摘要:正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)信号具有较高的峰均功率比(Peak to Average Power Ratio,PAPR),不仅影响功率放大器(High Power Amplifier,HPA)的工作效率,而且HPA使得OFDM信号产生严重的非线性失真,导致系统的误比特率(Bite Error Rate,BER)增大.本文基于限幅和压缩感知(Compressive Sensing,CS)提出了改进的补偿算法,发送端采用限幅降低信号的PAPR,接收端首先采用改进的逆模型方式减小HPA引入的非线性失真,再采用CS抵消由限幅引入的信号失真.仿真表明,所提方法不仅明显降低了OFDM信号的PAPR,而且有效提高了系统的BER性能.
摘要:多标签分类在基因分类,药物发现和文本分类等实际问题中有着广泛的应用.已存在的多标签分类算法,通常都是从网络中随机的选取节点作为训练集.然而,在分类算法执行的过程中,网络中不同节点所起的作用不同.在给定训练集数目的情况下,选择的训练集不同,分类精度也会不同.所以我们引入了种子节点的概念,标签分类从种子节点开始,经过不断推理,得到网络中其他所有节点的标签.本文提出了SHDA(Nodes Selection of High Degree from Each Affiliation)算法,即从网络的每个社团中,按比例的选取度数较大的节点,然后将其合并,处理后得到种子节点.真实数据集上的实验表明,将种子节点用作训练集进行多标签分类,能够提升网络环境下多标签分类的准确率.
摘要:在射频识别(Radio Frequency Identification,RFID)系统中,针对EPC C1G2协议的Q算法中Q值调整的不灵活性及对空闲时隙和碰撞时隙处理上的缺点,提出了一种基于连续时隙预测的帧时隙Aloha防碰撞算法.通过马尔可夫时隙状态模型,分析不同连续时隙状态下帧长与标签数的关系,提出连续时隙预测机制和自适应散列方案.有效地减少了无效时隙的出现,实现了读取阶段的时隙多数为成功时隙.仿真结果表明,本文提出的算法能够灵活地调整帧长,有效提高吞吐率,降低传输延时和开销,为物联网(Internet of Things,IoT)的海量数据信息完整性问题提供了合理的解决方案.
摘要:传统的视觉词典模型(Bag of Visual Words Model,BoVWM)中广泛存在视觉单词同义性和歧义性问题.且视觉词典中的一些噪声单词-“视觉停用词”,也会降低视觉词典的语义分辨能力.针对这些问题,本文提出了基于近义词自适应软分配和卡方模型的图像目标分类方法.首先,该方法利用概率潜在语义分析模型(Probabilistic Latent Semantic Analysis,PLSA)分析图像中视觉单词的语义共生概率,挖掘图像隐藏的语义主题,进而得到语义主题在某一视觉单词上的概率分布;其次,引入K-L散度度量视觉单词间的语义相关性,获取语义相关的近义词;然后,结合自适应软分配策略实现SIFT特征点与若干语义相关的近义词之间的软映射;最后,利用卡方模型滤除“视觉停用词”,重构视觉词汇分布直方图,并采用SVM分类器完成目标分类.实验结果表明,新方法能够有效克服视觉单词同义性和歧义性问题带来的不利影响,增强视觉词典的语义分辨能力,较好地改善了目标分类性能.
摘要:提出一种约束条件下的结构化高斯混合模型及非平行语料语音转换方法.从源与目标说话人的原始非平行语料中提取出少量相同音节,在结构化高斯混合模型的训练过程中,利用这些相同音节包含的语义信息及声学特征对应关系对K均值聚类中心进行约束,并在(Expectation Maximum,EM)迭代过程中对语音帧属于模型分量的后验概率进行修正,得到基于约束的结构化高斯混合模型(Structured Gaussian Mixture Model with Constraint condition,C-SGMM).再利用全局声学结构(Acoustic Universal Structure,AUS)原理对源和目标说话人的约束结构化高斯混合模型的高斯分布进行匹配对准,推导出短时谱转换函数.主观和客观评价实验结果表明,使用该方法得到的转换后语音在谱失真,目标倾向性和语音质量等方面均优于传统的结构化模型语音转换方法,转换语音的平均谱失真仅为0.52,说话人正确识别率达到95.25%,目标语音倾向性指标ABX平均为0.82,性能更加接近于基于平行语料的语音转换方法.