一种基于最优观测矩阵的自适应贝叶斯压缩信道感知联合机制

该文采用基于概率模型的贝叶斯压缩感知方法,从最大后验概率角度,给出了压缩信道感知的一般流程。在此基础上,利用自适应贝叶斯压缩感知将信号的重构和观测矩阵的设计结合,使这两个环节不再相互独立。同时,提出一种基于最优观测矩阵的自适应贝叶斯压缩感知联合机制,通过减少观测矩阵的相关度以及对观测矩阵的自适应设计,使得信道的重构效果更佳。另外可利用重构过程中得到的差错栏,对重构精确度进行衡量。仿真表明:在相同的实验条件下,该联合机制相比传统的重构算法,具有更好的抗噪声能力和重构精度。     

基于最优观测矩阵的压缩信道感知

信道估计技术作为获得信道衰落信息的方法,是提高无线信道传输接收性能的关键技术。而物理多径信道固有的稀疏性,使得将压缩感知（CS）理论用于稀疏多径信道的估计成为可能。由于传统的线性估计方法没有考虑信道的固有稀疏性,因而在训练序列数目较少的情况下,压缩信道估计的重构效果要明显优于传统的最小二乘估计方法,在获得同样估计性能的情况下,需要的训练序列长度也大大减少,提高了频谱资源利用率,体现了压缩信道估计出色的估计性能。本文在应用CS理论进行稀疏信道估计的过程中,通过减小观测矩阵的列向量相关性,产生最优观测矩阵的方法,从而让压缩信道估计的性能得到进一步的改善。      

基于大数据的在校生消费行为引导和风险防范

Students' personal information, learning information, behavior track and other data which originally recorded in isolated business application systems will be extracted, cleaned and transformed in the data center of smart campus. The "virtual image of the main body" is realized through big data technology, which supports decision analysis and early warning research and judgment di- rectly or indirectly. Based on the limited consumption related behavior data of students in school, this paper studies on how to reflect the consumption level of students in time, predict the consumption trend, and guide them to open up sources and reduce expenditure. Finally, a formula is designed for assessing risk when deal with the risk websites which committed by students themselves using big data processing.     

基于优化贝叶斯压缩感知算法的频谱检测

近年来,压缩感知理论依旧是信号处理领域的研究热点之一。将压缩感知应用于频谱检测技术可以突破传统的奈奎斯特采样定理,降低检测时采样率,因此可以减轻硬件处理的压力。因此适合用在频谱检测技术中,特别是宽带信号的频谱检测。本文对贝叶斯压缩感知理论（BCS,Bayesian Compressed Sensing）进行研究,并将其引入频谱检测技术中。在BCS算法的基础上,通过进一步减小高斯随机观测矩阵列向量的相关度,实现对观测矩阵的优化,得到一种优化的贝叶斯压缩感知算法（称其为OBCS算法,即Optimized BCS）。在MATLAB仿真中,本文提出将数零法作为频谱检测判决规则,并使用BCS和OMP算法作为对照,验证了OBCS算法无论在重构误差、检测概率还是虚警概率等指标上都具有最佳的效果。