高误码率下基于随机抽取的LDPC码校验矩阵重建

为改善高误码率下LDPC码稀疏校验矩阵重建算法的性能，提出了接收码字个数充足和不充足条件下容错能力较强的校验矩阵开集识别算法。首先，通过多次随机抽取码字的部分比特构建新的码字空间，在较低维度下利用高斯消元法求解对偶向量并还原出校验向量；其次，利用该校验向量，采用“剔除错误码字”或“翻转最低不可靠位”的方法不断提高接收数据内无误码码组的比例进行迭代处理。仿真结果表明，所提算法在不同误码率、不同码长、不同码率、不同码字个数下均优于对比算法。对于IEEE 802.11n协议下的(648,324)LDPC码，当接收码字个数充足时，所提算法在误码率为0.003的条件下，其校验矩阵重建率能达到95%以上；当接收码字个数不足（码字个数为450）时，所提算法在误码率为0.001 5的条件下，其校验矩阵重建率能达到90%以上。     

基于空间加权对数似然比相关滤波与Deep Snake的目标轮廓跟踪

近年来，目标跟踪中目标的状态表示已由粗糙的矩形框转化为精细的目标掩膜.然而，现有方法利用区域分割得到目标掩膜，速度慢并且掩膜精度受限于目标跟踪框.针对以上问题，本文提出基于空间加权对数似然比相关滤波与Deep Snake的目标轮廓跟踪方法 .该方法包括三个阶段：在第一阶段，利用提出的空间加权对数似然比相关滤波器估计目标的初始矩形框；在第二阶段，通过Deep Snake将初始矩形框变形为目标轮廓；在第三阶段，根据目标轮廓拟合出跟踪结果 .对提出的方法在OTB(Object Tracking Benchmark)-2015和VOT(Visual Object Tracking)-2018数据集上进行了实验验证，结果表明：与现有先进的目标跟踪方法相比，本文提出的跟踪方法具有较优的性能.     

基于单元筛选抑噪积累的扩展目标检测方法

能量积累检测是通过对各单元功率进行积累来检测扩展目标，由于目标散射点分布具有稀疏性，能量检测器会因为陷落损失影响检测性能。本文根据广义似然比理论，提出一种基于单元筛选抑噪积累的扩展目标检测方法，该方法在筛选高回波功率单元的同时，采用抑制噪声后的功率平方进行积累。通过飞机模型的暗室实测数据进行了实验验证，并在相同的筛选准则下分析了抑噪积累与功率积累的性能差异。实验结果表明：对于散射点稀疏分布的扩展目标，单元筛选抑噪积累检测器能有效提升目标的检测性能。     

具有4阶核矩阵极化码的构造和译码研究

极化码是一种理论上能够达到任意对称二进制离散无记忆信道(B-DMC)信道容量的新型信道编码技术.本研究介绍了信道极化的基本原理,并针对一般情况,以偏序法为例,详细阐述了具有4阶核矩阵的极化码构造原理,并采用串行相消译码器研究其译码过程.最后,对极化码潜在的研究方向和可能遇到的困难点进行了探讨.     

关于相依随机阵列的一类强偏差定理

随机变量序列的强偏差定理是经典概率论强大数定理的自然推广。引入渐近广义对数似然比概念作为任意相依随机阵列与行独立随机阵列之间偏差的随机性度量。采用随机变量的截尾技术，构造带一个参数且期望为 1 的似然比，然后借助 Borel-Cantelli 引理获得随机变量序列的几乎处处收敛性。在一类钟开莱型条件下，给出了任意相依随机阵列的部分和与随机变量关于参考测度的期望之间的偏差的上、下界，并且其上、下界是广义相对熵的函数。定理的证明过程没有用复杂的测度论理论，仅采用简单的纯分析方法。所得结果推广了已有的结论，使强极限定理的应用范围更加广泛。