一种基于压缩感知的信道缩短滤波器设计

鉴于使用信道缩短滤波器的系统的复杂度会随着滤波器中非零抽头的增加而快速增大, 运用盲自适应子空间追踪(Blind Adaptive Subspace Pursuit, BASP)算法设计了一种稀疏滤波器来减少非零抽头. 首先在最小均方误差(Minimum Mean Square Error, MMSE)准则下, 将信道缩短问题转化为稀疏滤波器的设计问题, 然后通过加入稀疏度盲估计过程, 使滤波器可以自适应地改变稀疏度, 最后在子空间追踪算法(Subspace Pursuit, SP)的框架下实现非零抽头不连续的稀疏滤波器设计. 仿真结果表明, 设计的稀疏滤波器有效地实现了信道缩短, 运用该滤波器的系统可在更低的复杂度下获得更高的精度.     

基于OMMP算法的多测量向量问题的重构

正交多匹配追踪算法(OMMP算法)是正交匹配追踪算法(OMP算法)的一种拓展,近年来受到很多相关研究人员的关注.不同于OMP算法,OMMP算法在每次迭代中识别多个指标.本文分析了在限制等距性(RIP)和多向量信噪比(MSNR)条件下,用于解决多测量向量问题的OMMP算法的鲁棒性.此外,在给出的限制等距常数(RIC)的条件下,用归纳假设的方法证明了当V=0以及整数N满足1≤N≤(m-1)/K时, OMMP算法可以准确恢复K-行稀疏矩阵X.     

基于压缩感知的无重构时频差提取技术

时频差提取是信号处理领域的研究热点,传统方法基于Nyquist采样信号,因此无法很好地解决算法运算量过大、耗时过长的问题。为此,提出一种基于压缩感知技术的时频差提取方法,不同于传统压缩感知技术,本方法省去了压缩感知中的信号重构,即给定一种改进型循环矩阵作为观测矩阵对信号进行压缩采样,并从压缩采样样本中直接提取时频差。实验结果表明,该算法的运算量较传统时频差提取算法有明显下降,并且其时频差提取正确率高于同类提取算法。     

基于无线Mesh网络的一种信道分配算法及路由协议

提出了在多信道环境下的无线Mesh网络中的一种混合型路由协议TOIRP(tree-based and on-de-mand integrated routing protocol)以及一种分布式的信道分配算法CLBCA(channel load based channel assign-ment).TOIRP协议采用HWMP(hybrid wireless mesh protocol)所提出的混合路由技术,将基于树的路由与传统的AODV(ad hoc on-demand distance vector)路由相结合,减少路由发现的时延,同时采用了一种新的路由判据CETTI(cumulative expected transmission time with interference).该路由判据充分考虑多信道的特性,设计了一种量化通信干扰的方法,将干扰分为外部数据流对路径的干扰以及路径内部数据流的干扰两个方面,并综合考虑了跳数、时延等因素,提高了网络的吞吐量.信道分配算法分为收发器与邻居节点绑定和收发器与信道绑定两个部分,将信道的负载作为选择信道的标准,避免了多信道中常见的信道依赖所造成的影响,并且提高了信道的利用率.模拟结果表明,采用新的路由判据后,网络的吞吐量最优情况下得到提升.     

基于小波变换网络的自监督单目深度与位姿估计

基于小波变换与运动恢复结构的自监督学习范式,将二维离散小波变换嵌入神经网络并实现梯度传播,提出了一种新的单目深度与位姿估计算法。传统的神经网络在降采样过程中会造成信息丢失,且丢失的信息在后续阶段无法复原,对于深度估计任务,结构信息的丢失会降低模型性能。本文使用二维离散小波变换层替代传统的降采样操作,更好地保留图像中的结构细节并避免噪声累积。在上采样解码深度图的阶段,采用小波逆变换层取代传统的插值上采样方法,更有效地恢复图像信息,得到更精确的深度图。提出的算法相比传统的神经网络对噪声更有鲁棒性。在KITTI数据集上进行实验,证明了所提出的算法在自监督单目深度与位姿估计任务中有优异的性能表现。     

基于贝叶斯网络的稀疏出租车GPS轨迹路径还原方法

为提高出租车GPS大数据的可用性, 提出一种基于贝叶斯网络研究稀疏出租车GPS轨迹路径还原的方法. 与传统仅基于时空变量的研究方法不同, 新算法同时考虑天气条件、驾驶员特性、车辆行驶特性与出租车的载客状态等因素来进行路径还原预测. 以宁波市体育中心周围的路网为例, 将出租车服务信息管理平台的GPS轨迹数据作为测试对象, 验证本文方法的适用性. 结果显示, 基于多因素的贝叶斯网络方法在还原精度方面(达到91.4%)优于Logit选择模型. 此外, 新算法尤其适用于出租车轨迹数据缺失率较高的场景, 比如缺失轨迹点跨度在5 min左右.     

雾计算网络中基于移动感知的任务卸载和资源分配

在雾计算网络中由于雾计算节点（fog computing node,FCN）有限的覆盖范围和用户的移动,导致用户很容易离开原雾节点的覆盖范围并产生任务执行结果的迁移,同时引起能量消耗和时间延迟,进而影响用户的收益。针对这些问题,在三层雾计算网络中,通过分析用户驻留时间来考虑用户的移动性;通过任务卸载、FCN的选择和计算资源分配进行联合优化减少任务迁移概率,进而降低系统开销,最大化用户的总收益。该最大化问题被分解为任务卸载和资源分配两部分进行求解。在任务卸载方面,提出了基于基尼系数的雾计算节点选择算法;在资源分配方面,提出了基于遗传算法的分布式资源分配算法。仿真实验结果表明,本文算法与其他算法相比能获得更多的用户总收益。