信源统计特性的最优量化器设计与性能分析

文章讨论在模拟信源量化过程中，已知输入量化器的信号幅度统计特性时，如何采用标量量化使量化器达到最优，从而使量化失真达到最小。在对量化器优化设计的理论分析的基础上，以高斯分布特征的信源进行了最优标量量化，并得到了性能曲线，与香农率失真定理指出的理论下界进行了对比，所得出的分析方法以及结论对量化器工程应用具有一定的价值。     

有无源智能反射面辅助无线系统信道估计

毫米波在非视距链路传播中损耗严重,为了进一步提高信号的覆盖范围及传输准确性,提出了一种基于少量有源元件的智能反射面(intelligent reflecting surface, IRS)辅助无线通信的信道估计方案。考虑基于少量能够接收处理信号的有源元件辅助信道估计的模型,利用毫米波信道的稀疏性,通过原子范数最小化(atomic norm minimization, ANM)将信道的相关角度参数转化为空间频率,再通过多信号分类算法降维估计相关角度、深度神经网络简化获取信道状态信息(channel state information, CSI)过程、奇异值分解优化波束成形等方法的优势相结合来估计信道参数,最终获取UE-IRS、IRS-BS的单独信道状态信息。仿真结果表明,所提方案在较低的有源元件开销下,有效降低了信道估计的归一化均方误差。     

基于Android平台的人员定位与监控系统的设计与实现

针对传统定位与监控系统成本较高和不够便捷的缺点,采用C/S架构,结合Oracle数据库和Google Maps技术,在Android手机平台下设计并实现了一个方便、实时的人员定位与监控系统.测试结果表明,该系统能够在合法的前提下用Android手机实时准确地进行多人监控,同时又具备记录轨迹、移动距离计算等功能.     

基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况.脑电广泛应用于脑-机接口(BCI)系统.然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补.为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别.实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势.     

基于已知特性信道的QAM系统的仿真和性能分析

论述了正交幅度调制(QAM)的原理和特性,并在已知特性的通信信道上进行QAM调制和解调仿真,对具有符号间干扰(ISI)的信道进行线性均衡和判决反馈均衡来提高QAM调制解调的性能.通过对得到的仿真结果进行比较和分析,在理论上,得到合理设计QAM系统的方法.这些分析方法和得到的结论对工程中的QAM调制解调系统实现具有一定的价值.     

基于数据增强的运动想象脑电分类

针对运动想象脑电（MI?EEG）多分类问题,在已有研究的基础上进行改进,构建了基于深度可分离卷积的轻量级卷积神经网络（L?Net）和轻量级混合网络（LH?Net）,并在BCI竞赛Ⅳ-2a四分类数据集上进行了实验和分析,结果表明：L?Net比LH?Net可以更快地拟合数据,训练时间更短;但LH?Net的稳定性比L?Net更好,在测试集上的分类性能具有更好的稳健性,平均准确率和平均Kappa系数比L?Net分别提高了3.6个百分点和4.8个百分点。为了进一步提升模型分类性能,采用了基于时频域的高斯噪声添加新方法对训练样本进行数据增强（DA）,并针对噪声的强度进行了仿真验证,推测出了两种模型的最优噪声强度的取值范围。仿真结果表明使用了该数据增强方法后,两种模型的平均准确率最少提高了4个百分点,四分类效果均得到了明显提升。     

基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况。脑电广泛应用于脑-机接口(BCI)系统。然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补。为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别。实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势。     

基于子空间对齐与自适应CSP算法的运动想象脑电信号分类

在脑机接口中,让分类器从一个用户适应到另一个用户是具有挑战性的,但对于减少新用户的训练时间是必要的。但由于每个个体的神经信号存在着差异,常用的特征提取方法训练的分类器,应用于不同的用户时,准确率很低。因此本文提出了一种新的自适应共空间模式的特征提取方法,该算法通过选择合适的候选试验更新协方差矩阵,然后对提取的特征进行子空间对齐,最后用于训练分类器进行分类。由实验结果得出该方法的分类准确率优于传统的CSP算法和传统的自适应CSP算法,最后通过对提取特征的可视化可以看出改进的子空间对齐可以降低源域与目标域的域方差,减小源域与目标域之间的差异。