一种基于高阶统计信息的信噪比估计改进算法

针对多进制正交幅度调制(Multiple quadrature amplitude modulation,MQAM)信号在低信噪比条件下估计精度不高的问题,提出了一种基于综合利用高阶统计信息的信噪比估计改进算法。根据所选高阶统计量最高阶数的不同,建立了3种信噪比与多种高阶统计量运算式之间的线性关系,利用全回归线性分析方法将3种线性关系转化为3种全回归模型,并求解模型系数。该算法充分利用了多种高阶统计量的有用信息,提高了信噪比估计精度。MQAM的仿真结果表明:在低信噪比条件下,该算法减小了信噪比估计误差,其估计性能明显优于传统的其他算法,且3种模型估计性能依次增加,可依据不同的信噪比要求对3种模型进行选取。     

一种频率估计的倍频等长信号加权融合算法

提出一种新型加权融合算法.首先,根据倍频等长信号间频率的倍数生成倍频修正矩阵,对倍频等长信号频谱进行同频化处理,使之达到同频等长信号频谱的分析效果.然后,针对倍频等长信号的相位不连续问题,设计具有相位连续特性和噪声对消特性的相位补偿矩阵,对同频化的倍频等长信号频谱进行加权融合,使之近似达到与倍频等长信号长度相同的相位连续信号频谱的分析效果.最后,通过谱峰搜索加权融合频谱获得高精度的频率估计值.算法分析与仿真实验表明:与现有方法相比,本算法精度较高,计算量较小,抗噪性强,普适性好.     

基于正则总体最小二乘准则的OFDM系统信道估计算法

基于导频的最小二乘(LS)估计方法的优点是结构简单,容易实现,但对噪声和干扰敏感。通过对OFDM系统中由于信道的时变性产生的载波间干扰进行了分析,在此基础上提出正则总体最小二乘(TLS)信道估计算法。根据Tikhonov正则化原理,导出了总体最小二乘正则化解法的计算公式。与一般的LS信道估计相比,TLS方法同时考虑了信道噪声和信道时变特性,所以该算法不仅在一般的信道条件下具有良好的性能而且也适合快变信道条件下的OFDM系统。仿真结果表明,该算法具有很好的均方误差和误比特率性能。     

基于信道估计的SC-FDMA自适应传输方案

由于SC-FDMA的峰均功率比（PAPR）比OFDMA低,因而被应用于3GPP LTE上行链路。论文分析了SC-FDMA传输系统的数学模型,介绍了基于导频的SC-FDMA系统最小二乘（LS）和线性最小均方误差（LMMSE）信道估计算法。在比较该系统集中式和分布式两种子载波映射方式在高低速不同移动环境下传输性能的基础上,提出了一种基于信道估计的SC-FDMA系统自适应传输方案。经仿真证实该方案比单纯采用一种子载波映射的方法性能更加优越,在相同的误码率情况下,能够节省大概3dB左右的信噪比。     

动态优化不等精度经纬仪交会方法

在多台不等精度经纬仪交会测量系统中,为提高数据的可靠性和精度,根据异面交会原理,提出空间定位精度及其误差的模型;提出采用定常异动算子算法和普通加权平均法相结合的处理方法;对该算法进行数学仿真,计算分别使用定常异动算子和普通加权平均法的交会角区间,并在实际任务中加以应用。试验结果表明,采用合理的算法对多台不等精度经纬仪进行交会测量,增加了测量基线数量从而提高了整体数据的稳定性,同时提高了测量精度。     

