高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码
排序:
相关度
发表时间
每页显示:
10
20
30
50
一种基于时域相关性的高性能视频编码快速帧间预测单元模式判决算法
李元, 何小海, 钟国韵, 卿粼波
2013, 35(10): 2365-2370. doi: 10.3724/SP.J.1146.2013.00028  刊出日期:2013-10-19
关键词: 高性能视频编码(HEVC), 帧间预测, 预测单元(PU), 编码时间
为了降低高性能视频编码(HEVC)的编码计算复杂度,根据视频时域上高度相关性的特点,该文提出一种快速高性能视频编码(HEVC)帧间预测单元(PU)模式判决算法。分析了时域上相邻帧两帧相同位置编码单元(CU)的PU模式之间的相关性;同时,针对视频中可能存在对象运动,还分析了前一帧对应位置CU的周边CU与当前帧中当前CU间PU模式的相关性。根据分析的时域相关性,跳过当前CU中冗余的PU模式,从而降低编码复杂度。实验结果表明,在编码效率和峰值信噪比(PSNR)损失很小的情况下,在目前已有的HEVC快速帧间预测算法的基础上,进一步降低了31.30%的编码时间。
一种主用户随机到达情况下改进的循环平稳特征检测算法
马彬, 方源, 谢显中
2015, 37(7): 1531-1537. doi: 10.11999/JEIT141283  刊出日期:2015-07-19
关键词: 认知无线电, 主用户随机到达, 循环平稳特征检测, 反馈叠加, 检测概率
在认知无线电(CR)网络中,针对检测频段突然被主用户(PU)占用导致次用户频谱检测性能较差的情况。该文提出一种基于反馈叠加原理的改进循环平稳特征检测算法,该算法通过将检测周期后半部分采样点的瞬时采样值累加到检测周期前半部分采样点的瞬时采样值上,在不延长检测时间的基础上,提高了整个检测周期的判决统计值,从而提高了系统检测性能。并且从理论上详细分析了该算法的检测概率,虚警概率与吞吐量。仿真结果表明,该算法的检测性能优于传统循环平稳特征检测算法和传统能量检测算法,并且保证了不错的用户数据吞吐量。
基于随机矩阵理论的DET合作频谱感知算法
曹开田, 杨震
2010, 32(1): 129-134. doi: 10.3724/SP.J.1146.2009.00517  刊出日期:2010-01-19
关键词: 合作频谱感知; 随机矩阵理论; 采样协方差矩阵; 最大特征值
针对认知无线电系统中的频谱感知问题,该文采用随机矩阵理论(Random Matrix Theory, RMT)对多认知用户(Secondary User, SU)接收信号采样协方差矩阵的最大特征值的分布特性进行了分析和研究,提出了一种新的基于双特征值判决门限(Double Eigenvalue Threshold, DET)的合作频谱感知算法。由该算法感知性能的理论分析可知:DET合作感知算法无需主用户(Primary User, PU)发射机信号的先验知识,也不需要预先知道信道背景噪声功率。仿真结果表明,与传统的频谱感知方法相比,该方法只需较少的认知用户就能获得较高的感知性能,并且对噪声的不确定性具有较强的鲁棒性。
认知无人机网络中次级链路吞吐量优化研究
达新宇, 张宏伟, 胡航, 潘钰, 井锦玲
2020, 42(8): 1934-1941. doi: 10.11999/JEIT200056  刊出日期:2020-08-18
关键词: 认知无线电, 无人机, 频谱感知, 帧结构, 吞吐量
无人机(UAV)的便携性和高机动性使其与认知无线电(CR)结合的应用场景更加实用。在构建的无人机认知无线网络(CRN)模型中,该文提出UAV单弧度吞吐量优化方案,在确保检测概率的前提下优化感知弧度最大化UAV平均吞吐量。考虑在信道条件不理想情况下进一步改善感知性能,提出基于协作频谱感知(CSS)的多弧度吞吐量优化方案,利用交替迭代优化(AIO)算法对感知弧度和弧度数量进行联合优化以最大化吞吐量。仿真结果表明,该文提出的多弧度协作频谱感知方案在信道衰落严重时,对于主用户(PU)服务质量(QoS)和UAV吞吐量有明显提升。
基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知
申滨, 王欣, 陈思吉, 崔太平
doi: 10.11999/JEIT191012
关键词: 机器学习, 频谱感知, 支持向量机, 卷积神经网络, 蜂窝认知无线电网络
近年来,基于机器学习(ML)的频谱感知技术为认知无线电系统提供了新型的频谱状态监测解决方案。利用蜂窝认知无线电网络(CCRN)中的次级用户设备(SUE)所能提供的大量频谱观测数据,该文提出了一种基于主用户(PU)传输模式分类的频谱感知方案。首先,基于多种典型的ML算法,对于网络中的多个主用户发射机(PUT)的传输模式进行分类辨识,在网络整体层面上确定所有PUT的联合工作状态。然后,网络中的SUE根据其所处地理位置或者频谱观测数据,判断其在当前已判定的PUT发射模式下接入授权频谱的可能性。由于PUT在网络中的实际位置可能事先已知或者无法提前确定,该文给出了3种不同的处理方法。理论推导与实验结果表明,所提方案与传统的能量检测方案相比,不仅改善了频谱感知性能,还增加了蜂窝认知网络对于授权频谱的动态访问机会。该方案可以作为蜂窝认知无线电网络中的一种高效实用的频谱感知解决方案。

官方微信,欢迎关注