排序方式: 共有40条查询结果,搜索用时 8 毫秒
1.
本文提出了一种亲折DPSK信号的多码元差分检测方案,其复杂度随观察码元长度N仅呈线性上升,而Divsalar提出的最佳多码元差分检测实现复杂度随N呈指数上升^[1]。分析与模拟结果表明:两者性能相仿。 相似文献
2.
3.
为充分挖掘行人重识别特征,最近流行的PCB算法给出了一种特征均匀分块并通过RPP网络对齐特征的方法。PCB算法充分发挥了局部特征的作用,有效提高了行人重识别的准确率。为进一步提高行人重识别的性能,本文基于全局特征与局部特征对网络性能的影响差异提出了一种特征加权的PCB行人重识别算法。在典型的行人识别数据库Market1501、DukeMTMC-Reid上的实验结果表明:所提算法具有更好的首中准确率(Rank1)和平均准确率(mAP);相比与经典的PCB+RPP算法,所提算法在Market1501数据集上Rank1提高了0.8%,mAP提高了4.5%;在DukeMTMC-Reid数据集上Rank1提高了5.5%,mAP提高了约7%。 相似文献
4.
频率漂移下卷积编码DPSK信号的一种新的Viterbi算法 总被引:3,自引:2,他引:1
本文在文献[1]的基础上提出一种频率漂移下的Viterbi算法,研究表明该算法性能良好,高信噪比时甚至接近最佳解码性能. 相似文献
5.
6.
使用无线信道的物理层信息在无线设备间生成私密密钥用于确保移动环境的安全, 如今受到了广泛关注。然而在现实环境中,在多个设备之间生成群密钥以确保群安全通信的问题仍然存在挑战。针对无线网络星型拓扑结构,提出一种基于中心节点成对生成策略的群密钥产生方案。相比于文献中提出的利用群内节点间的接收信号强度差分实现提取群密钥的方案,详细分析了它们各自能实现的群密钥容量并给出了数值计算结果。分析表明,提出的基于成对生成策略的群密钥产生方法在密钥率方面优于文献中的差分提取方案。 相似文献
7.
数据集类别不平衡性是机器学习领域的常见问题,对迁移学习也不例外。本文针对迁移学习下数据集类别不平衡性的影响研究不足的问题,重点研究了以下几种不平衡性处理方法对迁移学习的影响效果分析:过采样、欠采样、加权随机采样、加权交叉熵损失函数、Focal Loss函数和基于元学习的L2RW(Learning to Reweight)算法。其中,前三种方法通过随机采样消除数据集的不平衡性,加权交叉熵损失函数和Focal Loss函数通过调整传统分类算法的损失函数以适应不平衡数据集的训练,L2RW算法则采用元学习机制动态调整样本权重以实现更好的泛化能力。大量实验结果表明,在上述各种不平衡性处理方法中,过采样处理和加权随机采样处理更适合迁移学习。 相似文献
8.
基于无线信道特征的密钥生成过程中,为了降低通信双方生成的密钥不一致率常采取的措施是密钥协商。通常的密钥协商过程是在BSC信道下进行密钥协商,但是协商的效率较低。为了提高密钥协商的效率,本文提出一种在等效信道下基于LDPC编译码的协议机制。在此协议机制中,无线信道下采用Mathur[1][2]等人提出的Level-Crossing算法(LCA)提取密钥的过程构成了本协议中的等效信道,该机制对LCA提取后的密钥协商信息进行建模,推导了等效信道的最佳似然比,并据此采用LDPC码简单的加权比特翻转等译码算法[3-5]来有效进行密钥协商。将等效信道下LDPC码加权比特译码算法用于协商过程的性能和BSC信道下协商后的性能进行仿真,在SNR大于6db的前提下,仿真结果表明:1)在相同低门限的条件下,和LCA算法生成的初始密钥相比较,利用LDPC码比特翻转译码等算法在等效信道下和在BSC信道下协商后的密钥不一致率比初始密钥不一致率降低1至2个数量级;2)在等效信道下利用简单加权比特翻转译码算法进行密钥协商后的密钥不一致率比BSC信道下协商后的密钥不一致率降低大约1个数量级。 相似文献
9.
设计多分支网络以提取分集特征已成为行人重识别领域的重要方向之一.由于单分支学习到的特征表达能力有限,所以文中提出基于多分支协作的行人重识别网络.在局部分支、全局分支、全局对比池化分支、关联分支这4个相互协作的分支上进行特征提取,获得强大的分集行人特征表达能力.文中网络可应用于不同的主干网络.实验中考虑OSNet、ResNet作为文中网络的主干网络进行验证.实验表明,文中网络在行人重识别数据集上均取得Start-of-the-art结果. 相似文献
10.
大规模无授权接入是海量物联网需要解决的瓶颈问题之一,技术上需要进行活跃用户检测以及相应的信号解调。目前,大部分方案都假设接入用户是时隙同步的。考虑异步无授权随机接入方案,由于缺乏严格的上行(Uplink, UL)定时控制过程,基站接收到的不同活跃用户的信号是异步的,但时间偏差控制在一定范围之内。针对异步无授权接入场景下的大规模机器通信中的活跃用户检测及信号恢复,提出一种低复杂度的贪婪算法。该算法首先对活跃用户中最强的用户及其延时进行估计,然后利用BCD算法进行信道估计和信号解调,在此基础上,在接收信号中消除当前已估计出的最强活跃用户的信号成分,从而算法转入下一个活跃用户的检测和信号解调。实验结果表明,所提出的异步贪婪算法在高信噪比下能有效逼近同步场景下的同类算法。 相似文献