摘要：基于自回归模型(Autoregressive Model, AR)的传统信道预测方法在高速移动中,信道具有较大的时变性,导致信道发生了非线性的改变。基于反向传播(Back Propagation, BP)网络的信道预测方法通过适当地调整权重可使模型更加稳健,但是算法效率较低。提出一种新的模型,设计长短期记忆(Long Short-Term Memory, LSTM)网络和增量学习相结合的在线信道预测模型,实现时变信道的在线预测。模型应用LSTM神经网络学习长时间序列的特性来处理时间相关通信系统中的信道状态信息,增量学习(Incremental Learning, IL)在运行期间不断预测系统状态,同时更新LSTM神经网络的现有权重,交替执行训练和预测过程,模型可以很好地适应无线信道的动态变化。实验结果表明,提出的模型能有效地改善时变信道的预测准确率。

摘要：建筑色彩数据库的建立,是古建筑保护工作深化的重要技术节点,其技术流程可包括色彩体系的选择、取色仪器的匹配及色彩样本的误差处理。当前古建筑保护存在着色彩原真意识淡薄、数据资料缺乏以及采集规范不全等问题,古建筑色彩保护严谨性与科学性亟待提高。通过梳理色彩数据采集流程以及方法,初步建立了一个系统、明确、可执行的工作模式,为古建筑色彩采集工作提供参考;并规范色彩数据采集工作的流程设计以及数据定量纠偏方法,为古建筑色彩定量研究提供支持。实践结合岳麓书院古建筑群色谱研究,致力于解决建筑古迹色彩采集所涉及的样本选择、高度障碍、材质不均、光强条件、湿度差异、色温影响等重难点问题,为岳麓书院古建筑群后续色彩研究奠定数据基础,是古建筑色彩保护中色彩采集技术路线的有效支撑。