面向全域一致通信体验的需求,协同天基、空基、地基网络,能够消除通信盲区、加强广域互联的空天地一体化融合组网是未来通信重要的发展方向之一。然而,现阶段的空天地一体化融合组网只在一些特殊场景中取得了初步的应用,距离消除通信盲区、广域万物智联的愿景仍然存在诸多挑战。首先,文中概述了未来的空天地一体化融合组网架构;然后,分别从硬件、协议、节点部署和服务保障的角度分析了融合组网过程中面临的四大挑战,包括基于专用硬件的网元节点带来的融合组网功能升级困难、现有卫星通信协议标准性能低、三维广域空间带来的活动基站选址困难以及多样化业务难以进行差异化保障等问题。针对上述挑战,分别介绍了面向卫星的轻量级虚拟化技术、基于5G技术的卫星通信系统、水平与垂直面解耦的的活动基站选址和端到端的空天地一体化网络切片4个解决方案,为空天地一体化融合组网的发展提供参考。
压缩频谱感知可以远低于奈奎斯特采样的速率来获取宽带跳频通信信号,但欠采样信号重构作为压缩频谱感知的关键组成环节,将更加直接地决定跳频通信接收性能。针对跳频通信信号压缩感知存在的欠采样重构精度低、计算复杂度高、迭代重构时间长等问题,提出欠采样跳频通信信号深度学习重构方法,将深度学习引入到宽带稀疏欠采样信号重构过程中,设计欠采样样本输入层网络适应结构,再利用变分自编码器构造生成式重构网络替代稀疏优化求解,实现免迭代欠采样跳频通信信号重构输出。仿真并分析了欠采样结构配置、网络模型设置以及信噪比等参数对信号重构性能的影响。仿真表明,相对于稀疏度自适应匹配追踪、正交匹配追踪等经典欠采样信号重构算法以及卷积神经网络欠采样信号重构方法,所提方法在重构误差和重构时间等方面均具有性能优势。该方法可准确、高效、实时地完成欠采样跳频通信信号重构,可成为解决宽带跳频通信信号接收和处理瓶颈的有效途径之一。
CenterNet算法结构复杂,导致其参数量大、计算复杂度高和检测速度较慢。针对这一问题,提出了一种CenterNet-encoder算法。该算法使用深度为104层的沙漏网络作为backbone,并将其中的残差模块替换为fire模块来减少算法的参数量,提高算法的计算速度;另外,在backbone和head之间加入了编码层,在不损失分辨率的同时增大了感受野,减少了内存的占用,让输出囊括更多尺度的信息;最后,使用均方误差损失进行边界框的回归,加快算法的收敛,进一步提升了算法的检测精度。CenterNet-encoder算法最终在MS-COCO test-dev数据集上的平均检测精度为40.5%,参数量为47×106。在AMD5900X/32GB/RTX3090环境配置下,检测速度达到了18帧/s。实验结果表明,CenterNet-encoder算法虽然牺牲了一定的精度,但参数量比原算法下降了约77.6%,同时检测速度提升了约69.3%。与其他轻量化目标检测算法相比,在参数量、推理时间和检测精度上也有一定的优势。
在相参体系的雷达系统中,相比于相干积累检测方法,非相干积累检测方法具有快速检测的能力,能够满足雷达信号实时处理的需求,在实际应用中具有重大意义。然而,非相干积累检测方法对累积脉冲数、参考单元数、海杂波幅度分布模型的形状参数以及海杂波散斑协方差矩阵均是非恒虚警率的。为了实现对数正态纹理复合高斯海杂波背景下运动目标的快速检测,提出了一种累积前白化和非相干累积级联的检测方法,证明该方法对海杂波幅度分布的尺度参数以及散斑协方差矩阵均是恒虚警率的。此外,分析了功率累积和幅度累积方法对检测性能的影响。通过匹配于海杂波形状参数、累积脉冲数以及参考单元数的检测门限,可以确保所提出检测方法的恒虚警率特性,继而实现对海雷达在大场景下对目标的快速恒虚警率检测。实验结果表明,在检测性能上幅度累积优于功率累积,而且累积前白化总体上提高了运动目标的信杂比,同时对于位于主杂波区之外的高速运动目标也能带来明显的性能改善。
针对微带天线带宽较窄的问题,提出一种适用于地下煤矿机器人环境感知的宽带低副瓣毫米波微带阵列天线。该毫米波天线阵列由主辐射单元层、寄生贴片层以及空气层构成。主辐射单元采取道尔夫-切比雪夫阵列综合方法以实现低副瓣特点,空气层和寄生单元通过降低等效介电常数及增加新的谐振点有效展宽天线带宽,T形功分器馈电网络设计实现良好的阻抗匹配。HFSS仿真结果表明,天线的-10 dB阻抗带宽为7 GHz,工作频率为76.6~83.6 GHz,E面最大副瓣电平为-15 dB,H面最大副瓣电平为-24 dB,最大增益为17 dBi,满足了毫米波雷达远近距离切换和复杂散射介质回波灵敏度的应用需求。与目前的77 GHz毫米波天线相比,此天线有效降低了副瓣电平,进一步拓展了工作带宽,提高了雷达的抗干扰能力以及分辨率。针对地下煤矿复杂的地磁环境特点,该天线所具有的强抗干扰能力和高分辨率等性能在地下巷道环境感知方面有很大的优势。
在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。
现有的遥感影像分割算法将边缘信息和语义信息进行简单的结合,往往不能确保语义建模的整体改进。为解决此类问题,提出了基于改进Unet网络的遥感影像分割算法。该算法在基础编码器的基础上添加了边缘提取模块,此模块融合骨干网络所提取的语义特征信息以及由输入图像经过Canny算子和膨胀数学形态学操作获得的边缘特征信息,更好地学习了遥感影像的边缘。为了进一步获取遥感影像全局信息以提高分割精度,提出了边缘引导上下文聚合模块。该模块通过捕获边缘区域的像素和物体内部像素之间的长距离依赖关系,通过聚合上下文信息而加强类内一致性。在"天智杯 "人工智能挑战赛数据集的测试下,改进后的模型总体准确度达到84.5%,平均交并比达到68.6%,精度与经典Unet模型相比分别提高了5.3%和9.2%。改进后的模型在ISPRS Vaihingen和Potsdam基准数据集上总体准确度分别达到了91.2%和91.6%,更适于精确的遥感影像分割。
