目前,对同时同频全双工的自干扰信道特性尚未进行研究.针对这一现状,采用基于网络分析仪的信道测量平台,对室内环境下2.6GHz同时同频全双工自干扰信道特性进行测量与分析.基于实测数据统计分析,得出了传输损耗模型与均方根时延扩展统计模型.结果表明：传输损耗服从断点损耗模型,天线间距在大于1m的传输损耗指数为1.86,天线间距小于1m的传输损耗指数为1.52;均方根时延扩展的统计特性随着天线间距在不同范围而不同,在天线间距大于1m时的均方时延扩展服从lognormal分布,在天线间距小于1m时,RMS时延扩展在不同的天线间距下服从lognormal分布,并且其分布的均值与标准差与天线间距呈现线性关系.
本文主要关注多视图数据的分类问题.考虑到集成分类方法可组合多个弱分类器构成一个强分类器,以及主题模型能学习复杂数据的语义表示,本文试图将集成学习思想引入主题模型中,以便同时学习多视图数据的分类规则和预测性语义特征.具体地,结合概率主题模型LDA模型和集成分类方法Softmax混合模型,提出了一个多视图有监督的分类模型.基于变分EM方法,推导了该模型的参数估计算法.两个真实图像数据集上的实验结果表明了提出模型有较好的分类性能.
压缩感知是建立在矩阵分析、统计概率论、拓扑几何、优化与运筹学、泛函分析等基础上的一种全新的信息获取与处理的理论框架.它基于信号的可压缩性,通过低维空间、低分辨率、欠Nyquist采样数据的非相关观测来实现高维信号的感知.压缩感知不仅让我们重新审视线性问题,而且丰富了关于信号恢复的优化策略,极大的促进了数学理论和工程应用的结合.目前,压缩感知的研究正从早期的概念理解、数值仿真、原理验证、系统初步设计等阶段,转入到理论的进一步深化,以及实际系统的开发与应用阶段.本文分析了压缩感知的原理与应用,综述了压缩感知的最新进展及存在的问题,指出了进一步研究的方向.
自适应字典学习利用图像结构自相似性,将图像自身作为训练样本,通过字典学习使图像中的相似块在字典下具有稀疏表示形式.本文将全局字典学习中利用图像库获取附加信息的思想融入到自适应字典学习的过程中,提出了一种基于自适应多字典学习的单幅图像超分辨率算法,从低分辨率图像自身与图像库同时获取附加信息.该算法对低分辨率图像金字塔结构中的图像块进行聚类,在聚类结果的引导下将图像库中的图像块进行分类,利用各类中的样本分别构建针对各类的多个字典,从而确定表达重建图像块的最优字典.实验表明,与ScSR、SISR、NLIBP、CSSS以及mSSIM等算法相比,本文算法具有更好的超分重建效果.
图像分割是是计算机视觉研究中的一个经典难题，已成为图像理解领域关注的一个热点.本文对近年来图像分割方法的研究现状与新进展进行了归纳总结.首先，简单介绍了图像分割的传统方法，包括基于区域的、基于边缘的和两者结合的图像分割方法.然后，分别从数学形态学、模糊集、神经网络、支持向量机、免疫算法、图论和粒度计算等方面对图像分割方法进行了重点讨论，并对应用每一种理论的最新研究进展作了评述.最后，对图像分割方法的发展趋势进行了展望.
稀疏性与组稀疏性在统计学、信号处理和机器学习等领域中具有重要的应用.本文总结和分析了不同组稀疏模型之间的区别与联系,比较了不同组稀疏模型的变量选择能力、变量组选择能力、变量选择一致性和变量组选择一致性,总结了组稀疏模型的各类求解算法并指出了各算法的优点和不足.最后,本文对组稀疏模型未来的研究方向进行了探讨.
脉冲神经网络是进行复杂时空信息处理的有效工具,但由于其内在的不连续和非线性机制,构建高效的脉冲神经网络监督学习算法非常困难,同时也是该研究领域的重要问题.本文介绍了脉冲神经网络监督学习算法的基本框架,以及性能评价原则,包括脉冲序列学习能力、离线与在线处理性能、学习规则的局部特性和对神经网络结构的适用性.此外,对脉冲神经网络监督学习算法的梯度下降学习规则、突触可塑性学习规则和脉冲序列卷积学习规则进行了详细的讨论,通过对比分析指出现有算法存在的优缺点,并展望了该领域未来的研究方向.
高频段由于具有非常大的频谱宽度而受到下一代（5G）移动通信系统的青睐.高频段同时具有大的传播损耗、准光学特性等特征.为了能够充分挖掘、选择和评估可用高频段，需要对高频段信道进行充分测量和研究.目前高频段信道测量设备主要有基于矢量网络分析仪的探测器和定制化宽带探测器两种.该文对当前开展的高频段信道测量活动进行总结，包括天线配置、测试场景与关注参量，以及相应的测量设备.最后对几个新提出的高频段信道模型进行介绍，如METIS、MiWEBA、mmMAGIC、5GCM、3GPP-HF等，指出现有模型的主要特点和适用范围，以及预计未来测量和建模方面加强的方向.
