第三代移动通信中卷积码解码方法研究及应用

本文研究了移动通信系统中比较重要的一种前向纠错码--卷积码,并提出了采用FPGA实现卷积码解码的Viterbi算法实时实现,给出了硬件实现的逻辑框图,并提供了该实现在W-CDMA系统中的计算机性能仿真结果.     

CDMA系统中用ADSP2181实现卷积码解码研究

本文研究了移动通信系统中比较重要的一种前向纠错码一卷积码,提出了采用ＡＤＳＰ２１８１实现卷积码解码的Ｖｉｔｅｒｂｉ算法实时实现,并提供了该实现在基于ＩＳ－９５的窄带ＣＤＭＡ系统中的计算机性能仿真结果。     

一种卷积码维特比译码算法的软件实现

提出了数字通信系统中一种卷积码译码的软件实现方案,该方案应用软件技术实现了卷积码维特比译码器功能,在程序实现中充分利用了卷积码的特性,运用蝶形运算,周期性的回溯以得到译码输出。在程序设计上采用了一些宏定义等处理方法,可以提升运算速度,是一种软件方法的前向纠错编码技术。     

一种高误码(n,k,m)非系统卷积码盲识别算法

针对信息截获等领域中的卷积码盲识别问题,提出一种高误码 (n,k,m)非系统卷积码盲识别算法。首先建立可变的数据矩阵模型,对侦收到的数据进行相关预处理,以减小误码对识别的影响,提高算法的容错性能;再对预处理后的数据矩阵进行统计分析,识别出卷积码的各项参数,并提取各个数据矩阵的校验序列;进而利用校验序列构建线性方程组求解生成多项式矩阵组,通过设定筛选生成多项式矩阵的条件,筛选出非系统卷积码的生成多项式矩阵,最终完成对非系统卷积码的识别。仿真实验表明,该算法可以对高误码(n,k,m)非系统卷积码实现有效的盲识别。     

基于卷积码和软判决的图像水印盲检算法

根据水印系统与通信系统的相似性,借助通信中的卷积码和交织技术可提高盲水印算法的鲁棒性,在DCT域设计并实现了一种适合软判决检测的盲数字水印算法。实验结果表明,该算法对于常见的图像攻击具有很强的鲁棒性,卷积码能有效地提高水印的鲁棒性,同时软判决检测较硬判决检测能进一步提高水印的鲁棒性。     

卷积码的Viterbi高速译码方案

本文探讨了无线通信中广泛涉及的差错控制问题,介绍了卷积码的编译码原理.提出了一种卷积码编码,及其高速Viterbi译码的实现方案,对译码的各个组成部分作了分析,并在FPGA中实现了该译码方案.仿真结果表明,在纠正能力范围内,能够正确纠错并译码,且具有高速译码的优点,达到了预期的效果,该设计方案可以非常容易地应用到很多差错控制的通信系统中.     

卷积码用于井下漏泄移动通信系统的差错控制

针对井下漏泄移动通信系统中纠正数据传输混合差错的需要，构造了（２，１，７）卷积码，介绍了卷积码的编译原理、软件实现及交错技术。该纠错码方法具有实用价值。     

基于DSP的系统卷积码盲识别

研究了一种系统卷积码的盲识别算法,该算法通过建立数据矩阵,遍历所有可能的矩阵形式,分析矩阵秩特性的方法实现对信道盲参数识别,参数包括码长、码字起点、码率、校验多项式和生成多项式。并提出了将该算法移植到DSP芯片中,将软件仿真移植到硬件平台,在CCS软件中优化算法,完成对1/2码率的系统卷积码盲识别仿真。为实现快速算法,运用在实际工程提供支持。     

一种优化设计编织卷积码的新方法

编织卷积码是近年来出现的一种新型的高效纠错码。该文基于最大斜率(MaximumSlope)卷积码理论,提出了将具有最大斜率的卷积码作为编织卷积码成员码的一种优化设计新方法。系统仿真显示了该种方法在优化编码卷积码的编码器设计方面的显著成效,这对将该方法进一步应用于组合编码领域改善其纠错特性方面有着重要的理论价值。特别是,仿真时我们修改了BCJR译码算法,并增加了行式随机交织器。     