针对当前一般的车载雷达不具备目标高度测量能力,或是实现成本高昂的问题,提出了一种在毫米波段下使用单天线时域信息的单散射点目标高度测量方法。该方法利用了车载环境下地面反射后多径信号与直达信号干涉产生的多径效应,在汽车行进过程中获取不同距离时待测目标的回波功率,通过插值使采样点在距离倒数上均匀化,进而使用快速傅里叶变换提取出目标的高度信息。首先推导了车载环境下多径效应存在的条件,构建了毫米波段下通过地面的镜面反射而产生多径效应的几何模型,进而拓展到目标回波的数学模型;其次,详细分析了可能对目标高度测量产生影响的因素,如车载雷达的安装高度、采样间隔和距离等,并针对性地提出了多种优化和改进建议;最后,通过仿真以及模拟高度测量实验获得的实测数据结果显示,使用该方法对单散射点目标进行高度测量具有可行性。相较于现有方法,该方法实现车载环境单散射点目标高度测量有着结构简单,成本低廉的优势。
无线传感器网络已经成为一种实时监测环境的解决方案并被广泛应用于各种领域。由于网络中的传感器容易受到复杂工作环境和自身硬件等因素影响而发生故障,因此无线传感器网络故障检测在其应用领域中是不可缺少的环节。针对无线传感器网络中的故障检测问题,提出了一种融合图卷积网络和门控循环单元的故障检测模型GCN-GRU,该模型由输入层、时空处理层和输出层组成。输入层接收传感器网络数据和由无线传感器网络构建的图模型并将其传输至时空处理层;在时空处理层中,运用图卷积网络提取无线传感器网络的空间分布特征及故障在高维空间的特征,并将其构造为时序序列的高维数据作为门控循环单元的输入,之后通过门控循环单元对传感器网络数据的时间演变特征和空间演化特征进行提取和融合,最后在输出层得到故障检测结果。为了评估GCN-GRU模型的性能,将其与现有的无线传感器网络故障检测算法进行仿真对比。仿真结果表明,GCN-GRU模型相较于对比算法显著地提高了故障检测率并降低了虚警率,能更有效地识别出故障传感器。
多用户非正交多址接入-智能反射面系统,可通过多天线发射机与智能反射面间“发射-反射”联合波束成形,改善系统的用户接入能力。针对多用户非正交多址接入-智能反射面系统用户公平性问题,尝试在射频链路受限的实际场景中,最大限度提升用户最小接收信干噪比,从而无差别地保证各用户的通信质量。为此,根据射频链路数对用户进行分簇,构建了最大-最小接收信干噪比分式规划问题,此问题的发射波束矢量与反射阵元矩阵在接收信干噪比处高度耦合。因此,提出了一种基于半定松弛与算术几何平均算法,通过在每次迭代中交替优化发射波束矢量与反射阵元矩阵,实现各簇中最小信道容量的最大化。并进一步采用二分搜索算法求解簇内功率分配问题,以提升用户最小接收信干噪比。仿真结果表明,相对于迫零方案,提出方案能够以较低的计算复杂度提升用户最小接收信干噪比,从而改善各用户通信质量;且区别于最大比传输方案,提出方案中用户最小接收信干噪比不会随基站发射功率增加而呈现饱和现象,从而实现各用户通信质量的稳定增长。
基于统计优先级的多址接入SPMA(Statistical Priority-based Multiple Access)协议出现于TTNT(Tactical Targetting Network Technology)数据链中,是一种基于随机竞争思想的接入方式。该协议联合使用时域和频域资源,并将上层业务划分优先级,通过对比阈值和信道占用来评估信道接入状态并控制各个优先级业务的接入行为。然而,SPMA协议中的固定阈值设置方法存在不能灵活应对通信业务变化的问题,造成时频资源浪费,难以保障异构业务服务质量。因此,提出了基于帧成功传输概率的动态阈值设置方法。该方法利用帧成功传输概率来反映网络实时负载情况,通过对比当前的帧成功传输概率和最高优先级业务的帧成功传输概率来动态调整各个优先级的阈值,使得各优先级业务按需地接入信道,从而维护网络吞吐量的稳定,在提高信道利用率的前提下,保障高优先级业务的接入时延为毫秒级且传输成功率不低于99%。
针对传统高斯牛顿迭代法在时差-频差定位中因迭代初始值不准而易出现的不收敛问题,提出一种基于约束加权最小二乘(CWLS)的高斯牛顿迭代定位算法。该算法首先将定位问题中关于目标位置、速度的时差-频差非线性定位方程转化为伪线性方程,分步估计目标位置、速度初始值;为实现初始值的精确估计,将目标位置与辅助变量等式约束关系松弛为二阶锥约束(SOCP)条件;引入随机鲁棒最小二乘(SRLS)构建新的线性关系,当新线性关系的最小二乘解不满足二阶锥约束条件时,使用半定规划(SDP)技术求解目标位置的估计解,通过获得的目标位置来对目标速度进行求解;获得目标参数估计初始值后,建立时差-频差定位系统下关于目标位置与速度的高斯牛顿迭代方程,利用高斯牛顿迭代对目标参数进行寻优求解,该迭代过程不需要引入辅助参数,可以直接得到目标参数。仿真实验表明,所提算法对近场目标与远场目标均有很好的定位效果,较已有经典两步加权算法,其鲁棒性好、定位精度高。同时,仿真结果表明了高斯牛顿迭代方程时对初始值优化的必要性。
面向无人机辅助下的密集无线网络通信场景,针对地面固定基站传输造成的网络吞吐量受限问题,聚焦无人机覆盖范围内通信网络的性能提升,提出了一种无人机辅助通信的密集无线网络媒体访问控制协议。首先,基于密集无线网络中不同位置通信设备形成的通信异构性,构建了一种新型的无人机辅助密集无线网络通信模型;其次,引入初始竞争窗口系数、子系数及其权值的概念,创新设计了通信节点的初始竞争窗口,分析了无人机移动环境下通信节点的退出概率,提出了一种新型媒体访问控制协议;最后,采用三维马尔可夫模型对协议的归一化饱和吞吐量及访问公平性进行评估,进而确定了一定条件下吞吐量最大化时的初始竞争窗口子系数权值。仿真分析表明,与现有媒体访问控制协议相比,本协议平均归一化饱和吞吐量在基础接入机制下约增长1倍,在RTS/CTS机制下提升约51%,同时,本协议实现了对接入时间短的节点传输性能提升,即可获得较大的吞吐量和较短的时延。
