DSP完成的实时信号模拟器

基于DSP设计了一种可编程实时信号模拟器。该模拟器包括USB、模拟、数字、用户自定义接口。其中USB接口可以方便地和PC机进行通信,模拟、数字和用户接口输出模拟器产生的模拟和数字信号。DSP是模拟器的核心器件,对数据进行处理,和各部分的管理。FPGA完成DAC等器件的时序及接口控制等。本模拟器提供在线升级功能,用户经USB接口可对板上的FPGA和DSP程序进行升级。另外,FPGA编程可产生用户需要的各种接口信号。这样便于和其他模块进行连接,扩大了适用范围。DSP编程可以产生用户需要的波形。该模拟器在数据通信系统等领域,具有一定的实用意义。     

小小区网络中基于本地存储协作传输策略的增益

网络的密集化是满足未来移动通信系统高吞吐量需求的有效手段,但当业务负载高时其吞吐量受到小区间干扰的严重制约。在基站端存储流行文件可以降低回传链路的成本和文件的下载时间,也为无需高容量回传链路进行基站协作提供了可能。本文分析了在小基站部署存储器后基站协作所能带来的吞吐量增益,推导了基于存储的基站协作策略的平均吞吐量,并与无干扰管理的基准小小区网络的吞吐量进行比较。分析和仿真结果表明,本地存储带来的性能增益在网络负载较高时和文件请求分布集中时非常明显。      

亲水改性ZIF-8对聚酰胺纳滤膜性能的影响

为提高沸石咪唑酯骨架(ZIF-8)的水相分散性,以聚苯乙烯磺酸钠(PSS)对其改性处理,并将改性后的ZIF-8添加至含哌嗪的水溶液中,与正己烷中均苯三甲酰氯发生界面聚合反应,得到聚酰胺纳滤膜;对改性前后的纳米颗粒和纳滤膜进行TEM、SEM和红外光谱以及膜渗透性能的测试.结果表明:经PSS改性后,ZIF-8亲水性显著提高...     

在线社交网络文本内容对抗技术

在线社交网络内容对抗技术是人工智能领域与网络空间安全领域的一个新兴研究方向．它是指人们基于特定任务,在社交网络受众广泛、内容数量庞大、内容质量参差、内容真伪难辨的环境下,利用新兴的大数据驱动的人工智能方法,自动完成在线社交网络中针对特定主题与群体的对抗内容发现、生成与投送,进而实现社交平台异常信息的检测与反制,以达到维护网络空间安全的目的．虽然在线社交网络对抗技术属于一个新概念,鲜有相关工作,但是已有的机器学习方法可以被应用到该领域,通过特征提取、文本模式解析、文本内容编码与重建、目标优化等技术对社交文本大数据进行解析与内容表示,解决网络空间中的文本内容安全问题,实现对社交网络文本环境的净化．此外,在社交网络文本内容对抗的过程中,对抗双方的策略可作为反馈信息,使对抗模型不断进行更新和优化,最终达到完善模型的目的．基于以上攻防对抗思想,本文着重从文本内容生成与检测两方面对在线社交网络对抗进行阐述．首先,本文介绍了有关在线社交网络文本对抗技术的相关基础知识．其次,针对社交网络文本内容检测方法,本文从基于零次分类器的模型、基于机器特征的模型、基于预训练语言模型的方法、基于人机协作的模型、基于...     

多媒体CDMA蜂窝网络上行顽健功率控制算法

研究了同时承载带宽保障业务和尽力而为业务的多媒体CDMA蜂窝网络上行链路顽健功率控制问题.考虑业务突发性、链路增益估计误差以及小区间干扰等因素,通过推导中断概率提出了一种非线性迭代算法.在给定尽力而为业务数据率分配方案的情况下,该非线性迭代算法能够判断是否可以通过功率控制有效地保证带宽保障业务和尽力而为业务的服务质量.在此基础上,分别为支持离散数据率和连续数据率的两类多媒体CDMA蜂窝网络设计了相应的上行链路功率控制算法.最后,通过仿真验证了所提出非线性迭代算法的收敛性,并通过与一种次优功率控制算法进行比较说明了所提出功率控制算法的性能优势.     

