广义正交码索引调制系统的性能分析

摘 要：为了提高码索引调制（code index modulation，CIM）系统的传输效率，提出了一种具有更低复杂度的单输入单输出（single input single output，SISO）的广义正交码索引调制（generalized orthogonal code index modulation，GQCIM）系统。CIM 系统使用扩频码和星座符号传输信息，但只能激活两个扩频码索引和一个调制符号。而 GQCIM 系统以一种新颖的方式克服了只激活一个调制符号的限制，同时充分利用了调制符号的正交性，增加扩频码索引以传输更多的额外信息位，提高了系统的传输效率。此外，分析了GQCIM系统的理论性能，推导了误码率性能的上界。通过蒙特卡罗仿真验证了GQCIM系统的性能，对比发现GQCIM系统的理论和仿真性能一致。而且在相同的传输效率下，结果显示GQCIM系统的性能优于同样具有正交性的调制系统，如广义码索引调制（generalized code index modulation，GCIM）系统、CIM系统、码索引调制-正交空间调制（code index modulation aided quadrature spatial modulation，CIM-QSM）系统、码索引调制-正交空间调制（code index modulation aided spatial modulation，CIM-SM）系统、脉冲索引调制（pulse index modulation，PIM）系统。     

以任意高维纠缠态为量子信道的受控隐形传态

目的是利用高维量子纠缠态为量子信道，讨论未知单粒子态的受控隐形传输问题。以三维量子纠缠态为信道，提出一个二维任意单粒子态的受控隐形传输协议。提出了以任意[d]-维量子纠缠态为量子信道，[t]-维任意单粒子态的隐形传输协议[(t相似文献   

基于广义深度学习的含DG配网故障诊断方法

针对传统故障定位方法难以满足含分布式电源配电网的问题，提出一种基于广义深度学习的故障定位方法。利用广义深度学习在逼近能力和容错性方面的优势，挖掘响应数据与故障位置之间的映射关系，建立含分布式电源配电网故障定位的模型。IEEE34节点仿真结果表明，该方法可有效实现含分布式电源配电网的故障定位，准确率高，速度快，且在信息畸变或缺失时容错性好。     

小尺度交通信号灯的检测与状态识别

交通信号灯识别包括检测和状态识别，在智能交通系统中发挥重要作用。基于YOLOv3算法提出了一种交通信号灯检测与状态识别模型。针对交通信号灯相较于交通场景中其他目标具有尺度小的特性进行了算法的设计：降低骨干网络的下采样倍率以增加小尺度目标的特征描述能力；通过增大特征图的尺度来改进多尺度特征融合；引入广义交并比作为检测任务的损失函数来改进目标边界框的回归效果。同时，根据交通信号灯本身的特性，使用颜色和形状约束的方法对信号灯进行状态识别和类别验证。最后在公开的Bosch交通信号灯数据集上和实际的城区道路进行了实验验证。实验结果表明，所提出的算法能够提升交通信号灯识别的精度和召回率，识别准确率可以达到90%左右。     

煤矿深部开采煤岩动力灾害防控理论基础与关键技术

煤岩层赋存条件决定了煤矿深部开采条件下煤岩动力灾害的发生机理更趋复杂、防控难度显著增大,如何解决煤矿深部开采煤岩动力灾害防控问题,直接影响我国煤矿的安全生产和能源的有效供给。针对"煤矿深部开采煤岩动力灾害防控技术研究"这一科学命题,基于冲击地压"三因素"机理和煤与瓦斯突出的综合作用假说,从煤岩动力灾害防控理论基础、关键技术和防控实践等3个方面,梳理澄清了煤矿煤岩动力灾害防控中的一些模糊概念,建立了用于统一描述冲击地压和煤与瓦斯突出发生机理的广义"三因素"("物性因素"、"应力因素"及"结构因素")理论,确定了我国煤矿典型冲击地压的4种类型(煤层材料失稳型、煤层结构失稳型、顶板断裂型、断层滑移错动型),分析了影响冲击地压和煤与瓦斯突出的主要因素,从思想认知、原则方法及技术核心等方面凝练了煤岩动力灾害多尺度分源防控技术,提出了深部开采冲击地压巷道"三级"吸能支护思想与成套技术,开发了煤与瓦斯突出井上下联合抽采防控技术和超高压水射流"横切纵断"防治复合煤岩动力灾害技术,并在现场开展了应用试验。煤矿深部开采煤岩动力灾害防控理论与关键技术的建立与完善,为我国今后煤矿煤岩动力灾害的防治提供了科学依据。     

一种超宽带多模喇叭的设计

采用模式匹配法结合优化算法，为新疆天文台110 m天线研制出一种工作频带为4~12 GHz的三倍频多模喇叭.该喇叭由225个圆波导台阶组成，除了加工制造易于实现之外，与常规多模喇叭以及波纹喇叭相比，最突出的优点是在超宽频带内具有等化的辐射方向图，非常适合用作超宽频带射电天文观测天线的高效率馈源或者用于其他需要超宽频带设计的天线.     

基于核密度估计的R-Vine Copula选择及其在故障检测中的应用

在化工过程监控领域,Vine Copula模型为描述高维复杂变量之间相依关系提供了一种新的思想,在不降维的基础上直接刻画变量之间复杂的相关关系。传统的Copula函数模型选择方法是基于赤池信息准则(Akaikeinformation criterion,AIC),但是在利用AIC准则时不仅要计算Copula的密度函数,而且边缘分布的拟合效果也直接影响了AIC的取值。本文提出了基于核密度估计的R-Vine Copula (kernel estimation-based R-vine Copula, KRVC)选择方法,并将其应用在化工过程监控领域。通过核密度选择原理得到R-Vine模型,然后利用高密度区域(HDR)与密度分位数表等理论,构建非高斯态广义局部概率指标(GLP)。该方法在TE(TennesseeEastman)过程中以及醋酸脱水过程中的应用验证了KRVC方法在过程监控中的良好性能。