排序方式: 共有15条查询结果,搜索用时 15 毫秒
1.
2.
针对毫米波大规模多输入多输出(MIMO)通信系统中存在的硬件成本高、能耗大等问题,混合模拟-数字的收发机架构是一个很有前景的解决方案,然而系统的信道估计问题却成为一个挑战。在考虑正交频分复用和频率选择性衰落信道模型的前提下,提出了一种使用贝叶斯压缩感知理论来估计信道的方法。贝叶斯压缩感知算法可以在稀疏信道先验知识不完备的情况下,实现更高精度的信道估计。仿真结果验证了所提方法的有效性,与正交匹配追踪算法相比,在信噪比为30dB时,归一化均方误差降低了约25dB。 相似文献
3.
针对大部分基于深度学习(Deep Learning,DL)的信道估计算法估计高维信号时出现的训练开销过大、泛化能力差等问题,提出了一种不需要训练的基于深度学习的高维信号信道估计算法,即UTCENet(Untrained Channel Estimation Network)。在UTCENet中,信道信息上的复杂分布转换为模型参数上的简单分布,即通过神经网络参数化来获得隐式先验知识并将其应用于信道估计。虽然该算法不需要任何训练,但保证了估计的性能,其原因在于专门设计的网络模型可以有效利用时频网格中元素的相关性。仿真结果表明,与传统方法以及现有的深度学习方法相比,所提出的算法在归一化均方误差和误码率方面性能提升明显。 相似文献
4.
为了解决低光照条件下拍摄造成的对比度过低、颜色失真等多种图像内容退化问题,提出了一种结合空间注意力机制与多尺度分辨率融合的图像增强方法。首先基于Retinex理论,利用带有空间注意力机制的分解网络将低光照图像分解为光照图与反射图,并且在光照图中,采用伽玛校正对光照图拉伸光照对比度。然后在融合网络中,将校正过的光照图与反射图通过U-net网络,使高、低分辨率的特征图充分融合来生成最终的色泽度饱满、细节信息丰富的结果。提出的算法在LOL-dataset数据集的结构相似度指标为0.803 2,比同类最优算法高出6.37%。 相似文献
5.
在传统的氢氧化钾/水/乙醇制绒体系中添加酸类(酒石酸,硼酸)、表面活性剂(甲基纤维素、十二烷基磺酸钠、聚乙二醇PEG400)等添加剂,研究了添加剂含量对制绒面形貌和反射率的影响。研究表明,制绒液中酒石酸质量浓度为400×10-6时制绒效果最好,硅片反射率降低到原始硅片的55.48%;混合添加100×10-6酒石酸、200×10-6硼酸的制绒效果更加明显,反射率达到原始硅片的40.81%。而在酒石酸/硼酸混合体系中添加质量分数为0.2%的表面活性剂PEG400时制绒效果较好,硅片反射率降低为原始硅片反射率的40.45%。 相似文献
6.
毫米波通信中大规模多输入多输出(MIMO)系统的实现需要使用大量射频链,导致了系统硬件成本和能耗过高的问题。为了解决这一问题,考虑利用透镜天线阵列基于方向的能量聚焦特性并结合天线选择技术能够在性能损失不明显的同时有效地减少射频链的使用数量。针对具有透镜天线阵列的多用户MIMO系统,提出了一种基于卷积神经网络(CNN)的天线选择算法,将信道状态信息和以信道容量为指标而制作的标签作为网络的输入,对神经网络进行训练,用训练好的网络模型为新的信道状态信息选择出最优的天线组合。仿真结果表明,所提方案获得的和速率性能接近全数字方案,并且所提天线选择算法的分类准确率可以达到98%左右,优于其他基于机器学习的天线选择算法。 相似文献
7.
8.
针对高动态范围红外图像在压缩显示过程中容易出现对比度低、细节模糊,以及传统增强算法在处理连续多帧的红外图像时亮度跳变的问题,提出了一种基于改进引导滤波分层技术的红外图像增强算法。该算法使用改进引导滤波对图像进行分层,从而得到质量更高的原始细节层,并使用噪声掩膜技术对其去噪;基础层使用改进的直方图均衡算法提升对比度;增强后的基础层与细节层加权融合,再通过基于神经网络的自适应伽马校正得到亮度恒定的增强图像。实验表明,相较对比算法,该算法在平均梯度上提升了2.8左右、在对比度增强测量指标上提升了10左右,同时使帧间亮度方差下降到了0.1,说明该算法具有较好的细节增强效果和亮度稳定性。 相似文献
9.
硒是人体必需的微量元素。硒缺乏会导致人体易衰老、免疫力下降,并引起癌症、高血压、肝硬化等多种疾病。因此,适当补硒有利于健康。日常食用天然食品原料,并不能达到人体每天所需要的硒摄入量,可能导致硒缺乏。利用硒强化技术开发富硒食品原料,并在此基础上研发各种富硒功能食品,将成为满足我国居民硒需求的重要举措。 相似文献
10.
在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM) 系统中由于快衰落导致信道特征不连续,常规的信道插值方法无法准确反应导频与整个信道之间的关联性。针对这一问题,提出了一种基于宽深超分辨率(Wide Deep Super-resolution,WDSR)网络的信道估计方法,把导频值通过最小二乘估计(Least Squares,LS)初步插值,再通过WDSR网络再次放大重构整个信道的响应。将信道估计插值上采样替换成初步插值和图像超分辨率上采样两步。仿真结果表明,与超分辨率卷积神经网络(Super-resolution Convolutional Neural Network,SRCNN)信道估计算法相比,在不同种类的信道以及导频数下WDSR信道估计方法均方误差性能提升约4.6 dB。 相似文献