一种MIMO-CDMA下行系统的部分正交训练序列结构及等效信道的估计方法

本文利用下行MIMO-CDMA系统中到达同一个用户端的所有用户经历的信道相同的特点,提出了一种部分正交的训练序列结构,给出了对信道响应和发射信号幅度分别进行估计的等效信道估计方法.仿真结果表明,采用本文提出的训练序列和等效信道估计方法在几乎不损失系统性能的前提下,能够有效地缩短MIMO-CDMA下行系统的训练序列长度.     

MIMO-OFDM系统中空载波对信道估计和系统性能的影响

本文分析了有空载波的OFDM系统利用信道响应长度信息进行时域滤波时信道估计算法的性能,推导了有信道估计误差时MIMO-OFDM系统BER的解析式,对具有不同训练序列结构的MIMO-OFDM系统通过数值方法分析了信道估计算法对其BER的影响.研究结果表明,在有空载波的单发单收(SISO)OFDM系统中,时域滤波信道估计算法不会影响BER性能;而在有空载波的MIMO-OFDM系统中,当采用某些训练序列结构时会严重影响BER.     

无线信道预测:联邦学习与集中式学习的通信开销

通过预测无线信道可以解决高速移动导致的信道过时问题、或利用预测资源分配提升无线系统的资源利用率和用户体验。尽管对机器学习进行离线训练的时间较长,但利用训练后得到的模型进行在线推断时计算复杂度低,有望解决信道预测这类对实时性要求高的无线任务。联邦学习可以充分利用移动设备采集的数据和计算资源,同时保护隐私敏感的用户数据。对于隐私不敏感的无线数据,应用联邦学习的主要动机之一是相对于需上传原始训练数据的集中式学习能降低通信开销。本文考虑平均信道、瞬时信道和未来接入小区这三个预测问题,对经过模型压缩后联邦学习的上行总数据量与集中式学习进行了比较。研究结果表明,对于所考虑的预测任务,即使经过了几千倍的压缩,联邦学习所需的上行数据量也不一定低于集中式学习,这意味着联邦学习的通信效率依然需要大幅度提高。      

基于FY-4A数据的青藏高原多时相云检测方法

基于我国新一代静止气象卫星FY-4A/AGRI的4 km分辨率全圆盘数据,利用其高时间分辨率、高光谱分辨率的特点,提出一种青藏高原地区多时相多通道阈值组合的云检测方法,并通过实际案例分析所提出的云检测方法有效可行。结果表明:对比中国国家气象中心云检测产品以及传统单时相云检测方法,多时相云检测方法,其准确率为94.4%,误检率为7.2%,漏检率为5.6%,均优于其他两种方法,体现了多时相检测的优越性;云相态检测中,分别使用GPM降水资料以及CALIPSO卫星云相态观测结果对检测结果进行精度评价,其中冰云分布与GPM实测降水分布相似度达到了0.883,云相态整体检测结果与CALIPSO实际观测的云相态也较吻合,进一步验证了云相态检测的合理性,这也是对青藏高原地区进行降水监测的一种辅助手段。     

基于全注意力机制的多步网络流量预测

预测资源分配能有效利用无线网络的剩余资源服务非实时业务,其中的关键问题之一是剩余资源的预测,可转化为实时业务流量预测问题。本文把面向自然语言处理提出的全注意力机制引入到时间序列预测问题中,预测未来分钟级时间窗内秒级的流量,通过在每秒记录的实测流量数据集上进行训练和测试,与其他基于循环神经网络和线性、非线性预测模型的方法在复杂度（由训练和测试时间衡量）、预测精度（由平均相对百分比误差衡量）和预测误差统计特性（由预测误差的均值和标准差衡量）等方面进行比较。研究结果表明,与无注意力机制的循环神经网络相比,所设计的基于全注意力机制的方法计算复杂度低,由于多步预测的累积误差,在预测精度方面增益不明显。