OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。     

RBF神经网络在深V型滑行艇阻力预报中的应用

基于SV、JYK系列滑行艇的阻力、浸湿面积、航行纵倾角试验数据,采用RBF神经网络建立了深V型滑行艇阻力预报数值图谱;针对艇艉底部横向斜升角变化的有限试验数据,提出了一种基于小样本试验数据的阻力修正方法。试验表明,该方法对深V型滑行艇(折角线长度与最大折角线宽度比在4~5.5,面积负荷系数在5.5~7,重心纵向相对位置在3%~9%,艉部艇底斜升角在5°~25°之间变化)阻力预报是可行的。在相同精度下,针对该文研究的问题,RBF神经网络所需时间少于BP神经网络。     

基于垂直线列阵的深海被动目标定深误差

首先研究了在深海环境下,采用三阵元垂直线列阵水声探测系统进行被动目标定深的基本原理。然后分别从随机误差、阵元配置偏差和相干多途水声信道干扰的角度,对被动目标定深的误差源进行了理论分析,并推导了相关公式。通过仿真实验,总结出各误差源对被动目标定深精度影响的规律,为进一步开展被动目标定深研究、提高被动目标定深精度奠定了基础。     

金字塔渐进融合低照度图像增强网络

针对现有低照度图像增强网络对不同尺度特征信息存在感知与表达能力不足的问题,提出金字塔渐进融合低照度图像增强网络模型。网络对图像进行多次下采样操作以组成特征金字塔,通过在特征金字塔的三个不同分支上加入跳跃连接,将不同尺度的特征图进行相互融合。通过精细恢复模块进一步提取精炼信息,将特征图恢复到正常的光照图像。结果表明,该网络模型不但能有效地提升低照度图像的整体亮度,而且能很好地保持图像中的细节信息和清晰的物体边缘轮廓,同时能够有效地抑制图像中的暗部噪声,使增强后的图像整体画面真实自然。     

专家系统与测试技术相结合的诊断维护系统

本文介绍的诊断维护系统ＩＴＭＤＭＳ将专家系统技术与传统的测试知识相结合。该系统包括两类知识：浅层知识和深层知识,知识用一阶谓词表示。推理过程分三步完成：（１）浅层推理;（２）深层推理;（３）浅层推理。知识维护手段使系统的知识在使用中不断完善。该系统的框架可适用于任意复杂的数字系统的诊断维护。     

模拟海深条件下提升阀流动特性的实验研究

水压传动技术应用于深海环境可以直接从海洋中吸水加压,高压水作功之后可以直接排入海洋,不需要水箱和回水管道,大大简化了系统,具有独特的优势。然而,在深海作业时,液压元件的工况同陆地相比有较大的差异,海深压力相当于在元件出口加了一个背压。文中用背压来模拟海水压力,对以水作介质时背压对提升阀口流量特性的影响进行了实验研究。研究结果表明,背压使得流量饱和更容易发生;有背压时的流量系数比没有背压时的流量系数大;当阀芯和阀座有叠合时,背压对阀口流量特性的影响比阀芯和阀座没有叠合时的影响大。     

细致的描写 深刻的思想──“The Sampler”浅析

大学英语第一册里的“Ｔｈｅ Ｓａｍｐｌｅｒ”是一篇不可多得的佳作。它不仅胜在细致、准确、到位的描写,而且胜在其深刻的思想性。本文拟从语言因素分析其文体色彩,通过其揭示的社会问题即西方社会老年人的境遇来探讨其思想性。     

异步非平稳干扰抑制方法

为解决单通道条件下异步非平稳干扰抑制问题,提出基于数据驱动的稀疏分量分析干扰抑制方法,旨在从接收到的混叠信号中恢复期望信号。该方法利用深度卷积神经网络对输入/输出端数据间的复杂映射关系的强大建模能力,实现了目标信号稀疏域的自适应选择、稀疏域中目标信号稀疏表示的自适应学习以及目标信号的自动恢复。与以往干扰抑制算法不同,所提方法在时域上完成了“端到端”的信号波形恢复,且对混叠观测无先验要求,相比现有方法更具普适性。仿真实验验证了所提干扰抑制方法在不同环境噪声和干扰信号强度及泛化测试条件下的有效性,对干扰的抑制性能显著优于现有算法。     

基于粗糙集和支持向量机的火炮内膛疵病识别方法

火炮内膛疵病智能识别是火炮内膛窥测的最终目标,它涉及到内膛疵病的特征提取和疵病识别两方面。首先建立了包括疵病形状、纹理与颜色特征的火炮内膛疵病特征体系;并采用模糊粗糙集理论分析了各疵病特征对疵病识别的敏感性,由此优化了疵病特征体系,降低了疵病特征维数;建立了最小二乘支持向量机小样本、非线性数据特征的多疵病分类器,提高了疵病识别效率和质量。     

融合图嵌入的光滑主成分分析网络图像识别算法

主成分分析网络(principal component analysis network, PCANet)是一种简单的深度学习算法,在图像识别领域具有优秀的性能。将图嵌入思想融入PCANet,提出一种新的图像识别算法光滑主成分分析网络(Smooth-PCANet)。为了验证Smooth-PCANet算法的有效性,在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。