目前大多数显著性目标检测方法会受到图像复杂背景的干扰并且会出现检测结果亮度不均匀、边缘模糊的现象。针对上述问题,提出一种融合注意力机制的多尺度显著性目标检测网络方法。首先,网络以编码器-解码器架构为基础,并采用在编解码过程中连接相邻层特征的多尺度特征融合方法,以便于捕捉到图像中不同尺度的显著性目标;其次,在网络中融合注意力机制,用以关注特征的空间信息和通道信息,目的是得到均匀完整且边缘更加清晰的显著性目标检测结果;最后,在编码器与解码器之间使用一种并行多分支结构即上下文特征提取模块实现不同感受野下的特征提取,进一步提升显著性目标检测性能。实验结果表明,在ECSSD显著性目标检测数据集上检测平均绝对误差MAE和F-measure指标,相较于对比网络至少有10%和0.7%的提高。所提网络不仅能准确定位显著性目标并使其均匀显示,而且在复杂背景下能够精确预测显著性目标边缘。
由于终端用户、垂直行业和内容提供商等对未来网络的灵活性和智能性等提出更高要求,所以网络服务多样化,网络结构复杂化,迫切需求网络规划、管理、运维和优化等自主化,最终实现网络意图服务意图的高度自治。为降低网络管理的复杂度,提升网络自优化的程度,需探索和利用自动化、意图驱动网络、人工智能和策略自动生成等新技术实现自动驾驶网络。自动驾驶网络把意图驱动网络作为当前网络演进的愿景,依托其意图转译技术、策略生成验证技术等实现基于意图的网络高效运营管理,并结合人工智能技术减少人工运维的开销,提高网络管理优化的效率。总结了自动驾驶网络的研究背景;明晰了自动驾驶网络的定义及优势;进而,提出了新型的自动驾驶网络的网络管控架构、实现流程和关键技术;最后设计典型自动驾驶网络的应用实例,以证明实现自动驾驶网络愿景的可行性并明确自动驾驶网络的发展方向。自动驾驶网络通过为用户提供更灵活、更高效的网络管控能力,高效实现用户需求,提升用户体验。
基于卷积神经网络和循环神经网络的事件检测已得到广泛研究。然而卷积神经网络只能考虑卷积窗口内的局部信息,忽略了词语的上下文联系。循环神经网络存在梯度消失和短期记忆的问题,且其变体门控循环单元无法得到每个词语的特征。为此,提出一种基于自注意力机制与卷积双向门控循环单元模型的事件检测方法。该模型将词向量和位置向量作为输入,不仅能够通过卷积操作提取不同粒度的词汇级特征,通过双向门控循环单元提取句子级特征,而且通过自注意力机制考虑全局信息,关注对事件检测更重要的特征。将提取的词汇级特征和句子级特征拼接作为联合特征,通过softmax分类器进行候选词分类,从而完成事件检测任务。实验结果显示,在ACE2005英文语料上,事件检测中触发词识别和分类的F值分别达到78.9%和76.0%,优于基线事件检测方法的结果,且模型表现出更好的收敛性。实验结果表明,所提出的基于自注意力机制与卷积双向门控循环单元模型有良好文本特征提取能力,提升了事件检测的性能。
多用户通信系统中的共道干扰是制约无线通信系统性能改善的关键因素。现有的基于信号处理的多用户传输方法在调整信号以避免共道干扰的同时,也会损害以这些信号为载体的数据传输的性能。利用无线信号间的相互作用,提出一种基于信号虚拟分解的多址接入方法,通过引入一个调和发射机,并使该调和发射机发送一个调和信号,调和信号与公共接收机处的多用户信号相互作用,可以使公共接收机无干扰地恢复出相互正交的多路期望信号。所提方法不仅能够避免期望发射机因对其发射信号进行调整而导致的期望信号传输质量的降低,而且不存在因公共接收机抑制干扰导致的期望信号功率损失问题。仿真结果表明,相比于已有方法,当信噪比超过0分贝时,所提方法对多用户通信系统的频谱效率和功率归一化频谱效率的改善超过10%。
大规模多入多出技术以其高的频谱效率和能量效率,成为未来移动系统的关键技术之一。但是,随着用户天线数目的增加,多入多出检测算法的计算复杂度会急剧增加,导致在实际系统中难以快速、有效地实现。针对大规模多入多出检测计算复杂度高、收敛速度慢等问题,提出了一种改进的共轭梯度迭代算法。首先将理查森迭代算法的初始矩阵作为牛顿迭代算法的初始矩阵进行迭代;随后将迭代结果作为共轭梯度迭代算法的迭代初始矩阵进一步迭代,在保持较低计算复杂度的同时,实现快速收敛;最后通过理论定量分析了算法的计算复杂度。通过仿真实验对比,分析了多种大规模多入多出检测算法在误码率性能和收敛速度方面的性能。结果表明,相比其他算法,所提算法具有更低的计算复杂度和更快的收敛速度。在调制方式为64QAM、天线规模为32×256或64×1 024时,仅需要3次迭代,检测性能即可接近最小均方误差算法。
针对地面目标跟踪时多普勒盲区存在的情况,为实现对目标的精确跟踪,提出了一种多传感器协同调度方法。首先,通过分析传感器调度的基本过程,建立了包含调度动作、目标状态转移方程和多普勒盲区下传感器量测方程的基本模型;然后,针对地面目标“动-停-动”的运动方式,依据速度大小将其状态分为低速和高速两类,给出了状态概率的计算方法,并引入变结构多模型方法对目标状态进行估计,给出了估计时似然函数和状态转移概率的计算方法;最后,以克拉美罗下限量化跟踪精度,并以跟踪精度最优为优化目标建立了长期调度的目标函数。仿真实验的结果表明,所提方法能够通过预测未来多步的调度收益,制定出最佳的传感器调度方案,从而实现对地面目标的高精度持续跟踪。
