基于Transformer-LSTM模型的毫米波雷达行人轨迹预测方法

在智能交通领域,对行人轨迹进行预测是一个非常有意义的研究课题。毫米波雷达凭借其强大的抗干扰能力和高隐私保密性,在行人轨迹预测方面具有良好的应用前景。为了解决传统预测算法准确度不高、长序列预测效果不佳的问题,文中提出一种基于Transformer-LSTM毫米波雷达的行人轨迹预测方法。该方法利用毫米波雷达采集行人轨迹数据,通过DBSCAN方法合成轨迹点,建立行人轨迹数据集,进行模型训练。该模型利用Transformer的动态权重分配和长短期记忆网络(Long Short-Term Memory,LSTM)的轨迹特征提取,深度挖掘不同层次的关键信息。实验结果表明,与经典运动学模型和传统神经网络模型相比,Transformer-LSTM在行人轨迹预测任务中预测精度更高、稳定性更好。

无线光通信中自适应偏置混合ACO-OFDM方法研究

针对混合非对称限幅光学正交频分复用(hybrid asymmetrically clipped optical orthogonal frequency division multiplexing,HACO-OFDM)技术只利用了奇数子载波和偶数子载波的虚部进行符号传输而导致频谱效率低效的问题,本文提出了一种自适应偏置HACO-OFDM(adaptively biased HACO-OFDM,AB-HACO-OFDM)方法。该方法针对未被使用的偶数子载波的实部,构造了脉冲幅度调制离散多音(pulse-amplitude modulated discrete multitone,PAM-DMT)信号,并与HACO-OFDM信号混合传输提升子载波利用率,同时,引入功率高效的自适应偏置信号保证非负性。仿真结果表明:相比HACO-OFDM,提出的AB-HACO-OFDM能够有效地提升传输的频谱效率,同时,具有更优的误比特率(bit error rate,BER)性能。此外,相比传统的正交频分复用(orthogonal frequency division multiplexing,OFDM)方法,所提方法实现目标BER所需的信噪比更低,表现出更高的功率效率。