排序方式: 共有43条查询结果,搜索用时 468 毫秒
1.
基于差分相关的星载AIS信号帧同步 总被引:1,自引:0,他引:1
在星载AIS接收机中,船舶信号在传输过程中产生的大范围时延和多普勒频移,给正确解码带来了困难。针对这一问题,基于AIS帧结构特点,提出一种差分相关帧同步算法。算法中将AIS帧结构中训练序列、开始标志和结束标志设计为间隔式特征序列作为同步码,通过差分相关函数来实现帧同步。仿真实验结果表明,该算法有较好的抗频偏特性,且在低信噪比下,性能要优于差分卷积法。 相似文献
2.
目前对于用一种算法来联合处理AIS信号分离与检测过程的研究甚少。据此提出基于Per-Survivor-Processing(PSP)的AIS混合信号分离与检测联合估计方法。在混合信号相对时延较大时,首先利用幅度极值点检测,将混合信号分为重叠段和未重叠段。对重叠段信号进行线性近似处理后,使用PSP进行盲分离,对分离后的重叠段信号和未重叠段信号进行PSP检测。检测完成后,根据AIS信号特定的消息格式将原始信号恢复。当相对时延较小时,分段处理和不分段处理的性能差异不大,为降低复杂度则直接联合处理。仿真结果表明,上述方法不但能联合分离与检测的处理过程,而且误码率量级很低。因此该方法具有十分重要的研究意义。 相似文献
3.
无线通信是采用多节点协作分集方式发送信号的,故具有很大的优势,但缺点是所传输的信号是异步的,因此采用协作分集方式发送信号亟需消除这种异步的影响。为此,给出了块平坦衰落信道延迟估计算法,采用训练序列附加在信息码上作为循环前缀,通过循环前缀来获得已知符号,再利用已知符号来消除异步。结果表明,该方案完全能消除异步,信道估计达到了克拉默拉奥下限,误码率和MRC(最大比合并)方式相同,且带有完全的分集阶数,初步达到了消除信号异步影响的目的。 相似文献
4.
压缩感知理论表明稀疏信号能由少量的随机测量值恢复,从信息理论的角度来看,随机测量值能否有效表示稀疏信号仍是一个值得探讨的问题。针对压缩感知测量值的量化,将率失真理论作为工具研究压缩测量值的量化带来的平均失真度,包括均匀量化和非均匀量化两种情况,并进一步得到由量化测量值重构信号的率失真性能极限。理论分析和实验结果表明,相对于信号的自适应编码随机观测过程会引起较大的失真,但是压缩感知能利用信号的稀疏度来减小量化后的重构失真,这说明量化压缩感知适用于低稀疏度的信号。 相似文献
5.
6.
传统基于卷积神经网络的交通标志检测网络采用堆叠大量卷积核的方式进行下采样,限制了卷积神经网络的感受野建模,难以灵活地调整内部参数,从而丢失图像的细节信息,导致小目标与遮挡目标的检测精度与定位精度降低。提出基于YOLOv5采样优化的交通标志检测网络。以新型算子作为基础架构,采用自卷积方式灵活提取不同通道的特征,并构建跨阶段注意力机制模块,以增加各通道特征的重要性权值,从而提高小目标的检测能力。通过改进的通道聚合网络实现多尺度语义信息与细节特征的融合与增强,同时利用K-means聚类算法生成更适合交通标志的先验框,在非极大值抑制算法中引入距离交并比函数对预测框进行后处理,避免错误抑制复杂场景下被遮挡的目标,从而提高定位精度。在中国交通标志数据集上的实验结果表明,当交并比阈值为0.5时,该网络的平均精度均值为95.8%,与YOLOv5网络相比模型参数量减少了15.7%,在满足实时性的同时具有较优的小目标检测性能。 相似文献
7.
8.
传统交通标志检测方法检测速度慢,且现有深度神经网络对小尺寸交通标志检测精度低。对此提出一个基于YOLOv3的新型端到端卷积神经网络。以YOLOv3为检测框架,对特征提取网络和特征融合网络加以改进,并应用K-means聚类算法生成更适合交通标志的锚点框。充分利用多尺度特征实现了对小尺寸交通标志检测性能的提升。在TT100K (Tsinghua-Tencent 100K)和GTSDB (German Traffic Sign Detection Benchmark)交通标志数据集上进行实验,获得的mAP分别为82.73%和92.66%,运行时间分别为0.037 s和0.033 s。实验结果验证了改进网络的有效性,表明了改进网络的整体性能优于其他检测方法。 相似文献
9.
10.
针对随机滤波产生的测量矩阵中行向量间相关性大,重构效果不理想的问题,提出了一种数乘移位寄存器随机滤波问方法.利用数乘移位寄存器反馈线上存有固定值的乘法器,改变了测量矩阵单调循环的结构,减小了行向量之间相关性.分析了数乘移位寄存器随机滤波在一维稀疏信号、二维图像中的重构效果.仿真结果表明,数乘移位寄存器随机滤波具有良好的重构效果,且优于传统随机滤波和部分Hadamard矩阵、Gaussian矩阵. 相似文献