可见光通信物理层主要使用的非对称限幅和直流偏置两种光正交频分复用方案,只能在频谱效率与功率效率间选择其一。为了兼顾二者,基于自适应偏置的光正交频分复用提出了一种适于可见光通信的数字基带系统设计方案,并通过现场可编程逻辑门阵列搭建的室内可见光通信硬件平台对该方案进行了实现和验证。研究中首先通过自适应偏置光正交频分复用的MATLAB离线实现验证了使用光正交频分复用信号在室内进行可见光通信的可行性,并确定了数字基带系统中使用的参数。其次给出了可见光通信数字基带系统的设计方案。最后基于该方案,通过现场可编程逻辑门阵列搭建了室内可见光通信硬件平台,并对收发端主要模块进行介绍。测试表明所提出的可见光通信数字基带系统有效提高了频谱资源利用率,降低了系统能耗。其中物理层特殊的帧结构设计提高了快速傅里叶变换窗口检测的准确性和信道估计与均衡的能力,从而有效降低了误码率,保证了通信传输速率,进而提升了数字基带系统的整体性能。
针对目标识别场景下的无人机集群协同任务分配问题,建立了以识别代价和识别收益为目标的优化模型,设计了基于分解的多目标差分进化算法求解该模型。首先,提出了精英初始化方法,在保证所得非支配解分布均匀的基础上,筛选初始解以提高解集的质量;其次,结合模型特性构造整数编码下的多目标差分进化算子,提高算法的收敛速度;最后,设计了带限制的禁忌搜索策略,使得算法具有跳出局部最优的能力。该算法为问题的求解提供一组非支配解集,使得可以根据实际需求选择更加合理的最优解。通过上述方法获得分配方案后,基于拍卖算法设计任务重分配策略,进一步调整分配方案,以应对无人机损毁的突发情况。仿真实验验证了所提算法在求解小、中、大规模任务分配问题上的有效性。相比于其他算法,文中算法所得非支配集具有更高的质量,可以消耗更少的识别代价来获取更高的识别收益,说明算法具有一定的优越性。
由于复杂的海洋环境和近海稠密的海面目标,海用雷达常面临高虚警率、高目标密度的“双高”跟踪场景。来源于海杂波和多个邻近目标的量测点在探测空间中密集出现,传统的跟踪方法仅利用单帧量测的位置信息不能很好区分量测的具体来源,导致跟踪性能严重下降。利用目标回波特征信息可以在不提高算法复杂度的情况下弥补上述缺陷,但目标回波特征的泛化能力较弱,需要针对不同的雷达体制、工作场景及探测需求,因地制宜地选择适合的目标回波特征。以探测大中小型船只为任务的高分辨对海警戒雷达为应用背景,采用检验统计量和目标径向速度量测作为目标回波特征,重构了跟踪方程使得目标回波特征的信息被充分应用于关联、滤波和航迹管理等跟踪的各个环节。此外,采用了一种“两级”跟踪流程,依据航迹质量划分确认航迹和候选航迹,串联跟踪目标并交互信息,有助于跟踪难以形成持续稳定检测的非机动海面小目标。实测和仿真数据实验结果表明,在海面复杂的多目标场景中,所提方法可以实现稳健的目标跟踪。
近年来,基于深度学习的目标检测方法取得了令人瞩目的成果,并被成功应用到遥感领域。但是由于遥感图像覆盖面广,而小目标的有效信息少且定位困难,想要精确地检测出小目标并不容易。针对这一问题,利用图像中的非局部特征以及上下文信息来提高小目标检测的质量。首先采用改善特征金字塔网络和跨层注意力网络的组合结构作为主干网络,改善特征金字塔网络用于提取小目标丰富的特征信息,跨层注意力网络用来提取非局部信息并均衡分配给各层;其次使用上下文转移模块,将包含了非局部特征的上下文信息传递给对应的感兴趣区域;最后采取级联网络作为检测网络,改善小目标定位框质量。在Small-DOTA、DIOR和OHD-SJTU-S遥感图像数据集上进行了实验。实验结果表明,所提方法在3个数据集的平均精度均值都达到了最高;在DIOR数据集中包含小目标比较多的船、车辆和风车3个类别上,该算法的平均精度也是最高。这说明与现有方法相比,所提方法能进一步改善遥感图像小目标检测性能。
智能制造是高端装备发展的必然趋势,设备智能运维对于保障数字加工质量及可靠性具有重要意义。在离散智能制造过程中,工艺多样性成为制约智能运维数字模型构建与实施的关键瓶颈。为此,提出一种边云协同的工艺知识迁移方案,融合应用边缘计算和云计算,实现智能运维模型的快速进化。首先,在云端训练PMsCNN模型,对历史工艺方案下设备的退化过程抽象建模;然后,利用新工艺方案下无标签的数据样本开展迁移学习,使PMsCNN适应新的工艺方案。相应地提出了一种改进型最大均值差异损失函数,克服数据不均衡难题;最后,将进化后的PMsCNN部署应用于边缘设备,在线实施设备智能运维。以设备核心基础件的性能运维为研究案例,验证了所提工艺知识迁移方案的先进性。相比于现有基于深度学习的监测方法,新工艺方案下测试准确率提升了20%以上,优于现有迁移诊断方法。
针对低信噪比情况下时域直接相关检测算法增加相关窗长度来提升检测性能与硬件可实现性之间的矛盾,提出了一种联合分段相关和选择分离多径接收检测算法。算法通过分段相关降低硬件实现复杂度,同时利用分离多径接收增加检测信号能量。MATLAB仿真结果表明,所提算法在信噪比为-17 dB时漏检概率和虚警概率都达到了10-4以下。同时,所提算法在引入选择分离多径接收算法后,增加了最佳判决门限的可选范围,从而降低了因为判决门限的选择不当对检测性能的影响。该算法在低信噪比环境下相较于直接相关检测和分段相关检测均有信噪比增益的提升。并且,所提算法所消耗的资源要远远小于现有算法,该算法虽然增加了复杂度,但是带来的增益是巨大的,所提算法可以在满足检测性能的同时,实现性能和代价的最优折中。最后,在单载波交织式频分多址系统中利用现场可编程门阵列实现了该算法,实现结果和MATLAB结果完全一致,表明该算法可应用于类似的低信噪比多用户通信系统中。
针对第5代移动通信系统的全天候应用需求,提出了降雨环境下毫米波传播链路衰减率(特征衰减)和雨衰减信道状态的概率分布模型。采用K-S拟合优度检验方法,对北京、海口地区1951~2019年的降水观测数据资料进行统计计算分析,指出我国典型地区的降雨率分布特性更好的服从韦布尔分布。基于韦布尔降雨率分布和降雨衰减率的计算方法,推导给出了毫米波通信链路上雨衰减的概率密度函数模型。考虑毫米波在降雨信道的传播特性,根据得到的雨衰减概率密度函数模型,研究得到了雨衰减信道状态的概率分布函数模型,能有效的预测降雨环境下毫米波通信链路的信道衰减状态。进一步在M-QAM调制下,分析了毫米波通信降雨链路的平均误码率、信道容量和中断概率等。这对于毫米波通信网络在降雨环境下的推广和应用及电信运营商对链路的设计具有重要的实际价值。
