最大稀疏稳健恒定束宽波束形成器设计

为了降低宽带阵列恒定束宽的实现复杂性,在分析宽带阵列稀疏性的基础上,构造了以阵元和抽头延迟线(TDL, tapped delay line)稀疏性的凸组合为目标函数,满足恒定束宽约束的波束形成器优化模型,降低了所需的阵元和TDL个数。引入重加权机制,通过序列凸优化,使稀疏性递增并收敛到最大值,证明了保证波束形成器稳健性的范数约束与最大TDL稀疏目标函数之间的等价性。仿真结果表明,可用较少的阵元及TDL个数获得相同的恒定束宽性能,具有工程实用价值。     

应用灰度直方图特征识别木材表面节子缺陷

木材表面节子是木材缺陷中非常重要的一类缺陷,也是评定木材外观等级、锯材和单板质量的重要指标。为了提高节子缺陷识别效率及准确性,并改善检测过程的自动化程度,对应用木材表面图像的灰度直方图统计特征进行节子缺陷识别进行研究。通过利用类间距离对7个统计特征的分类能力进行评价,从而确定出识别节子缺陷的最佳统计特征,即平滑度特征;同时提出一种自适应的最大类间方差聚类法进行分类阈值的确定,进而采用阈值判别实现节子缺陷识别。经在线检测实验证实,该方法的识别率高于99%。     

极化码序列连续删除译码算法的改进设计

极化码连续删除译码算法性能和传统的LDPC码存在一定差距。序列连续删除算法(SCL)的提出极大地改善译码性能,是极化码推向实际应用中的重要一步。但是该算法复杂度较高,延迟大。改进的序列连续删除(SCL)译码算法是基于改善极化码码长受限的情况,文中描述SCL算法是通过码树上的搜索序列路径来表示译码过程。改进的算法通过减少译码算法在码树上的序列路径来降低时间和空间复杂度。通过仿真表明,改进的算法有效地降低了译码的复杂度同时在性能上也接近最大似然(ML)译码算法。     

基于ML和ESPRIT方法的OFDMA上行链路频偏估计算法

由于载波频偏会给正交频分多址接入OFDMA系统带来子载波之间干扰,从而造成多用户之间的干扰,导致系统性能下降。该文提出一种基于ESPRIT和ML方法联合估计的频偏估计算法。该算法首先使用ESPRIT方法估计出多个可能的频偏构成的子集,然后使用最大似然估计方法在这个有限子集合中搜索出估计的频偏。该算法解决了使用似然估计进行多维搜索的问题,大大降低了算法的复杂度,同时解决了多个频偏估计的问题。     

GSM系统中TCH自适应均衡解调算法的研究

针对移动信道多径效应造成的严重的符号间干扰（ISI）问题，研究了基于最大似然序列估计（MLSE）的GSM系统中TCH自适应均衡解调算法，并对这种自适应均衡解调算法在Jake移动信道模型环境下的性能进行了分析和计算机仿真，仿真结果表明，该自适应均衡解调算法能够很好地克服符号间干扰（ISI）问题，性能良好。     

一种针对频率选择性MIMO信道的新型空时分层迭代检测算法

本文针对FS-BLAST算法中的误码扩散问题提出了一种新的分层迭代方法：部分最大似然分层迭代（MLIC）算法。FS-BLAST由于采用了干扰对消的方案,不可避免的产生了误码扩散问题。在本文中,提出了一种新的部分最大似然分层迭代方案,它在分层迭代算法中引入最大似然的概念,是最大似然检测和分层迭代算法的折衷。从实验仿真中,可以看出,这种改进的算法比传统的FS-BLAST和已有的迭代算法具有更好的系统性能。     

功率增益截止频率为183GHz的In0.53Ga0.47As/In0.52Al0.48As HEMTs

通过合理的外延层材料结构设计和改进的器件制备工艺,制备出功率增益截止频率(fmax)为183GHz的晶格匹配InP基In0.53Ga0.47As-In0.52Al0.48As HEMT.该fmax为国内HEMT器件最高值.还报道了器件的结构、制备工艺以及器件的直流和高频特性.     

基于FPGA的光伏电池板最大功率跟踪

在光伏电池板的最大功率跟踪方法中,扰动观察法是最易于实现的方法,但要快速、准确地跟踪,效率不高,而采用从最大功率点附近开始跟踪的模糊控制步长扰动方法就可以改善这种情况。由于现场可编程门阵列具有成本低、设计灵活的特点,以Cyclone II系列的EP2C8Q208C8N控制芯片为核心,采用先按照要求整体设计控制系统框架,再将其分成各个小部分逐个实现它们的功能,最后连接所有经过验证的部分作为整体仿真验证输出结果的思路,可以实现对最大功率快速、有效的跟踪。     

基于隐变量贝叶斯模型的稀疏信号恢复

该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。