基于改进Walsh-Hadamard变换的删除卷积码盲解码算法*

针对高误码率情况下,删除卷积码的盲解码问题,提出了一种删除卷积码的盲解码算法。通过采用改进的沃尔什-哈达马变换(Walsh-Hadamard translate,WHT),识别出删除卷积码的高维校验矩阵;再基于源卷积码的生成矩阵与校验矩阵间的约束关系,求出了源卷积码的最佳生成多项式和删除模式,并提出了码字同步的方法,最终按识别出来的参数构建盲解码模型,实现了删除卷积码的盲解码。仿真结果表明,在误码率低于0.01的情况下,该算法的译码正确率能达到93%。     

LTE系统中咬尾卷积码的编译码算法

介绍了LTE系统中的咬尾卷积编码器,分析了该编码器的增益,在众多译码算法的基础上研究咬尾卷积码的几种译码算法,通过MATLAB对这几种译码算法在不同信道环境、不同长度数据块的情况下进行性能仿真,并对仿真结果进行分析。从性能和复杂度这两个角度考虑, 两步维特比算法较适合作为LTE通信系统中咬尾卷积码的译码方法。     

A New variant of the McEliece cryptosystem based on the Smith form of convolutional codes

In this article, the authors propose a new version of the McEliece cryptosystem based on the Smith form of convolutional codes. They use the Smith form to hide a part of the code in the public matrix, and they leave the other part secret. The secret part will then be used for decryption. They hide this part by multiplying it on the left by a random matrix, and they add a random matrix which has a few conditions. Their scheme has a small public key size compared to the original McEliece scheme and resists the unique decoding attack against convolutional structure presented at the conference PQCrypto 2013 by Landais and Tillich. Further, the exhaustive search attack is infeasible on their system.     

基于改进CNN的部队门禁系统

针对部队武器仓库等重要场所的门禁管理方式安全性较低等问题,设计了基于改进卷积神经网络的门禁系统.首先对卷积神经网络进行介绍,引入PSO算法设计优化的卷积神经网络的初始权值以及阈值.然后对手写数字数据集进行分类实验.实验结果证明,基于PSO算法的卷积神经网络改进方案能够使得训练过程收敛速度较快,损失较小,效果优于传统卷积神经网络.在此基础上,根据部队实际工作情况,将粒子群算法应用于MTCNN以及孪生Res Net算法,设计基于改进卷积神经网络的门禁系统,使得部队重要场所的门禁管理具有更高的安全性和可靠性.     

卷积神经网络SIP微系统实现

近年来,微电子技术进入到纳电子/集成微系统时代,SIP(System in Package)和SOC(System on Chip)是微系统实现的两种重要技术途径;基于神经网络的深度学习技术在图形图像、计算机视觉和目标识别等方面得以广泛应用.卷积神经网络的深度学习技术在嵌入式平台的小型化、微型化是一项重要研究领域.如何...     

视频拷贝检测方法综述

目前网络上存在着大量的拷贝视频,研究人员长期以来致力于视频拷贝检测技术的研究,特别是近年来随着深度学习方法的引入,又涌现出了一些新颖的检测算法.将对现有代表性的视频拷贝检测方法进行回顾与总结,涵盖视频拷贝检测系统的基本框架与各个主要步骤的不同实现方法,包含视频拷贝检测中的特征提取、建立索引、特征匹配与时间对齐等不同模块.总结的关键技术包括了最新的深度学习方法在其中的应用与取得的突破,主要体现在深度卷积神经网络和双胞胎卷积神经网络方法的应用.此外,还将详细介绍目前常用的5个用于视频拷贝检测评测的数据集及通用的评价标准,并讨论分析一些代表性方法的性能表现.最后,对视频拷贝检测技术未来发展趋势进行展望.     

