面向5 G无线通信系统的关键技术综述

对未来无线通信系统的几种潜在的关键通信技术,如异构网络、大规模多输入多输出(MIMO)通信、绿色通信和毫米波通信,给出了较详尽的论述与讨论。首先简要介绍了未来无线通信网络结构的异构化变化所引起的复杂干扰信号的出现及能源消耗增加问题。介绍了大规模MIMO通信技术的优点,大规模MIMO通信的研究现状与研究难点。详尽叙述了分别以频谱效率、能源效率和资源效率最大化为目标的绿色无线通信传输优化问题的解决方案。最后,给出了进一步解决频谱稀缺问题的毫米波无线通信系统的混合波束成形的方案。     

基于有源吸声单元的声隐身技术研究

对声隐身技术现状进行了概括,提出开展主动吸声层研究的必要性;构建了基于有源吸声单元的主动吸声层模型,并对吸声单元的吸声性能进行了理论分析及计算机仿真研究,验证了该方案的可行性。     

绝对挑战

屏蔽QQ上的无聊新闻题目编号:20101802原题重现:QQ上的广告咱可以无视,山寨游戏、软件可以不用,但经常弹出的无聊新闻就有点烦了,能不能把这个东西取消掉呢?积分赏金:10元/50元挑战者:舒云飞可能很多人看到这道挑战题的第一时间是去寻找第三方软件。但是这些插件很多也已经是明日黄花,     

面向分级设计优化的飞行器参数化建模方法

针对飞行器气动隐身外形综合设计优化问题,提出合适的面向分级设计优化流程,建立适应该流程的渐进分层参数化建模方法;用基于敏度分析的参数影响程度分析方法筛选复杂设计变量;采用多学科设计优化（Multidisplinary Design Optimization,MDO）理论和差分进化算法进行飞行器气动隐身外形的综合设计优化.将该方法用于某飞行器外形设计优化,结果表明：该方法合理可行,可为飞行器外形多学科设计优化提供一定参考.     

等离子体包覆目标RCS可视化计算

本文研究了高频区等离子体包覆目标的RCS可视化计算,将等离子体包覆目标的RCS计算分两部分完成,首先分析电磁波在等离子体中传播的折射衰减及碰撞衰减,将衰减后电磁波利用GRECO算法完成目标RCS计算,与诸如FDTD等数值算法相比,本方法不受目标大小限制,能够快速计算出等离子体包覆目标RCS值,为等离子体隐身技术的工程应用提供了理论参考.     

让QQ隐身区别对待

朋友们说我是“万年潜水艇”,在QQ上从来都隐身不出。老妈可受不了我这一点,她说我一隐身,她找起我来就费劲了。唉,我也不想隐嘛,可QQ上杂人太多了呗!老弟说：“你设置成隐身时对老妈可见,不就行了？”我不满地看了他一眼,说道：“那可是QQ会员的特权,你又不是不知道我是穷人。…’呵呵,看来你又火星啦!”他一脸“鄙视”地笑着。     

教你让一台电脑只能上允许的QQ

现在有很多人都在用彩虹外挂来登录QQ,因为它不仅可以显示好友的IP地址,更主要的是它还能显示出隐身的QQ好友（当然前提是对方后于你登录）,所以受不少QQ用户的青睐。就本人而言是不太喜欢的,相信有很多人也是这样,理由不言而喻了。那么,今天我在这里跟大家分享一个不让自己显示在对方的隐身列表当中的方法,有兴趣的朋友不妨可以测试一下。其实方法非常简单．不需要借助任何工具。     

基于毫米波雷达传感器RAI图像的手势识别方法

针对现有的手势识别方法存在数据集过少、利用特征信息较少和神经网络部分提取信息不充分的问题,提出一种基于毫米波雷达传感器RAI图像的手势识别方法。首先使用TI公司的IWR1443毫米波雷达传感器采集10类手势数据构建数据集,再通过对手部反射的雷达信号进行时频分析,获取固定帧数的RDI和RAI。为了充分提取手势特征并精确分类,在卷积神经网络基础上,引入了残差块和通道注意力块。实验结果表明,相较其他特征如RDI,RAI能更准确的表征手势,所提出的网络相比于CNN方法准确率提高了12.72%,相比于VGG16-Net和单参数VGG16-Net方法准确率提高了8.93%与10.41%,参数量降低了90.68%,时间复杂度降低了17.2%。     

毫米波相控阵封装天线电磁兼容仿真分析与设计

提出了一种毫米波相控阵封装天线的建模方法,通过商业仿真软件搭建了相控阵封装天线集数字、模拟和射频于一体的系统级仿真模型。基于此模型,分析了毫米波相控阵封装天线典型电磁兼容问题机理。此外,提出了相控阵封装天线电磁兼容设计的基本原则。原理样机试验和装机试飞验证了所提出的电磁兼容建模、仿真、分析和设计方法的有效性与正确性。     

基于注意力机制的毫米波雷达和视觉融合目标检测算法

传统目标检测大多基于摄像头采集图像进行,虽然近些年出现了许多优秀的检测网络,但在复杂场景下,仍存在大量漏检、误检等问题。针对这些问题,提出了一种基于注意力机制的毫米波雷达和视觉融合目标检测算法。首先将毫米波雷达数据进行扇形点云柱编码（Fan-shaped Cloud Pillar Code,FCPC）,将其转换为前景伪图像;然后,再将其通过坐标关系映射到像素平面,使用卷积注意力模块（Convolutional Block Attention Module,CBAM）对两者特征数据进行融合;采用Yolov4-tiny对融合特征进行检测,并引入Focal Loss对原损失函数进行改进以解决正负样本不均的问题。在Nuscenes数据集上进行模型验证与对比,结果表明,该算法在复杂场景下相比其他单传感器检测算法如Yolov3、Efficientent以及Faster-RCNN等,无论平均检测精度(mean Average Precision,mAP) 还是每秒检测帧数(Frames Per Second,FPS)都有明显的提升。