一种咬尾卷积译码的修正算法

在LTE系统中,物理广播信道和物理下行控制信道均采用了咬尾卷积编码,咬尾卷积编码拥有很多优良的性能.针对咬尾卷积译码,提出了一种基于Viterbi译码的修正算法——正逆序结合译码算法,根据分支度量确定误码在数据帧的分布,最后确定采用正序还是逆序译码结果.仿真结果表明,Viterbi的修正方法有效地降低了系统误码率,而且具有普适性,适合应用于LTE系统.     

循环码的周期分布的新的计算公式

本文在［１］文的基础上进一步分析了循环码的周期分布的性质，给出了新的计算方法和公式，并且确定了一些熟知的循环码的周期分布。     

重量分布式约束的LDPC码性能研究

本文对"重量分布式约束的码集合内码性能"这一命题进行了初步研究,分别得到了码集合性能的上限和下限,本文给出了性能下限码的Fill-Shift构造方法,而且由LDPC码校验矩阵不变性可以对LDPC码的校验矩阵作必要的初等变换,这样可以在保持码性能不变的前提下降低编码复杂度和实现系统编码;此外,还可以利用该性质加强对重要信息符号的差错保护.     

一种高效的编码辅助相位估计算法

在低信噪比通信环境中同步困难是任何编码系统必须解决的问题.对此,提出了基于软信息的编码辅助的迭代相位估计算法.该法采用载波相位同步、解调和译码联合处理的思想,将译码器输出的码比特的可靠量度直接反馈回估计单元以提高同步的准确度.考虑到现行系统中多采用非系统卷积码,文中利用对数似然代数原理,得到了适用于非系统码进行迭代的软输出维特比译码算法,有效降低了计算复杂度.仿真结果表明,该法仅需5次迭代,信噪比为3 dB的情况下,系统误比特率可达到10-6.     

用于图像传输的改进的LDPC码译码算法

为了改善改进的加权比特翻转(IWBF)算法的误比特率性能以及译码收敛速度,结合并行比特翻转算法的特性,提出了在IWBF算法的每次迭代中一次更新多个比特的标准,并将这种算法应用于图像传输中。仿真结果表明,改进的算法不但误码性能优于IWBF算法约0.5 dB,性能明显改善,译码收敛速度也大大提高,并能实现图像的快速高质量传输。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

基于后验概率的伪码预测研究

卫星通信对抗是电子对抗的一个重要领域,由于卫星链路一般采用扩频技术,传统的干扰方法难以奏效。通过分析伪随机序列的伪随机性,提出了基于后验概率的伪码预测方法。该方法可以根据接收到的伪码计算其后验概率,并以此来预测随后的伪码序列。仿真结果表明,该方法对短码有较好的预测效果。最后,给出了预测方法在瞄准式干扰中的具体应用。     

LT码的增强型BP译码算法

传统的LT码采用的BP译码算法,当不存在度1编码分组时会导致BP译码算法失败,不能继续译码.为了提高译码的成功率,分析了剩余编码分组的结构,提出LT码的再次译码算法(Again Belief Propagation decoding algorithm,ABP).算法主要思想是BP译码失败后,查找满足条件的可译结构,继续译码,直到译码成功或再次失败,如果失败重复上面步骤直到译码成功或可译结构不存在,从理论上分析了可译结构存在的概率.仿真结果显示译码成功率得到提高.     

基于深度帧差卷积神经网络的运动目标检测方法研究

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络（Deep Difference Convolutional Neural Network,DFDCNN）.DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入（t帧和t+1帧）中获取时序信息;AppearanceNet用于从输入（t帧）中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明：DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。