Defending Against Child Death: Deep learning‐based diagnosis method for abnormal identification of fetus ultrasound Images

One of the most important industries which protect human from various diseases is the medical industry. Child death is a crucial concern that needs to concentrate on “save the children.” Abnormality of a child can be obtained by diagnosing the prenatal by ultrasound system within a specific period for providing better treatment to do “save the children.”. This article aimed to diagnose the (prenatal) ultrasound‐images by design and implement a novel framework named Defending Against Child Death (DACD). The existing method is a semiautomatic method where it used convolutional neural network (CNN) algorithm for classifying ultrasound images. Real‐time medical industry requires a fully automatic method for classifying the ultrasound images to save the human. Hence this article, includes deep learning by implementing five convolutional neural network architectures in an order where it learns, estimate, and confirms the fetus parameters. All the layers in the convolutional neural network extract and classify the different number of features in the ultrasound images automatically and provide a result. The increased number of hidden layers in the CNN can extract even the hidden features of the images. The extracted features are classified automatically and improve the accuracy of disease detection. To segment the fetus abdomen, U‐Net architecture is included in the CNN with Hough transformation. The experiment is carried out using the CNN toolbox in MATLAB and the outcomes are verified. The performance of the DACD is assessed by comparing the results with the earlier researches. From the experimental results, it is obtained that the accuracy of DACD is 99.7%, which is higher than the results obtained from the existing machine learning approach.     

一种基于增强图卷积神经网络的协同推荐模型

图卷积神经网络是一种针对图结构数据的深度学习模型,由于具有强大的特征提取和表示学习能力,它也成为当前推荐系统研究的热门方法.以推荐系统中的评分预测为研究对象,通过分析指出了现有的基于图卷积神经网络的推荐模型存在2个方面的不足：图卷积层仅仅利用了1阶协同信号和未考虑用户观点的差异.为此,提出一种端到端的、基于增强图卷积神经网络的协同推荐模型.它采用一种增强的图卷积层,不仅聚合了2阶协同信号而且融合用户观点的影响,从而更合理地利用协同信号学习实体节点的嵌入表示,并通过堆叠多个图卷积层对其进行精化;最后,采用了非线性的多层感知机实现评分预测.基于5种推荐数据集上的实验结果表明：新模型的预测误差相比于几种主流的推荐模型具有明显的降低.     

基于改进卷积神经网络的交通标志识别方法

针对传统卷积神经网络时间成本高的不足,对卷积神经网络进行了改进,减少其卷积核的数量,增加池化方式.为解决真实场景中自动驾驶系统和辅助驾驶系统中的道路交通标志识别问题,将改进的卷积神经网络运用到道路交通标志识别当中,以达到在较短时间内识别出交通标志的目的.以图形数据集GTRSB实景交通标志图像数据作为样本,用改进的卷积神经网络对实景交通标志进行识别,其识别总体准确率达到98.38%.实验结果表明,本方法可以在保持较高识别准确率的同时减少其识别的时间.     

Using convolutional features and a sparse autoencoder for land-use scene classification

In this article, we propose a novel approach based on convolutional features and sparse autoencoder (AE) for scene-level land-use (LU) classification. This approach starts by generating an initial feature representation of the scenes under analysis from a deep convolutional neural network (CNN) pre-learned on a large amount of labelled data from an auxiliary domain. Then these convolutional features are fed as input to a sparse AE for learning a new suitable representation in an unsupervised manner. After this pre-training phase, we propose two different scenarios for building the classification system. In the first scenario, we add a softmax layer on the top of the AE encoding layer and then fine-tune the resulting network in a supervised manner using the target training images available at hand. Then we classify the test images based on the posterior probabilities provided by the softmax layer. In the second scenario, we view the classification problem from a reconstruction perspective. To this end we train several class-specific AEs (i.e. one AE per class) and then classify the test images based on the reconstruction error. Experimental results conducted on the University of California (UC) Merced and Banja-Luka LU public data sets confirm the superiority of the proposed approach compared to state-of-the-art methods.     

基于卷积神经网络的飞机液压系统故障诊断

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。