可见光和热红外成像机理不同,因此可以捕获的目标信息也不同。基于可见光和热红外的双模视觉跟踪器,可以综合利用两种模态内在的信息关联性和互补性,降低单模态信息的局限性和不确定性,提高视觉系统的鲁棒跟踪能力。针对现有算法中图像融合或特征拼接的方式不能充分挖掘可见光与红外图像的关联和互补信息等问题,设计了一种端到端学习的红外与可见光双模孪生网络跟踪器,网络同时学习可见光和热红外图像的深度特征,通过模态内与模态间的双注意力机制,对两种模态的特征进行自适应融合,最终实现可见光和热红外双模视觉跟踪;同时,针对孪生网络对目标与语义背景区分能力不足的问题,引入在线分类模块,通过分类器在线学习,减少干扰物对跟踪的影响,适应目标在跟踪过程中的变化。实验结果表明,所提算法能够有效地提高跟踪器的性能,在可见光与热红外跟踪基准数据集GTOT上的精确率和成功率分别约为90.6%和73.8%,分别比基线算法的提高了约5.5%和4.3%。故所提出的方法相比其他先进的跟踪算法,总体性能更好。
对流层散射通信作为一种超视距通信方式,因为保密性强、抗干扰强等,是未来战场的主要通信手段之一。单载波频域均衡技术能够有效解决功放发射峰值功率受限与信号多径衰落问题,在对流层散射通信中广泛应用。然而SC-FDE系统中,频域均衡后的残留码间干扰会严重影响散射通信系统的误码性能。针对这一问题,基于最小均方误差准则,提出了一种适用于SC-FDE散射通信系统的MMSE-HDFE-RISIC均衡算法。该算法基于混合判决反馈均衡算法,通过频域估计残留码间干扰,再时域求和补偿,进一步减少了残留码间干扰对系统性能的影响。仿真分析表明,提出算法在散射信道下具有良好的误码性能。在QPSK调制下,以最小均方差来衡量,频域均衡算法性能提升约2.9 dB,相比传统混合判决反馈均衡算法性能提高约1 dB;在16QAM调制下,频域均衡算法的最小均方差性能提升约1.3 dB,相比传统混合判决反馈均衡算法性能提高约0.6 dB。
弱监督显著性目标检测中常存在目标错检、区域检测不全和目标边界不清晰等问题。针对上述问题,提出了一种基于渐进式网络的弱监督显著性目标检测算法,将显著性目标检测分为目标定位、显著性区域完善和目标边界细化3个子任务分阶段完成。首先,将输入图像采样为3个不同尺度的图像,分别输入渐进式网络的3个阶段进行学习;其次,在目标定位阶段设计了嵌套位移多层感知机,平衡网络的全局信息与局部信息的提取能力,以更好地定位显著性目标;最后,根据显著性图的结构不受尺度变化影响的特点,设计了异尺度自监督模块和目标一致性损失函数来构建自监督机制,使网络能够输出区域完整、边界清晰的显著性图。在5个数据集上测试所提算法,其客观指标与主观评价都优于最近的弱监督算法,且在F值指标上可以达到相关全监督算法89%的性能。实验结果表明,所提算法能生成显著性区域更完整、显著性目标边界更锐利的显著性图,且具有良好的鲁棒性。
障碍行为指有特殊需要人群的伤害性行为,对其进行分类和识别是人类行为识别的一个重要分支。针对多传感器设备布设于人体不同部位来感知障碍行为的过程中存在传感器之间相关性未能被考量的问题,基于深度学习理论,提出了利用多头-连体神经网络表征传感器之间相关性的方法。该网络在权值共享的基础上,构建多个子网络对多传感器数据分别进行一致的特征提取操作,并对所提取的特征进行融合后通过分类器进行识别。首先对于传感器中存在的缺失数据进行上采样并进行数据标准化分析,其次以贝叶斯优化对该网络的超参数进行选取。然后,由于引入Adam优化器在障碍行为识别领域存在着过拟合的问题,改用AdamW优化器进行L2正则化处理并能够提升网络的识别准确率。实验结果表明:此网络对障碍行为的分类准确率约达到96.0%,相对于基线网络和单头网络,分类准确率分别提高了约6.1%和8.8%并降低了部分行为之间存在的误识问题。相对于多头网络分类准确率提高了约2.4%,并减少了约92.22%的训练参数量。通过解决传感器之间的关联性问题,证明此网络对于障碍行为的识别具有有效性。
个性化推荐在网络消费平台上发挥着越来越重要的角色。低秩和深度矩阵分解已广泛应用于推荐系统,并使推荐性能得以优化。为了克服传统矩阵分解的双线性性,深度矩阵分解基于用户和项目的特征向量,建立深度神经网络模型。现有方法在数据规模较大且稀疏性较高时,表现出性能不佳及运行时间较长。为此,提出了一种新型深度矩阵分解模型。该模型的输入为用户和项目的隐特征向量,网络结构由两个并行的多层感知机和一个用于预测的加权内积算子组成。对于所建立的模型,设计了两阶段求解方法。先利用低秩矩阵拟合算法对缺失数据进行补全,从而确定了两个隐特征矩阵。再将所构建的特征工程作为深度神经网络的输入,建立输出为预测评分的非线性映射。在公开的推荐数据集上验证了所提模型的有效性。实验结果表明:与传统矩阵分解方法相比,所提方法极大地提高了推荐性能;与现有的深度矩阵分解方法相比,运行时间得到显著降低。
在多址方法设计中,有效管理多个并发通信间的共道干扰是提升系统频谱效率的关键。现有干扰管理的思路是使多路信号在传输过程中相互正交,然而在多用户多输入多输出系统中,发射机和接收机的数量以及它们的天线配置严格制约了系统能够支持的正交并发通信的数量。针对这一问题,提出一种应用于多用户多输入多输出下行通信的基于松弛正交预编码的多址接入方法,通过引入一个正交幅度调节函数,在一个符号周期内对预编码的幅度进行调整,利用调节后的预编码进行信号处理和发送,可以将对多用户信号在空域上严格正交的要求放宽到相关意义上的正交;相应地,接收机采用相关运算对期望信号进行检测,可以利用幅度调节函数之间的正交性在判决时刻消除共道干扰的影响。仿真结果表明,所提方法可以在不增加频谱资源消耗的情况下,显著提高系统容纳的用户数量,改善系统的频谱效率。
