一种基于期望信号预减除的稳健自适应波束形成方法

针对自适应波束形成中的期望信号自消除问题,提出一种干扰加噪声协方差矩阵重建稳健自适应波束形成方法。算法具有较低的计算时间复杂度。该方法首先使用波达方向估计技术得到期望信号的波达方向,其次对每两根相邻天线的接收信号进行特定的加权相减,能够减除阵列信号中的期望信号成分,继而得到不含期望信号且保留了干扰加和噪声的更新阵列信号,再次,使用更新阵列信号计算干扰加噪声协方差矩阵,最后计算得到加权矢量。理论分析给出了减除期望信号过程的原理和算法的复杂度,仿真结果表明,在16阵元情况下,所提算法的输出信干噪比(Signal to Interference plus Noise Ratio,SINR)性能比最优值低0.52 dB,因自由度损失造成的性能损失小于0.3 dB,综合性能优于其他对比的方法。     

关于东莞市工程建设项目"多测合一"的应用分析

文章对东莞市工程建设项目"多测合一"应用模式进行重点分析,通过与其他城市的工作成效进行对比,指出东莞市"多测合一"应用中存在的问题,并提出相应的针对性策略,以保证东莞市工程建设项目"多测合一"政策落实到位,发挥主体能动性,完善联合测绘市场管理机制,确保"多测合一"政策的相关测绘单位能够及时开展测绘工作.     

0–1膨胀几何分布的客观贝叶斯分析

在医疗卫生、金融证券等应用领域，经常会同时出现零观测值、一观测值较多的情况. 为更好地拟合这类数据，提出0–1膨胀几何分布模型并进行客观贝叶斯分析. 通过参数变换，得到Jeffreys先验和reference先验. 设计后验分布的抽样算法，设置不同的样本量和参数真值，采用数值模拟方法对不同客观先验下的估计效果进行评估.     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.