基于循环神经网络的散焦图像去模糊算法

近年来,基于深度学习的运动模糊去除算法得到了广泛关注,然而单幅散焦图像去模糊算法鲜有研究。为针对性地解决单幅图像的散焦模糊问题,提出一种基于循环神经网络的散焦图像去模糊算法。首先级联两个残差网络,分别完成散焦图估计和图像去模糊;随后,为了保证散焦图和清晰图像的深度特征可以更好地跨阶段传播以及阶段内相互作用,在残差网络中引入LSTM（long short-term memory）循环层;最后,整个残差网络进行了多次迭代,迭代过程中网络参数共享。为了训练网络,制作了一个合成散焦图像数据集,每一张散焦图像都包含对应的清晰图像和散焦图。实验结果表明,该算法相较于对比算法在主客观图像质量评价上均有显著优势,在复原结果中具有更锐利的边缘和清晰的细节。对于真实双像素图像散焦模糊数据集DPD,该算法相比DPDNet-Single在峰值信噪比（PSNR）和结构相似性（SSIM）上分别提高了0.77 dB、5.6%,因此所提方法可以有效处理真实场景散焦模糊。     

基于无监督深度图像生成的盲降噪模型

鉴于有监督神经网络降噪模型的数据依赖缺陷,提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先,利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中,所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次,选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数;再次,以loss最小化为优化目标,通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像;最后,当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程,从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比,UDIG降噪模型在降噪效果上具有显著优势。     

局部特征表征的6D位姿估计算法

为解决有纹理模型在遮挡条件下6D位姿估计精确度不高的问题,提出了一种局部特征表征的端到端6D位姿估计算法。首先为了得到准确的定位信息,提出了一个空间—坐标注意力机制（spatial and coordinate attention）,通过在YOLOv5网络中加入空间—坐标注意力机制和加权双向特征金字塔网络（bidirectional feature pyramid network）,YOLOv5-CBE算法的精确度（precision）、召回率（recall）、平均精度均值（mAP@0.5）分别提升了3.6%、2.8%、2.5%,局部特征中心点坐标误差最高提升了25%;然后用 YOLOv5-CBE算法检测局部特征关键点,结合3D Harris关键点通过奇异值分解法（singular value decomposition）计算模型的6D位姿,最高遮挡70%的情况下仍然可以保证二维重投影精度（2D reprojection accuracy）和ADD度量精度（ADD accuracy）在95%以上,具有较强的鲁棒性。     

基于线性回归的无线传感器网络链路质量估计方法研究

针对无线传感器网络链路质量估计模型中回归算法复杂度高、缺少统一分类标准和公开数据集等问题,提出了一种基于EWMA和线性回归的链路质量估计方法ELR-LQE。以物理层获取的RSSI、LQI和SNR,以及包接收率PRR作为度量参数,分别在多种实验环境中采用不同的发射功率、竞争条件和部署方式采集数据,建立了链路质量估计数据集。通过最小值填充和EWMA对数据进行预处理,明显提高了回归模型的输入特征与链路质量的相关性。与现有方法相比,提出方法易于和网络层协议适配,并且复杂度较低,适合在资源有限的无线传感器网络节点中实现。实验结果显示,ELR-LQE具有较高的精度,在多种实验条件下平均的ME为4.6×10-2,R2为0.99。     

一种低复杂度的鲁棒自适应波束形成算法

传统基于干扰噪声协方差矩阵（interference-plus-noise covariance matrix,INCM）重构的鲁棒自适应波束形成（robust adaptive beamformer,RAB）算法在多种样本数据协方差矩阵误差和信号导向向量误差的失配环境中具有较强的鲁棒性,但目前主流的INCM重构法都是对信号和干扰的导向向量通过建立凸优化模型来估计,这带来了很高的计算复杂度。为了解决这个问题,提出了一种低复杂度的基于INCM重构的RAB算法。该算法首先将干扰信号的导向向量分解为对应标称项和误差项的和,然后通过一种子空间方法估计得到误差项的单位向量。接下来对一个Capon空间谱功率最大问题进行求解,得到误差项的模值,以此得到重构的INCM。同时利用Capon空间谱中残差噪声的存在,使用交替投影法估计得到期望信号的导向向量,最后得到所提算法的权重向量。仿真实验表明所提算法在多种误差环境下具有较强鲁棒性的同时,还具有较低的计算复杂度。