随着智能手机的普及和移动互联网的发展,短视频作为一种新兴的用户生成内容得到快速传播,浏览短视频也成为了最流行的娱乐方式之一。短视频天然具有模态和语义上的关联性,如何利用这种关联性是短视频表示学习的关键。针对短视频的多标签分类问题,提出了一种基于多模态子空间编码的短视频多标签分类模型,该模型将多模态下的子空间编码学习同标签语义相关性学习整合为一个统一框架。模型利用子空间编码网络获取完备的公共表示,充分挖掘短视频多个模态下的一致性和互补性信息,同时去除冗余信息,减小噪声的影响,获取模态融合的公共完备表示;利用图卷积网络构建标签相关性矩阵,学习标签间语义关联表示,将其用于指导多标签分类任务。对特征层和标签层信息进行更充分的融合交互以提高分类性能。算法从整体上构建了模态重构损失和多标签分类损失,充分利用短视频的多模态特性和多标签关联,在公开数据集上进行实验,证明了所提模型在分类任务的有效性和优越性。
针对雷达应用中共口径天线阵列的小型化问题,提出了一种实现双频多极化波导天线阵列的有效设计方法。该天线阵具有口径共用、低剖面、重量轻、辐射效率高等特点。该天线阵列由工作在L波段的线阵和C波段的双极化线性阵组成。L波段线阵为垂直极化矩形背腔缝隙天线,C波段双极化线阵为脊波导缝隙天线阵。L波段天线位于两个C波段垂直极化开槽波导之间,同时位于C波段水平极化波导下方。为了实现共口径天线阵列的小型化,在L波段矩形波导中引入了一种有效金属桥馈电设计。为了验证所提出设计的可行性,加工了一个工作在C波段的8×16天线阵列和工作在L波段的2×2天线阵列实物,并进行了测试。实验结果表明,在电压驻波比小于2的情况下,该天线阵在L波段的阻抗带宽约为12%,在C波段的阻抗带宽约为5.5%,天线辐射效率在85%以上。
目标情感分析旨在分析评论文本中不同目标所对应的情感倾向。当前,基于图神经网络的方法使用依存句法树来融入依存句法关系,一方面,此类方法大多忽略了依存关系缺乏区分度的事实;另一方面,未考虑依存句法树提供的依存关系存在目标与情感词关系缺失的问题。为此,提出双重图注意力网络模型。该模型首先使用双向长短期记忆网络得到具有语义信息的词节点表示,然后根据依存句法树在词节点表示上构建句法图注意力网络,实现依存句法关系重要程度的区分,更有效地建立目标与情感词之间的关系,进而得到更准确的目标情感特征表示;同时根据句子的无向完全图构建全局图注意力网络来挖掘目标与情感词缺失的关系,进一步提升模型的性能。实验结果表明,与现有模型对比,双重图注意力网络模型在不同数据集上的准确率与宏平均F1值均取得了更好结果。
在机械加工中,加工工件的几何特征变化会导致切削力统计特征发生变化,使得传统数据驱动的切削力预测模型精度变低,同时不同的加工工况使得采集的切削力建模数据存在明显的数据分布差异,导致切削力预测模型泛化能力出现显著退化。针对上述问题,提出了一种融合工件几何特征的变工况切削力预测方法。首先,进行数据预处理,包括工件几何特征、工况信息编码处理,对切削力信号去除趋势项,对切削力统计特征剔除异常值;其次,考虑工件几何特征及工况变化导致的数据分布差异,将数据集分为源域数据和目标域数据,并将源域数据和目标域数据按照规则划分为训练集和测试集,基于迁移学习构建融合工件几何特征的变工况切削力预测模型;最后,从不同数据量、单一加工几何特征、变工况、不同算法等方面进行了实验验证。实验结果表明,相比传统数据驱动切削力预测模型,该方法更适用于工况以及工件几何特征变化情况下的切削力预测,同时在数据样本较少的情况下保持较高的预测精度,泛化性能更强,具备更好的实用性。
目前,将深度学习用于脑电情感识别的研究已提出很多方法,但大多数方法并没有同时考虑脑电信号在时间、空间以及频率三个维度上的信息。基于此,提出一种结合频率-空间注意力机制的三维卷积神经网络(FSA-3D-CNN),同时考虑脑电信号在时间、空间和频率三个维度的信息,从而提高情感识别的准确性。首先,根据脑电信号的特性设计了一种新颖的四维特征结构,对时域分段后的脑电信号分别提取微分熵特征,并将其转换为四维矩阵用于训练深度模型。然后,针对四维特征矩阵结构改进现有的3D-CNN情感识别模型,同时利用脑电信号中的时间、空间和频率的信息。最后,设计一种频率-空间注意力机制自适应地分配脑电信号的频率和空间通道的权值,挖掘脑电信号中更能显著反映情感状态变化的空间和频率信息。FSA-3D-CNN模型在DEAP公共情感数据集的效价维和唤醒维二分类准确率分别达到了约95.87%和95.23%,在效价-唤醒维的四分类准确率达到约94.53%,比现有的卷积神经网络和LSTM情感识别模型均取得了显著的提升。
安全通信的前提是在授权接收机对协作干扰信号进行精准重建和对消,但因硬件和传播环境的影响,且受实际工程精度的制约,始终存在时频同步误差。因此,针对物理层安全通信中协作干扰抑制收发非完美时频同步问题,在高斯窃听信道模型下推导了存在时频同步误差的残余干扰功率,从理论上分析时频同步误差对系统性能的影响,得到了授权用户干扰抑制比、解调误码率和安全通信保密容量3个性能评价指标的闭合表达式,进而分析时频同步误差对这3个指标的影响,并对理论性能进行了计算机仿真验证。仿真结果显示,时频同步误差对系统安全性能的影响并不单一。随着时延或频偏增大,系统对协作干扰信号的抑制程度降低,授权用户干扰抑制比、保密容量降低,解调误码率增加;而在一定范围内,时频同步误差不会影响这3个指标性能。当信噪比为10 dB,归一化时延小于0.06且归一化频偏小于10-5时,时延和频偏对系统安全通信的性能影响较小,保密容量损失小于16%。据此,分析时频同步误差对协作干扰安全指标产生的影响,可以为设计安全通信系统提供指导和理论支持。
