在多输入多输出(Multiple Input Multiple Output,MIMO)雷达系统的角度估计中,混入接收机的噪声通常被假设为均匀的。然而,实际场景下往往是非均匀噪声,使得噪声协方差矩阵是未知的。若直接应用传统的子空间估计算法,如二维多重信号分类...在多输入多输出(Multiple Input Multiple Output,MIMO)雷达系统的角度估计中,混入接收机的噪声通常被假设为均匀的。然而,实际场景下往往是非均匀噪声,使得噪声协方差矩阵是未知的。若直接应用传统的子空间估计算法,如二维多重信号分类(Two-dimensional Multiple Signal Classification,2D-MUSIC)算法,则会导致角度估计性能下降或算法失效,因此需要设计新的算法,用于估计噪声协方差矩阵,以求得噪声子空间。相对于迭代类处理算法而言,非迭代噪声子空间估计算法无需进行迭代计算,从而降低了计算复杂度。基于此,研究和分析了一种适用于非均匀噪声条件下的一维非迭代噪声子空间估计算法,并将其扩展至MIMO雷达二维角度估计。首先通过理论分析验证了该扩展的可行性,其次通过实验验证了其对目标的联合离开角(Direction of Departure,DOD)和到达角(Direction of Arrival,DOA)的估计具有较好的测角性能。展开更多
在室内定位中,行人航迹推算(Pedestrian Dead Reckoning, PDR)的主要优点在于,其仅需要用户拥有智能手机就能实现定位,无须依赖外部环境,但是存在较大的累积误差,通常需要结合蓝牙、WiFi、地磁等技术融合定位来改善定位精度。此类方法...在室内定位中,行人航迹推算(Pedestrian Dead Reckoning, PDR)的主要优点在于,其仅需要用户拥有智能手机就能实现定位,无须依赖外部环境,但是存在较大的累积误差,通常需要结合蓝牙、WiFi、地磁等技术融合定位来改善定位精度。此类方法需要架构一定的硬件节点且需要构建大量指纹数据库信息。针对该问题,提出了一种基于机器对机器(Machine to Machine, M2M)区域内纠正PDR的室内定位方法。该方法首先在行人行进过程中设置一个距离测量区域,其次在该区域内测量行人手机与其他手机的距离,最后通过三边定位方法进行定位,校正PDR的定位误差和精度。该方法不需要额外铺设其他硬件设施。实验结果表明,相比传统的PDR定位,该方法适合较长时间定位且平均定位误差降为0.36 m,具有较高的定位精度。展开更多
近年来,情感分析是近年来自然语言处理领域备受学者关注的核心研究方向,传统文本情感分析模型只能捕捉文本的表面特征,在不同领域或语境下缺乏泛化能力,难以处理长文本以及语义歧义等问题.针对上述问题,本文设计了基于图神经网络与表示...近年来,情感分析是近年来自然语言处理领域备受学者关注的核心研究方向,传统文本情感分析模型只能捕捉文本的表面特征,在不同领域或语境下缺乏泛化能力,难以处理长文本以及语义歧义等问题.针对上述问题,本文设计了基于图神经网络与表示学习的文本情感分析模型(a text sentiment analysis model based on graph neural networks and representation learning,GNNRL).利用Spacy生成句子的语法依赖树,利用图卷积神经网络进行编码,以捕捉句子中词语之间更复杂的关系;采用动态k-max池化进一步筛选特征,保留文本相对位置的序列特征,避免部分特征损失的问题,从而提高模型的特征提取能力.最后将情感特征向量输送到分类器SoftMax中,根据归一化后的值来判断情感分类.为验证本文所提GNNRL模型的有效性,采用OS10和SMP2020两个文本情感分析数据集进行测试,与HyperGAT、IBHC、BERT_CNN、BERT_GCN、TextGCN模型比较,结果表明,综合accuracy、precision、recall、f14个指标,本文改进的AM_DNN模型均优于其他模型,在文本情感中具有较好的分类性能,并探究了不同优化器的选择对本模型的影响.展开更多
文摘在多输入多输出(Multiple Input Multiple Output,MIMO)雷达系统的角度估计中,混入接收机的噪声通常被假设为均匀的。然而,实际场景下往往是非均匀噪声,使得噪声协方差矩阵是未知的。若直接应用传统的子空间估计算法,如二维多重信号分类(Two-dimensional Multiple Signal Classification,2D-MUSIC)算法,则会导致角度估计性能下降或算法失效,因此需要设计新的算法,用于估计噪声协方差矩阵,以求得噪声子空间。相对于迭代类处理算法而言,非迭代噪声子空间估计算法无需进行迭代计算,从而降低了计算复杂度。基于此,研究和分析了一种适用于非均匀噪声条件下的一维非迭代噪声子空间估计算法,并将其扩展至MIMO雷达二维角度估计。首先通过理论分析验证了该扩展的可行性,其次通过实验验证了其对目标的联合离开角(Direction of Departure,DOD)和到达角(Direction of Arrival,DOA)的估计具有较好的测角性能。
文摘在室内定位中,行人航迹推算(Pedestrian Dead Reckoning, PDR)的主要优点在于,其仅需要用户拥有智能手机就能实现定位,无须依赖外部环境,但是存在较大的累积误差,通常需要结合蓝牙、WiFi、地磁等技术融合定位来改善定位精度。此类方法需要架构一定的硬件节点且需要构建大量指纹数据库信息。针对该问题,提出了一种基于机器对机器(Machine to Machine, M2M)区域内纠正PDR的室内定位方法。该方法首先在行人行进过程中设置一个距离测量区域,其次在该区域内测量行人手机与其他手机的距离,最后通过三边定位方法进行定位,校正PDR的定位误差和精度。该方法不需要额外铺设其他硬件设施。实验结果表明,相比传统的PDR定位,该方法适合较长时间定位且平均定位误差降为0.36 m,具有较高的定位精度。
文摘近年来,情感分析是近年来自然语言处理领域备受学者关注的核心研究方向,传统文本情感分析模型只能捕捉文本的表面特征,在不同领域或语境下缺乏泛化能力,难以处理长文本以及语义歧义等问题.针对上述问题,本文设计了基于图神经网络与表示学习的文本情感分析模型(a text sentiment analysis model based on graph neural networks and representation learning,GNNRL).利用Spacy生成句子的语法依赖树,利用图卷积神经网络进行编码,以捕捉句子中词语之间更复杂的关系;采用动态k-max池化进一步筛选特征,保留文本相对位置的序列特征,避免部分特征损失的问题,从而提高模型的特征提取能力.最后将情感特征向量输送到分类器SoftMax中,根据归一化后的值来判断情感分类.为验证本文所提GNNRL模型的有效性,采用OS10和SMP2020两个文本情感分析数据集进行测试,与HyperGAT、IBHC、BERT_CNN、BERT_GCN、TextGCN模型比较,结果表明,综合accuracy、precision、recall、f14个指标,本文改进的AM_DNN模型均优于其他模型,在文本情感中具有较好的分类性能,并探究了不同优化器的选择对本模型的影响.