基于低分辨率模数转换的全双工大规模MIMO中继系统频谱效率分析

为了降低由于大规模基站天线阵列模数转换(analog-to-digital converters, ADCs)所造成的巨大硬件损耗,同时有效地提高系统的能量和频谱效率,基于迫零传输/迫零接收(zero-forcing transmitting/ zero-forcing receiving, ZFT/ZFR)预处理方案,文章提出了低分辨率模数转换的多用户全双工大规模多入多出(massive multiple-input multiple-output, massive MIMO)中继系统,基站采用放大转发(amplify-and-forward, AF)协议,并对系统频谱效率进行了分析。文章首先获得了任一用户对频谱效率的闭式表达式,然后分别对三种不同功率缩放方案下系统的频谱效率进行了渐近分析。研究结果表明,当基站天线数量足够大时,三种不同的功率缩放方案对系统的环路干扰和量化误差有不同的影响,且当信源功率固定、基站的传输功率与发送天线数量成反比时,系统能够有效地抑制系统的环路干扰和量化误差,这对低分辨率全双工massive MIMO 中继系统的部署具有一定的指导意义。      

分块CS-LBP和加权PCA的低分辨率人脸识别

针对局部二值模式(LBP)特征在低分辨率的人脸图 像上识别率较低的问题,提出了一种基于分块中心对称局部二值模式(CS-LBP,center symmetric local binary pattern)和加权主成分分析(PCA)算法的低分辨率人脸识别算法。 首先利用分块CS-LBP算子提取低分辨率人脸图像的特征;然后利用加权PCA算子对特 征进行降维, 从而得到更强的分类特征;最后利用最近邻分类器选出人脸最优分类类别并计算识别率。在 ORL人脸库上的实验表明,在人脸图像分辨率下降到(12×10)时,本 文算法的识别率仍能达 到85.00%,基本满足了实际运用中对识别率的要求,并且降低了运算 时间。     

浅析低分辨率雷达目标识别的可行性

简要介绍了雷达目标识别的发展状况,重点分析了低分辨率雷达进行目标识别的难点以及在低分辨率雷达上实现目标识别的技术途径,并提出了对当前低分辨率雷达目标识别发展的建议。     

图像放大方法概述

在影视制作领域,往往会涉及到将低分辨率的图像放大为高分辨率的图像的问题,有时候还会涉及到非正方形像素到正方形像素的调整问题。本章将在图像放大算法,像素宽高比调整方法以及图像序列放大批处理技术等三方面的问题与读者进行探讨。     

基于改进Gabor特征幻影的低分辨率人脸识别

在传统的人脸识别系统中,分辨率是影响人脸识别率的重要因素之一。在Gabor特征幻影的低分辨率人脸识别的基础之上,提出了相关改进算法。根据高低分辨率之间的流形结构,采用局部线性嵌入(LLE)构造高分辨率的Gabor特征;将高低分辨率的Gabor特征映射到随机典型相关分析中进一步揭示非线性关系。在YALE和ORL上的实验结果表明,改进后的算法对比原Gabor特征的幻影算法,识别率得到了一定的提升。     

固定翼飞机和直升机的分类方法研究

雷达自动目标识别是当前雷达信号处理领域的研究重点 ,而目标识别的第一步往往是将目标进行分类 ,然后再进行进一步的识别。文中研究了基于低分辨率雷达的固定翼飞机和直升机的分类问题。在分析两类飞机时域、频域特性的基础上给出了两种特征提取方法 ,利用支持矢量机进行了识别实验 ,结果表明所提出的方法是可行的。     

红外热成像中低分辨率行人小目标检测方法

红外热成像图像的目标检测中,针对低分辨率小目标检测效果差、复杂尺度目标检测率低等问题,提出一种基于改进YOLOv5的红外低分辨率目标检测算法。选用LLVIP红外数据集,通过引入不同注意力机制来对比检测效果。选用效果最佳的注意力机制,改进目标检测网络的损失函数提高对小目标的检测率。利用TiX650热成像仪采集小目标图像样本对原数据集进行优化采样和增广,分别使用改进前后的YOLOv5网络进行训练。从模型训练结果和目标检测结果评估模型的性能提升,实验结果表明:相较于原始训练模型,改进后YOLOv5的训练模型,在红外成像的同一场景中对低分辨率小目标的检测精度上有明显提升,且漏检率低。     

量子点摄像头的手机

一直以来，手机摄像头拍摄的照片因为颗粒感强，分辨率低而饱受诟病。其中一个原因是手机通常都使用低分辨率、聚光能力低下的廉价镜片。但是另外一个重要因素，是其光传感器：一个含有光感探测器的硅芯片。由于手机体积的限制，致使这类芯片在捕捉光线的能力上大打折扣。     

基于ATJ2085的LRADC按键电路设计

通过珠海炬力集成电路有限公司研发的音频解码芯片ATJ2085提供的11位SARADC来设计线控键盘电路。通过软、硬件协同设计来完成LRADC按键功能,硬件利用分压电阻网进行设计,软件在满足按键基本要求情况下针对外部干扰作了相应的改进设计。     

低分辨率模糊车辆的人工智能识别研究

伴随着我国经济的飞速迅猛发展,国内各种汽车的数量增长飞快,道路交通治理将面临严峻的挑战。采用人工智能应对交通拥挤等各种状况是当前研究的热点。根据人工智能中经典的卷积神经网络,对远距离的低分辨率模糊车辆进行训练学习,提取图像的特点,得到图像分层的特征值。进一步采用区域卷积神经网络,从待识别的图片中定位识别出来车辆,实验结果表明识别准确率可以达到99%以上。该识别技术给智能交通系统提供了便捷的方案。