由于传统的相关滤波目标跟踪算法余弦窗和搜索区域的限制,在复杂场景下容易产生跟踪漂移,上下文感知算法提出一个框架允许将上下文纳入相关滤波器,但其没有计算上下文信息对目标的干扰程度而直接采用相同的抑制权重,因此无法对干扰程度不同的上下文信息自适应赋予不同程度的抑制。基于此,提出一种上下文抑制权重自适应的相关滤波类目标跟踪算法。首先,将目标周围的背景信息学习到滤波器中,增强滤波器模板对于目标和上下文背景信息的分类能力,同时引入自适应权重系数向量;其次,提出一个上下文信息干扰系数公式,用于定量评估目标上下文信息对于目标的干扰程度;再次,依据所提出的公式分别计算出上下文信息的干扰程度之后,将其与自适应权重系数向量匹配,从而实现对目标干扰程度越大的上下文信息,抑制的程度越大;最后,基于OTB100数据集验证了该算法的有效性。实验结果表明,这种算法的成功率和精确度较其基准算法分别提升了约5.7%和4.3%,具有较强的鲁棒性。
由于脑电信号具有非平稳、微弱、频段差异大的特点,在处理过程中难以获得较好的识别精度。为了提高脑电情感分析的性能,从特征提取和特征选择两个方面进行了探讨。在特征提取方面,在功率谱强度的基础上采用改进的平衡功率谱强度特征;在特征选择方面,提出一种特征融合算法,充分利用Relief和mRMR两种方法各自的优势,在提高识别性能的同时大幅度地降低了特征维度。采用支持向量机分类算法,在DEAP数据集上进行了实验。结果表明,相比于功率谱强度,平衡功率谱强度的分类准确率平均提高了6.22%,特征融合算法选择的特征相比于基线提高了3.90分,相比于Relief提高了1.84分,相比于 mRMR提高了2.05分。基于平衡功率谱强度的特征融合算法,不仅其整体性能提升了,且其平均识别准确率在Valence维度上达到88.89%,在Arousal维度上达到87.73%,同时平均特征维度从160维减少至67维。
联邦学习允许参与训练的各方在不共享自己数据的前提下,实现协同建模,其数据隔离策略在一定程度上保障了用户数据的隐私安全,有效缓解了数据孤岛问题。然而,联邦学习的训练过程涉及参与者和服务器之间大量的参数交互,仍存在隐私泄露风险。为解决联邦学习数据传输过程中的隐私保护问题,提出了一种基于自适应裁剪的差分隐私联邦学习ADP_FL框架。在该框架中,各参与方使用自己的数据在本地执行多次迭代来训练模型,在每个迭代中自适应地选取裁剪阈值对梯度进行裁剪,将梯度限制在一个合理范围内;仅向上传的模型参数中添加动态的高斯噪声,以掩藏各参与者的贡献,服务器聚合接收到的噪声参数来更新全局模型。自适应梯度裁剪策略不仅可以实现对梯度的合理校准,同时裁剪阈值作为敏感度当中的一项参数,通过动态改变敏感度来控制着添加的噪声规模。理论分析和实验表明,所提出的框架在强隐私约束下,仍能够实现良好的模型精度。
目前,攻击者使用的基础设施能适应更多的目标环境,成功侵入目标后,使用合法的用户凭证取得信任,并通过不断学习利用新的漏洞达到攻击目的。为了对抗攻击,提高威胁情报的使用价值,提出由情报搜集、信息抽取、本体构建和知识推理构建威胁情报的知识图谱框架,该框架可实现情报中重要指标的搜索和相互关联。然后基于Bert+BiSLTM+CRF 的失陷指标,识别抽取方法,加以正则匹配机制进行输出限制,用于从文本信息中识别抽取失陷指标信息,并进行结构化威胁信息表达标准格式转换。经过横向和纵向对比,该抽取模型在文本信息抽取中的精度和召回率较高。最后,以APT1为例,构建出威胁情报实体关系图,结合对抗战术和技术知识库框架将攻击行为转换为结构化格式,建立本体与原子本体知识图谱;通过知识图谱关联分析数据之间潜在的关联,发现具有相似性和相关性的威胁情报潜在的关联信息和攻击主体,进行威胁情报的关联分析,为制定防御策略提供依据。
现有的低光去雾算法因受图像光照强度低、光照不均匀等影响,其去雾后的图像存在细节丢失、色彩失真等现象。针对上述问题,提出一种融合上下文感知注意力的低光图像去雾网络(ACANet)。首先,在基准网络中引入层内上下文感知注意力模块,分别从通道维度和空间维度结合全局视角辨识和加权同一尺度下的重要特征,使网络突破局部视野的约束,更加高效地提取图像纹理信息;其次,引入层间上下文感知注意力模块,通过投影操作将高级特征映射到信号子空间,以实现不同层之间多尺度特征信息的高效融合,进一步提升对图像细节的重建;最后,引入CIEDE2000色偏损失函数,通过CIELAB色彩空间对图像色调进行约束,并与L2损失一起联合优化网络,使网络准确地学习图像色彩,以解决图像的严重色偏问题。实验结果表明,所提算法在多个数据集上的客观指标均优于现有去雾算法,其峰值信噪比指标较基准网络提高了8.8%,且主观去雾效果更彻底,恢复图像细节更丰富,色彩还原度更好,更接近于真实图像。
X波段有源相控阵雷达广泛应用于导弹防御、气象监控等领域。其中,移相器在有源相控阵的接收、发射组件中为核心功能电路,普遍存在于整个有源相控阵列中。它通过数字系统控制实现对接收或发射信号的相位调制,以准确控制目标信号,精准反馈相控雷达的扫描信息,是影响相控阵系统性能和成本的关键单元。针对移相器中大移相单元宽带下高集成度与高移相精度难以同时满足的问题,基于0.18 μm SiGe BiCMOS工艺设计了一款应用于X波段的紧凑型6位数控移相器。通过级联6级不同的移相单元,移相器可在360°移相范围内实现最小5.625°的移相步进。此外,为了减小芯片占用面积,针对90°移相单元提出一种内嵌开关式的结构,相对于传统大单元通过开关来选择路径的结构,芯片的面积大大地降低了。电路开关选用深阱NMOS场效应管,应用浮体技术降低了晶体管对地寄生电容,从而提高了开关的性能。仿真结果表明,在8.3~12.0 GHz频带内,移相器移相均方根误差小于等于2.5°,插入损耗小于等于-16.7 dB,幅度均方根误差小于等于1.25 dB,核心电路版图面积为1.68 mm×0.64 mm。
