OFDM系统数据与训练序列的一种分离技术

在采用部分功率训练序列同步的OFDM系统中[1],训练序列会对OFDM承载用户数据的检测造成严重干扰.本文针对每个无线分组包中只有一个OFDM符号,即训练序列和用户数据同时在一个OFDM符号时间内发射,提出一种抑制训练序列干扰的方法,在接收机中分离训练序列、OFDM承载的用户数据.在室内多径衰落信道的条件下,本文分析和仿真了训练序列和OFDM承载用户数据的分离性能,结果表明,分析与仿真结果相近,分离效果明显.     

基于生物信息学特征的DNA序列数据压缩算法

本文通过将生物学特征和生物学含义引入DNA序列数据的压缩处理中,提出了基于生物信息学特征的BioLZMA压缩算法.在BioLZMA算法中,DNA序列根据组成部分生物学含义的不同切分重组为四个集合:编码序列CDS集合、内含子序列集合、RNA序列集合以及剩余序列的集合.根据各集合中序列的具体生物学特征分别使用针对性的压缩策略进行预处理,并通过LZMA算法进行压缩编码.实验结果表明,BioLZMA算法在基准测试序列上的压缩性能优于原有的DNA序列压缩方法.特别是对于生物信息学特征清晰的长序列,算法能够在较短的时间内获得较高的压缩率.     

0FDM系统数据与训练序列的一种分离技术

在采用部分功率训练序列同步的OFDM系统中，训练序列会对OFDM承载用户数据的检测造成严重干扰．本文针对每个无线分组包中只有一个OFDM符号，即训练序列和用户数据同时在一个OFDM符号时间内发射，提出一种抑制训练序列干扰的方法，在接收机中分离训练序列、OFDM承载的用户数据．在室内多径衰落信道的条件下，本文分析和仿真了训练序列和OFDM承载用户数据的分离性能，结果表明，分析与仿真结果相近，分离效果明显。     

OFDM系统的训练符号同步改进算法

OFDM系统的训练符号定时同步算法是一种传统的定时算法。它需要较大的采样数据,才能获得相对较好的性能,这样却延缓了OFDM系统的定时捕获时间,应用场合有一定的限制。针对训练符号算法的缺点提出了改进算法,它克服了训练符号算法需要大的采样数据的缺点,在小数目的采样数据时能够取得较好的性能,缩短定时捕获的时间。最后,通过计算机仿真可以看到改进算法的性能在不同信噪比条件下都要好于传统的定时算法。     

混沌时间序列降噪在数字通信中的一个应用

根据对非线性时间序列降噪的理论,本文采用Gradient Descent方法在CSK(Chaos shift Keying)系统的接收端对混沌时间序列进行降噪,获得一条比原来时间序列噪声更小的时间序列轨道,然后采用非相干检测技术对发射端传输的符号进行判断,理论分析和计算机仿真结果基本一致.     

基于OFDM信号的无线电定位系统研究

针对NLOS(非视距)环境下高精度定位,给出了基于OFDM(正交频分复用)信号的无线电定位方法,利用现有的并非专门为定位设计的无线电信号进行定位。建立了OFDM无线电定位模型,分析了OFDM信号结构,给出了基于TDOA(波达时间差)定位方法。采用特征相关法进行符号边界、采样序列和符号序列偏移计算,通过仿真验证了本文方法的有效性,尤其是均值特征相关法在信噪比为-5dB时也可获得精确的TDOA测量。     

面向数据挖掘的时间序列符号化方法研究

针对时间序列的数据挖掘首先需要将时间序列（Ｔｉｍｅ Ｓｅｒｉｅｓ）数据转换为离散的符号序列（Ｓｙｍｂｏｌ Ｓｅｑｕｅｎｃｅｓ）,本文提出了一个简单高效的时间我符号化方法,该方法的特点：一是利用线性化分段表示法所独有的形态分割与表达能力实现了时间序列的分段与表示：二是利用神经网络模糊聚类算法实现了时间序列的在线聚类。提出以矢量间开矿相似性度量作为聚类依据。并利用该方法实现了对金融领域时间序列数据的符     

TDS-OFDM系统的功率调整技术研究

针对频域双PN序列填充的TDS-OFDM系统,提出了通过调整训练序列与帧体数据功率比值来降低系统误符号率的方法,并通过调整两者的功率比值对系统在多径衰落信道下的误符号率性能进行仿真.仿真结果表明选择合适的功率比值会带来信噪比的增益.     

