一种基于循环谱的数字信号调制识别方法

文章基于循环平稳信号处理理论,利用数字通信信号的循环谱特征的不同提出四个特征参数,用于信号调制识别。提取的参数较少,计算量较高阶循环累积量小。给出了三类信号调制方式自动识别算法的实现流程,该识别算法以统计理论为基础,不要求实现载波同步。仿真结果表明,在信噪比RSN≥5 dB时,算法的平均识别成功率>96%。     

基于循环平稳特性的两步盲信号提取算法

盲提取算法作为信号处理和分析的重要手段,其利用信号的先验特性提取期望信号,从而降低算法计算量、节约系统资源。文章针对通信信号的盲提取问题,基于信号的循环平稳特性,提出了一种两步盲提取算法:第一步,利用信号的循环平稳先验特性粗提取信号;第二步利用信号的高阶统计特性精提取信号。理论分析与计算机仿真表明:与参考文献[5]中基于循环平稳特性的盲提取算法相比,提出算法具有更好的性能,平均信噪比可提高约10 dB。     

良性循环带来“热效应”——某预备役师用科学发展观指导基层建设

师被总部被为“全国民兵预备役政治工作先进单位”,连续3年被沈阳军区评为“正规化建设先进单位”,圆满完成实弹学习、抗洪抢剑等多项重大任务,有44个营、连和197名基层军官受到省军区以上表彰……记者在黑龙江某预备役师近期召开的基层建设经验交流会上了解到,近年来,该师委自觉树立和落实科学发展观,扎扎实实做好抓基层打基础的工作,促进了部队建设的健康发展。     

初三英语第7单元第26课的教学

说课是教师依据课程标准、教育教学理念,口头表达自己对教学内容、教学目标、教学重难点、教学方法、教学程序等进行创造性设计的一种教研形式。下面就是我对初三英语第7单元第26课《Theman who never gave up》一课的说课。这节课的具体指导思想是:讲述名人来引题,带着渴望去自习,采访活动添情趣,语言技能变交际。这节课的教学目标进一步分解为三个子目标即:知识目标、能力目标和情感目标。知识目标———①以课文素材为信息,灵活运用本课20个新生词。②用自己的语言叙述课文概要。能力目标———培养学生自主学习的阅读能力,进一步发展学…     

新课程理念下的情感教育

在传统的教育中,教师处于至高无上的权威地位,学生是无条件地接受着教师的一切灌输,师生之间是不平等的,但是新课程理念下的课堂教学却要求教师与学生共同处于课堂的双向互动的状态之中。这时,师生是平等的。我们要倡导和实践,“尊重的教育”这一教育理论,师生之间互相尊重,以诚相待,彼此交流情感,彼此感染,把教育变成平等的交往与对话,让传递情感信息的对话弥漫于师生之间,充盈于师生共渡的知识海洋中,课堂上充满了平等和谐与温馨的氛围,师生之间也充满了激情与欢悦。这样,不仅促进了师生间的情感交融,也使师生共同走进了为对方营造的“情…     

中文分词与命名实体识别的联合学习

将卷积结构引入循环神经网络,从而构建卷积循环神经网络。以此为基础,研究构建了面向中文分词与实体识别联合学习的序列标注模型。该模型依托卷积循环神经网络构建特征编码层,实现中文字序列局部空间特征和长距离时序依赖特征的联合提取;依托改进的循环神经网络构建标签解码层,实现标签序列长距离时序依赖的有效建模;依托统一的分词与实体识别序列标注模式实现分词信息与实体信息的联合学习,避免传统流水线法的误差传播问题。在人民日报语料和微软标注语料上的实验结果显示,该框架较传统统计模型和神经网络模型有显著的性能提升,尤其是在识别字数较多的命名实体时,其效果明显优于其他方法。     

低阶高精度单元的发展

综述了四节点等参单元存在的问题，以及提高其精度的途径，并对这些方法略做评述，且探讨了发展高精度单元的方法。     

功率循环下IGBT模块电热参数变化规律分析

为了分析IGBT模块老化过程中电热参数的变化规律,对IGBT模块进行了功率循环加速老化试验,并基于单脉冲测试方法在加速老化试验进程中每间隔1 000次功率循环,测取一次IGBT的结温、集电极电流与饱和压降三维关系曲面、开关能耗、热阻抗以及瞬态热阻抗曲线。IGBT模块老化失效时,其饱和压降、开通能耗、关断能耗以及热阻较其初始值分别增大了3.92%、12.05%、18.87%和22.65%,试验结果表明随着IGBT模块功率循环次数的增多,相同工作条件下IGBT饱和压降的增幅逐渐加大,而饱和压降、结温和集电极电流三者间的内在关系没有明显变化;IGBT瞬态热阻抗曲线暂态部分几乎不变,稳态部分向上移动的幅度逐渐加大;测取的IGBT模块电热参数中饱和压降增幅最小,开关能耗增幅较大,模块热阻的增幅最为明显。     

一种循环队列的判定定理

首尾相接的循环队列是一种动态的数据结构。本文给出了在并发进程环境下,使用循环队列的判定定理,本定理已在银河机软件实现中得到应用。     

基于深度学习多网络融合的网联车辆驾驶行为预测

智能网联车在复杂道路场景中安全行驶需要对周围车辆驾驶意图和行驶轨迹的准确预测。将双向长短期记忆网络(Bi-directional Long Short-Term Memory)、卷积生成对抗网络(Deep Convolutional Generative Adversarial)和注意力机制(Attention Mechanism)相融合,提出一种基于BLSTM-DCG-ATT的网联车辆驾驶意图和行为预测模型。通过正反双向LSTM链路和注意力机制得到具有双重特征的数据,通过卷积生成对抗网络对特征数据进行卷积处理,迭代生成网联车辆及周围车辆的未来时刻变道意图和行驶信息。仿真结果表明：该模型能够在复杂路网、交通流密集的情况下,对网联车辆及其周围车辆的变道意图和行驶轨迹进行准确预测,预测精度达94%。