一种简单的V-BLAST迭代算法

理论和实践研究表明贝尔实验室垂直分层空时码(V-BLAST)可显著提高多天线系统的传输容量.传统的V-BLAST译码算法是排序连续干扰抵消算法(OSIC),然而由于数据层间误码传播的影响,OSIC并不能有效地提高整个系统的分集增益.利用最近提出的迭代V-BLAST译码算法,低分集增益数据层通过高分集增益数据层的判决反馈来迭代检测,整个系统的性能得到提高.但这种算法的迭代次数高,迭代的次数与MIMO系统中发射天线的数量相等.为了减少系统实现的复杂性,提出了一种新的迭代的V-BLAST译码算法.仿真结果证明在对称系统中(接收天线和发射天线数相等),新算法与传统V-BLAST译码算法相比性能有了很大提高.     

图像的一维迭代加密-识别

图像加密传递是计算加密通讯中的一个重要研究分支 .图像的安全的传递研究具有重要的理论价值与应用价值 .提出图像的一维迭代加密 识别 ,给出迭代加密 识别算法与应用 .给出的研究具有良好的应用前景     

等波纹最小相位FIR数字滤波器的优化设计

本文提出了单通带零点最小相位FIR带通数字滤波器复共轭额外零点初值的确定方法。同时,为在微机上进行高阶最小相位FIR数字滤波器的设计,对零点迭代的算法——作了适当的修改,并用实例说明本文提出的设计方法的可行性。这种方法可用来设计高阶滤波器(如L=511)。     

考虑精细模型的电-气综合能源系统优化运行方法

随着电力系统与天然气系统耦合程度的不断加深,电-气综合能源系统的优化运行成为当下研究热点。然而,电力与天然气系统的非凸非线性为模型的优化求解带来了巨大挑战,诸多研究工作对模型做了简化处理可能导致调度策略不可行。为此,文中构建了电-气综合能源系统优化模型,采用较为精细的电网交流潮流模型和气网稳态模型构成电-气综合能源系统模型,并采用粒子群(Particle Swarm Optimization,PSO)算法进行求解。为考虑复杂的耦合系统约束,文中将基于分别循环迭代的电-气综合能源系统能量流计算方法嵌入粒子群算法中,根据粒子位置得到非平衡机组出力、非平衡气井产气量,通过能量流计算得到系统的运行状态,进而将上下限约束作为罚项添加到粒子的评价函数中,并赋以较高的权重。在仿真验证中,文中将13节点电力网络与7节点天然气网络耦合作为测试系统,验证了优化方法的有效性。     

基于时间序列迭代的输电线路覆冰厚度估计方法

冰灾严重影响输电线路的安全运行,会造成巨大的经济损失。当覆冰产生后,输电线路的弧垂最低点有可能产生位置变化,杆塔拉力传感器所承受的导线长度也会随之变化。文中提出一种基于时间序列迭代的输电线路覆冰厚度估计方法,通过多次迭代计算覆冰与线路等效厚度与密度,以减小弧垂最低点位置变化对覆冰厚度测量的影响。在承受导线长度持续增加、先增加后减少、持续减少、先减少后增加的4种仿真实验情景中,所提出的覆冰厚度估计方法的准确性及科学性均得到了验证。     

中压配电网可靠性评估的迭代算法

基于故障扩散法,提出中压配电网可靠性评估的迭代算法.故障扩散算法中存在大量冗余搜索,降低了计算速度.进行以下改进:提出开关分层概念.在故障枚举前预先形成关于断路器和隔离开关的开关分层.当前开关所关联的后向负荷等信息可由其下层开关的相关信息参与形成,从而节省后向搜索时间;通过判断故障处及其前向线路的开关安装情况,形成不同的故障模式,并给出不同故障模式下负荷分类的迭代方法,不仅避免了前向搜索开关,而且能充分利用已知的故障后果信息和开关分层信息,提高计算速度.将所提算法应用于RBTS-Bus6、RBTS-Bus2试验系统和实际工程系统的可靠性评估及以可靠性评估为基础的开关优化计算中,证明了其正确高效.     

提高前向神经网络泛化性能和实时性能的新算法

提出一种基于正则化最小二乘的前向神经网络快速学习的混合算法。该算法将正则化方法和基于单个权值的局部化快速算法的优势结合起来，并加入隐节点删除算法，极大地提高了前向网络的泛化性能和实时性能，学习收敛速度快，精度较高。仿真结果表明了该混合算法的有效性。     

氮化镓功率器件小信号模型参数提取算法研究

针对氮化镓高电子迁移率晶体管(GaN High Electron Mobility Transistor,GaN HEMT)小信号等效电路模型参数提取和优化过程中存在的误差累计问题,基于GaN HEMT 19元件小信号模型,提出了一种扫参与迭代相结合的参数提取算法.该算法在迭代过程中,每次使用比前一次更准确的元件值进行计算,可使结果趋向最优解.通过Mat-lab编程实现后计算结果表明,仿真与实测S参数在0.1～40 GHz频率范围内吻合良好.     

Image compressive sensing via hybrid regularization combining centralized group sparse representation and deep denoiser prior

To effectively solve the ill-posed image compressive sensing (CS) reconstruction problem, it is essential to properly exploit image prior knowledge. In this paper, we propose an efficient hybrid regularization approach for image CS reconstruction, which can simultaneously exploit both internal and external image priors in a unified framework. Specifically, a novel centralized group sparse representation (CGSR) model is designed to more effectively exploit internal image sparsity prior by suppressing the group sparse coding noise (GSCN), i.e., the difference between the group sparse coding coefficients of the observed image and those of the original image. Meanwhile, by taking advantage of the plug-and-play (PnP) image restoration framework, a state-of-the-art deep image denoiser is plugged into the optimization model of image CS reconstruction to implicitly exploit external deep denoiser prior. To make our hybrid internal and external image priors regularized image CS method (named as CGSR-D-CS) tractable and robust, an efficient algorithm based on the split Bregman iteration is developed to solve the optimization problem of CGSR-D-CS. Experimental results demonstrate that our CGSR-D-CS method outperforms some state-of-the-art image CS reconstruction methods (either model-based or deep learning-based methods) in terms of both objective quality and visual perception.     

基于CRC纠错与迭代干扰消除的星载AIS接收机

为了提升星载船舶自动识别系统( AIS)的卫星接收性能,提出了一种采用4 b循环冗余校验( CRC)纠错与迭代干扰消除算法的星载AIS接收方案。针对星载AIS系统中多路信号碰撞明显的情况,首先,通过分析星载AIS系统中CRC错误类型,采用比特反转的方式进行纠错;其次,对纠错后的序列进行AIS数据重构,采用迭代干扰消除方法消除重构信号,并将余下信号作为输入信号再次进入系统进行解调。仿真结果表明,和传统的CRC纠错系统相比,针对典型的两路信号碰撞情况,基于4 b CRC校验与迭代干扰消除的星载AIS系统能够带来1~2 dB的误码率增益,对星载AIS系统的性能提升有重要指导意义。