一氧化氮退火是目前业内界面钝化的主流工艺,而钝化效果与一氧化氮退火的条件密切相关,因此选取合适的退火条件提高界面质量显得尤为重要。利用n型和p型碳化硅MOS电容研究了不同一氧化氮钝化时间对栅氧界面附近陷阱和栅介质可靠性的影响。通过平行电导峰测试、电容-电压回滞测试、栅偏应力测试和栅漏电测试,分别对界面陷阱、近界面陷阱、氧化层陷阱和栅介质可靠性进行了表征。结果显示,增加一氧化氮退火时间能够减少n型MOS电容的界面电子陷阱密度,提高界面质量。同时,增加一氧化氮退火时间可以减少影响阈值电压正向漂移的近界面电子陷阱,但会引入多余的近界面空穴陷阱,从而在改善器件阈值电压正向稳定性的同时会恶化阈值电压的负向稳定性。类似地,增加一氧化氮退火时间会减小氧化层中显负电性的有效固定电荷密度,但会增加氧化层中显正电性的有效固定电荷密度。栅漏电特性测试结果表明,一氧化氮退火时间对器件开态和关态工作条件下栅氧可靠性会产生不同的影响。研究结果为改善碳化硅MOSFET器件性能提供了有益的退火工艺参考。
6G时代将实现万物互联,建立多层级、全覆盖的无缝连接,车联网作为通信、交通、汽车等多个行业融合交叉的关键领域将借助6G技术发展、部署。针对6G车联网中车辆轨迹预测精度不足的问题,采用深度学习的方法,提出了一种三通道神经网络模型。该模型考虑了车辆之间的交互信息、目标车辆的轨迹信息和车道结构信息对轨迹的影响。模型使用长短期记忆网络(LSTM)提取车辆轨迹信息特征,使用图神经网络(GNN)提取不同车辆之间的交互特征,使用卷积神经网络(CNN)提取车道结构特征。通过计算三通道特征向量的权重得到目标车辆预测的轨迹;通过NGSIM数据集对模型进行训练和测试。测试结果表明:与其他预测模型相比,考虑多维度信息的三通道网络预测方法在预测精度和长时域预测上有优势,预测精度提高了20%以上。降低6G车联网系统的数据传输量,可提升车联网系统的用户隐私安全。
针对红外目标纹理细节少、检测精度低的问题,提出在红外检测场景下引入注意力机制的Cascade-RCNN算法,设计了一种适用于红外场景的注意力机制以提升算法检测精度。由于基于深度学习的注意力机制常在可见光数据集上进行性能验证,首先在红外检测数据集上测试常见于可见光场景注意力机制的检测精度,对于以上注意力机制在红外目标检测场景的优缺点进行分析,提出一种显隐性通道交互的注意力机制,主要由显性特征交互和隐性特征交互两种方式组成;在显性特征交互方式上采用因子分解机的方法,在隐性特征交互方式上采用全连接层的方式;最后将两种交互方式通过全连接层到同维希尔伯特空间并进行信息融合,将通道关系从显性和隐性角度进行建模。同时,提出一种局部池化替换全局池化以获取更多红外目标空间纹理信息,结合在空间维度上使用多尺度卷积提取不同感受野的目标信息,进一步提升了算法精度。在FLIR公开红外数据集上进行实验,相比于基准算法Cascade RCNN,新方法在不引入过多参数量的同时,检测性能在不同的骨干网络上有2%左右的mAP提升。
最小二乘支持向量机只需求解一个线性方程组即可得到闭式解,训练速度快,因而广泛应用于分类问题。但最小二乘支持向量机模型容易受到离群点和噪声的影响,往往使得其分类精度下降,样本点的模糊加权是解决该问题的一种有效方法。直觉模糊集既包含样本点的隶属度信息又包含样本点的非隶属度信息,可以更加详细地刻画样本点的分布特征。为此,基于直觉模糊集,通过剔除离群点得到更加准确的类中心,再计算样本点到类中心的距离,得到样本点对其所在类的隶属度程度。同时,采用核k近邻的方法,查找样本点的k个近邻里另一类样本点的数量,进而得到样本点的非隶属度信息。最后,根据样本点的隶属度与非隶属度得到一种新的模糊值。进一步将提出的模糊值用于改进最小二乘支持向量机模型,通过赋予离群点和噪声低的模糊值,减少了它们对最小二乘支持向量机模型的影响,提高了最小二乘支持向量机模型的精度。实验结果表明,与已有算法对比,提出的算法可以有效降低离群点和噪声对最小二乘支持向量机模型的影响,提高模型的鲁棒性。
近年来,信息瓶颈方法已经被成功应用于低密度校验码量化译码器的设计当中,所设计的量化译码器仅需4 bit量化位宽就能逼近双精度和积译码算法的性能。此外,信息瓶颈译码器只需处理无符号整数,且可使用查表来替代复杂的校验节点运算,适宜于硬件实现。然而,现有的低密度校验码信息瓶颈译码器所需的查表次数与节点度数的平方成正比,不利于在含有高度数节点的低密度校验码(如有限几何低密度校验码和高码率低密度校验码)中应用。为了解决这一问题,提出了一种基于前后向算法的低密度校验码信息瓶颈量化译码器设计方案。在所提方案中,基于前后向算法的节点运算可以分为3个步骤:前向查表,后向查表以及输出外信息。为了降低存储空间,可以精心地设计使得前向查表和后向查表复用同一套表格行。在输出外信息时,节点充分利用了前向查表与后向查表时产生的中间结果,有效地避免了消息的重复计算,使得译码所需要的查表次数与节点度数呈线性关系。仿真结果验证了所提低密度校验码信息瓶颈量化译码器设计方案的有效性。
采用0.25 μm GaAs pHEMT E/D工艺实现了X/ Ku波段的双向真时延芯片的设计。通过在新型长号型延时结构中增加双向选择开关,实现了低插入损耗波动的双向数控可调真时延电路。其延时单元采用四阶和二阶电感耦合全通滤波器实现,单位面积下具有较高的延时量,并通过双向有源开关选择延时路径来控制延时大小。延时芯片的工作带宽为6~18 GHz,可实现3位延时,最小延时步进为15 ps,最大延时范围为106 ps。仿真结果表明,其具有相对较低的插入损耗8.1 ~ 15 dB,且损耗随时延的波动小于±2 dB。芯片尺寸为1.91 mm2,群时延均方根误差小于10 ps,回波损耗大于15 dB,直流功耗为110 mW,输入1 dB压缩点大于7 dBm。