一种基于增量式时间序列和最佳任务调度的Web数据聚类算法

为了实现Web服务请求数据的快速聚类,并提高聚类的准确率,提出一种基于增量式时间序列和最佳任务调度的Web数据聚类算法。该算法进行了Web数据在时间序列上的聚类定义,并采用增量式时间序列聚类方法。先通过数据压缩形式降低Web数据的复杂性,再进行基于服务时间相似性的时间序列数据聚类;最后针对Web集群服务的最佳服务任务调度问题,通过以服务器执行能力为标准来分配服务任务。仿真实验结果表明,相比基于网格的高维数据层次聚类算法和基于增量学习的多目标模糊聚类算法,该文的算法在聚类时间、聚类精度、服务执行成功率、聚类失真度上均获得了更好的性能。     

一种基于数据辅助的OFDM系统符号同步算法

该文提出了一种改进的OFDM系统符号同步算法。在集相关法估计出FFT有效采样窗的基础上,加以数据的辅助,将恢复后的符号序列再次进行OFDM调制并与接收信号作相关,能够求出符号到达的准确时刻。这种基于数据辅助的方法提高了估计过程中的信噪比。仿真结果表明,该方法在多径衰落信道下能获得较好的定时同步性能。     

基于数据样本方差的正交频分复用水声通信多普勒频移估计方法

针对正交频分复用(OFDM)水声移动通信易受时变多普勒频移影响的缺点,该文提出一种基于数据样本方差的多普勒频移估计方法。利用前序符号的信道估计值恢复当前符号的有效数据序列及其频域分集副本,计算分集副本与数据序列的比值并搜索该比值序列在不同多普勒补偿因子下的方差,选取方差最小时对应的补偿因子作为多普勒频移估计值,利用稀疏贝叶斯学习和判决反馈信道估计算法获得修正后的信道频域响应并传递给后序符号,实现对多普勒频移的实时跟踪。数值仿真验证了该方法的可行性和优越性,海上试验证明,该方法实现了基于无人水下航行器的OFDM水声移动通信,能够对时变多普勒频移进行有效估计。     

基于形态的时间序列相似性度量研究

时间序列重新描述和相似性度量是时间序列数据挖掘的研究基础,对提高挖掘任务的效率和准确性至关重要。该文提出了一种新的基于形态的时间序列符号描述,并给出相应的距离公式,以度量时间序列的相似性。该方法直观简洁,对数据的平移、伸缩不敏感,能够反映序列趋势变化的程度、去除噪声的影响,满足时间多分辨率要求。仿真结果表明,该方法具有较好的聚类性能,可以在不同分辨率下有效度量时间序列的形态相似性。     

基于ARIMA模型的数据预处理技术研究

时间序列处理的精确性是影响现代工业控制系统发展的重要因素之一。数据预处理是时间序列处理的基础,它通过异常值辨识与修正、缺省值补充等工作,改进数据质量进一步的处理提供较为精确的目标数据和必要信息。由于工业生产过程中的时间序列多是非平稳序列,经典的平稳模型和回归分析不再适用。因此,本文通过建立ARIMA模型对时间序列进行预处理,并最终得到了较为精确的数据拟合信息。     

序列模式挖掘在视频分类中的应用

视频流的数据量大，又是一种非结构性的数据，因此视频分类一直是视频分析工作中的一个难点。本文采用视频分割技术，将视频分割成一系列的镜头，利用这些镜头在时间上的序列特征，使用序列模式对镜头序列进行分析，并提出一个基于序列模式挖掘的视频分类系统模型。该系统中主要利用cSPADE算法来实现对镜头序列的分类，以形成分类规则库，通过该规则库匹配待分类视频的镜头序列，从而实现视频的分类。     

