不断提升。在现实应用时,可以根据具体的精度要求而设定相应的卷积神经网络。卷积神经网络训练完成后,单元刚度矩阵的计算具有实时性,且精度满足工程要求。      

一种基于卷积神经网络的地磁基准图构建方法

地磁匹配导航技术是一种重要的辅助导航制导方法,地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用。针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题,提出了一种基于卷积神经网络的地磁基准图构建方法。首先,利用卷积层提取低分辨率基准图中的特征图像块;然后,利用基于学习的阈值收缩算法（LISTA）实现图像块的稀疏表示;最后,利用三通道的地磁信息得到重建后的高分辨率基准图。实验结果表明:所提方法对地磁基准图具有更高的构建精度,同时对噪声有更好的鲁棒性,各种客观评价指标均高于现有的超分辨率重建方法。      

基于深度学习的无人机数据链信噪比估计算法

无人机数据链通信受到各种自然与人为的干扰,信噪比（SNR）是信道状态和通信质量的有效评估指标。为解决传统估计算法信噪比估计精度不足的问题,提出了一种卷积神经网络（CNN）与长短时记忆（LSTM）网络结合的估计模型。利用仿真与实测相结合的方式,构建了一个包含不同信噪比、调制方式、衰落信道等信息的无人机通信信号数据集;在网络训练阶段,将样本序列进行分割,对分割后的每一部分序列使用CNN-LSTM网络提取深度特征,多次训练并保存模型参数;在测试阶段,利用构建好的测试集完成对算法的验证与测试,得到信噪比估计值。实验表明,相比于传统信噪比估计算法与单一网络结构的深度学习算法,所提算法的均方误差最低,实现了对信噪比的高精度估计。      

基于DCNN和全连接CRF的舌图像分割算法

针对中医舌诊中舌体分割不准确、分割速度较慢且需要人工标定候选区域等问题,提出了一种端到端的舌图像分割算法。与传统舌图像分割算法相比,所提算法可以得到更为准确的分割结果,并且不需要人工操作。首先,使用孔卷积算法,可以在不增加参数的条件下扩大网络的特征图谱。其次,使用孔卷积空间金字塔池化（ASPP）模块,令网络通过不同的感受野学习舌图像的多尺度特征。最后,将深度卷积神经网络（DCNN）和全连接的条件随机场（CRF）相结合,细化分割后的舌体边缘。实验结果表明:所提算法优于传统舌图像分割算法和主流的深度卷积神经网络,具有较高的分割精度,平均交并比达到了95.41%。      

基于时空图卷积网络的无人机网络入侵检测方法

无人机网络相比地面网络具有节点快速移动、拓扑结构变换频繁和通信链路不可靠的特点,传统的针对地面网络的入侵检测方法难以适用。针对无人机网络的时空动态特性进行建模,提出了一种无人机网络的入侵检测方法——基于注意力机制的时空图卷积网络（ATGCN）。将图卷积网络和门控递归单元组合为时空图卷积网络,从复杂多变的数据中提取网络的时空演变特征,通过注意力机制提取和入侵检测最相关的特征,输入支持向量机进行分类预测。多个数据集的实验分析表明:所提方法能够适应无人机网络的动态性和不稳定性,相比传统检测方法准确率高且误报率低,具有良好的鲁棒性和适应性。      

State and disturbance estimation for test masses of drag-free satellites based on self-recurrent wavelet neural network

In recent years, the drag-free satellites have been widely used for some fundamental physical experiments, such as checking short-range effects of general relativity, geopotential determination and the exploration of static ocean current. And the space-borne detector of gravitational waves is one of the important applications for drag-free satellites in the future. In this study, the estimation of relative motion state and disturbance for test masses of drag-free satellite after release are researched. Firstly, the relative motion model between the test masses is established based on corresponding reference frames. Secondly, a self-recurrent wavelet neural network estimator is designed to estimate the pure gravitational relative motion state and disturbance for the test masses, and the sliding mode controller is used to transfer the relative motion state to the ideal state. Finally, the proposed estimation methods are verified by the simulation results.     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP, Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.