摘要：现有的边缘计算研究集中于无线资源分配和计算资源分配,而对用户聚集场景下的边缘协同问题研究较少。针对此问题提出一种用户聚集场景下的层级计算卸载策略。该策略采用FSA-MCS解决多重基站信号覆盖下的用户终端卸载节点选择问题;设计一种层级结构的启发式区域计算卸载算法,能够有效提高用户聚集场景下限定时间内完成的任务数量,并减少了用户卸载总时延。实验结果表明,与其他卸载方法相比,该策略的用户任务在限定时间内成功计算完成率最高提高32.7百分点,卸载总时延最高减少43.3%。

摘要：针对应用深度学习方法对数字调制信号进行解调时过采样要求较高的问题,设计低过采样的多尺度一维卷积神经网络数字解调器。该解调器可以在与传统解调器相同的过采样条件下,对BPSK、4-QAM、8-QAM、16-QAM四种数字调制信号进行解调,并能保证传统解调方法相同的误码性能。仿真结果表明,在高斯和Rayleigh衰落信道下,给出的数字调制信号解调器可以在保证解调误码性能的同时,减少了对采样倍数的要求,降低了神经网络结构的复杂性。

摘要：针对水下成像光MIMO系统子信道间相关性强的问题,提出一种基于格基约减最小均方误差预编码算法。通过将接收端的最小均方误差检测操作转化为发送端的预编码,解决了传统光MIMO线性检测算法对噪声的放大问题,并利用格基约减后正交性更好的信道矩阵求解预编码阵,降低了光MIMO系统子信道间的相关性。仿真结果表明,在误码率为10^(-4)数量级时,与传统光MIMO检测算法相比,采用格基约减预编码算法的系统获得了5 dB的信噪比增益。

摘要：针对非配合场景下,姿态偏差及低分辨率条件下人脸重建效果差、识别率低等问题,提出一种三元对抗重建识别网络。该方法先通过编解码网络将人脸图像重建为高分辨率正脸图像,再对重建人脸进行识别。在网络训练上,设计了一种最短距离三元组损失函数,并将其与对抗机制结合,使网络对同一个人提取的特征相似性高,而与其他人提取出的特征相似度低。实验结果表明,在大角度低分辨率条件下,本文网络性能优于目前领先的人脸姿态矫正算法。

摘要：针对大规模网络数据的重构问题,该文以图信号处理(GSP)理论为基础,提出一种基于笛卡尔乘积图上Sobolev平滑的分布式批量重构算法(DBR-SSC)。该算法首先按时间顺序将时变图信号划分为多个信号段,并利用笛卡尔积将每一段内各时刻的图建模为乘积图;然后利用笛卡尔乘积图上的Sobolev差分平滑,将每一段的信号重构问题归结为优化问题;最后设计具有高收敛速度的分布式算法求解该优化问题。采用两种现实世界的数据集进行仿真实验,实验结果表明所提算法重构误差低并具有高收敛速度。

摘要：针对可见光通信直流偏置光正交频分复用(direct current-biased optical-OFDM,DCO-OFDM)系统中峰均功率比(peak-to-average power ratio,PAPR)大的缺点,采用限幅与滤波(clipping and filtering,CAF)、部分传输序列(partial transmit sequence,PTS)、矩阵变换技术(matrix transformation method,MTM)对DCO-OFDM系统进行PAPR抑制。首先建立DCO-OFDM系统模型,然后对3种抑制技术进行原理分析,最后进行实验仿真,从互补累积分布函数(complementary cumulative distribution function,CCDF)和计算复杂度两方面比较了3种算法的PAPR抑制性能,并总结实验存在的不足以及提出展望。

摘要：基于相位补偿原理设计了一款全介质超透镜,同时使用喇叭天线作为馈源对透镜进行馈电。通过改变介质单元的高度和介质孔的深度实现了足够的相位补偿范围。该透镜共有506个单元,口径尺寸为44.6 mm×46.6 mm,该传输阵天线的焦径比为1。天线使用全介质结构,因此使用3D打印技术加工该全介质透镜,可以降低加工成本。仿真与实测结果显示,在82 GHz该介质超透镜天线增益达到29.7 dBi,口径效率为52.55%,1 dB增益带宽为20.5%(73.2~90 GHz)。

摘要：针对高光谱图像分类在特征提取过程中高分辨率信息丢失,导致分类精度下降的问题,提出一种基于空谱分组卷积密集网络的高光谱图像分类方法。设计光谱-空间三维分组卷积密集模块,对光谱与空间特征进行分步提取,利用分组卷积构造的密集网络能减少数据固有信息冗余,使高分辨率的特征进行重用,避免细节特征信息丢失;设计光谱残差注意力模块,该模块通过结合空-谱特征计算注意力权重,对提取到的光谱特征进行权重重分配,对光谱信息富有的区域进行增强。实验结果表明,相比于若干最优的深度网络方法,所提高光谱图像分类方法具有更好的分类性能。

摘要：LoRa技术近年来在低轨卫星通信中得到广泛关注,但仍存在抗多普勒频移能力差和多址容量低的问题。为此,基于具有良好抗快时变衰落的折叠调频斜率键控调制(FCrSK)波形,设计了带内频分多址接入方式。其中每个用户采用不同初始频率信道实现多址接入,且所有用户均共享相同的频带资源。并且分析了该多址方式存在的多址干扰问题,给出了一种基于纠错反馈的带内频分多址干扰对消方法,该技术相较于LoRa体现出更好的多址接入容量和更强的多普勒鲁棒性。

摘要：为提高现有增量学习模型在容量固定环境下学习的持久性,提出一种基于权值选择策略的增量学习方法。根据贝叶斯神经网络携带的不确定性动态地调整权值的学习率,以此优化一个能同时记忆新旧知识的模型;为使模型的学习与记忆更有弹性,在此基础上提出一种权值选择策略,该策略可以令模型主动选择性地释放部分网络资源,在不严重损害旧任务性能的前提下促进后续任务的学习。实验结果表明,在模型容量固定的环境下,权值选择策略的引入可以更有效地发掘模型的持续学习能力。