基于多鉴别器生成对抗网络的时间序列生成模型

针对时间序列的隐私性和连续性导致时间序列数据集在收集过程中存在收集代价昂贵和数据缺失等问题,提出了一种基于循环神经网络的多鉴别器生成对抗网络模型,该模型能够利用小规模数据集合成得到与真实数据相似分布的时间序列数据集。多鉴别器包含时域、频域、时频域和自相关4种鉴别器,能够充分识别时间序列不同维度下的特征。在实验中,通过损失函数的收敛分析、主成分分析和误差分析,分别从定性和定量的角度对模型进行性能评估。结果表明,所提模型和其他参考模型相比具有更好的性能。     

点特征柔性物体三维运动恢复方法

为了使用两台标定的高速相机获取点特征柔性物体的三维运动轨迹,提出了一种实用的点特征柔性物体三维运动恢复方法,包括图像空间重建、时间序列重建等步骤。其中空间和时间序列重建是三维运动恢复的核心部分,在空间重建方面,使用椭圆拟合得到图像上点的坐标,并根据马氏距离寻找匹配点,然后利用三角测量法计算空间三维点;在时间序列重建方面,利用搜索方法匹配点前后图像坐标,从而实现运动过程的三维恢复。然后利用重建结果计算运动柔性物体的速度、加速度、曲率变化等重要参数。实验结果表明,该三维运动恢复方法提高了空间序列匹配的速度和准确度,有效地实现了时间序列的匹配,减少了整个重建过程的时间。通过对目标的重建,准确地获得了物体的三维运动数据。     

基于静电信号的人体步伐周期长程相关性研究

人的步伐信号包含着人体身体状态和健康状况等多种重要信息,因此受到越来越多的重视和研究.本文利用人体携带大量电荷这一特性,通过静电探测器对人体踏步过程中的步伐静电信号进行采集,研究人体步伐在时间尺度上的变化规律.论文提出一种自相关算法滤除信号中的噪声和干扰,通过相关系数确定步伐中的同相位点,从而获得精确步伐周期值.通过对步伐周期序列进行分解,得到步伐周期增量绝对值和变化符号两个序列,运用消除趋势波动分析对原始步伐周期序列及分解后的两个新序列进行分析,得到其长程相关性规律.通过对于实验所采集的多名测试对象的数据进行分析,发现对于所有被测人员,其步伐周期的增量绝对值序列均呈现出较强的持续正相关,而其周期变化符号呈现出明显的反相关特性.     

一种圆映射电路及其符号动力学研究

设计了一种基于累积-释放模型的圆映射电路,从理论上对该电路的圆映射迭代关系和符号动力学特性进行了分析.通过调整电路和阈值信号参数,能使其工作状态发生变化,可处于各种周期态、混沌态等.研究了利用简单的逻辑判断直接获取符号序列的方法,并用微处理器和简单的逻辑电路构建了符号序列采集系统.从获得符号序列可以比较方便地计算周期、转数等,区别是周期、准周期还是混沌运动,为进一步的研究和应用提供一种有效途径.     

基于流量时间序列的社交网络事件聚类分析

社交网络上用户发布的在线内容非常不稳定,用户对每个事件的关注度也随时变化。虽然每个事件的关注程度各不相同,但某些具有共同特征的事件会呈现出相似的流量模式,本文旨在根据社交网络事件的流量时间序列对事件进行聚类,找到事件的共性特征。首先,利用皮尔逊相关系数来确定各事件的主题标签;然后,利用各事件的主题标签获得每隔固定时间有关该事件的推文总量,即该事件的流量时间序列;最后,利用K-SC(K-Spectral Centroid)聚类算法对事件的流量时间序列进行聚类,并分析聚类结果中每一类事件的共性特征。利用推特上2020东京奥运会期间场地自行车比赛事件的推文数据,验证了本文方法对基于流量时间序列的社交网络事件进行聚类分析的有效性。     

基于嵌入式向量和循环神经网络的用户行为预测方法

为了进一步描述时间因素对用户行为的影响,进而提高推荐系统的推荐效果,综合考虑了用户的长期行为特征和短期行为特征提出一种基于嵌入式向量和循环神经网络的用户行为预测方法。依据推荐系统中的所有用户行为数据,将用户和商品嵌入到相同的特征空间,并通过嵌入式向量反应用户的长期行为特征。针对每个用户,依据其历史行为的时间序列,基于循环神经网络建立该用户的行为预测模型,从而描述该用户的短期行为特征。实验结果表明,提出的方法与特征级时间序列分析等方法相比具有更好的推荐效果。