基于改进反馈卷积自编码器的高光谱图像降维

高光谱图像具有光谱分辨率高、特征丰富、图谱合一等优势,在土地利用分类、城市规划管理、森林资源调查等领域有着广泛应用。但是,高光谱图像不同光谱通道间存在大量冗余信息,导致高光谱图像降维算法复杂度高,同时也降低了高光谱图像降维算法的性能。针对该问题,结合目前主流的深度学习技术,文中提出一种基于改进反馈卷积自编码器的高光谱图像降维方法。首先,为增强信息的流动,在原有编码器模型中引入残差连接,促进了梯度信息的传播;其次,为了能够更好地捕捉高光谱数据的关键特征,在现有解码器模型中加入分支结构;最后,通过使用平均池化替换最大池化,采用平均绝对误差(MAE)替换均方误差(MSE)损失函数,进一步优化模型的特征提取能力,提高高光谱图像降维的性能。实验结果表明,所提出模型在Indian Pines数据集上的高光谱图像降维性能超过了现有最新方法,为高光谱图像降维提供了一个新思路。

基于特征负反馈卷积的点云分析方法

针对不规则性、无序性和稀疏性给点云分析带来的困难与挑战,提出了融合局部信息提取与全局特征推理的点云分析方法。首先,为了更加有效地进行局部点分组,使用结构感知K近邻(KNN)搜索局部邻域点。其次,基于边卷积改进提出一种特征负反馈卷积模块,在映射的高维空间中提取更为准确的局部特征。此外,设计了基于注意力机制的全局语义推理模块,通过强调不同区域的分组点来避免潜在的信息冗余,从而全面地获取点云特征。通过在公开的点云数据集ModelNet40和ShapeNet上进行测试,该方法总体分类精度和总体平均交并比分别达到93.8%和86.4%,定量的评估指标以及定性的可视化实验证明了该方法的准确性和鲁棒性。

反馈神经网络卷积码解码器在光纤通信中的研究

反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的,RNN的性能已经在加性白噪声信道中得到了肯定。对RNN解码器在以放大自发发射(ASE)噪声为主的光纤信道中的性能进行了研究,在以ASE噪声为主的3种信道模型中,同时研究了RNN解码器和Viterbi解码器的性能,发现RNN的性能同样很好,在解码过程中还有优势。

截断卷积码的重量枚举函数的计算

针对 Turbo码和串行级联卷积码的好码搜索 ,提出了一种栅格合并方案实现卷积码的码重分布统计 .该方案以起始的局部栅格经编码后所得的码重分布为基础 ,按照把栅格路径长度每次增加为原来的 2倍的频率对栅格进行迭代合并 ,最终得到相应的全局码重分布 .与传统的利用状态转移图计算卷积码的码重分布的方法相比 ,这种栅格合并方案在中、低交织时延下与传统方法的计算复杂度相当 ,但是省去了大量的预备工作 ,具有一定的实用意义 .

RNN卷积码解码器在超宽带通信中的研究

反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的。在加性白噪声信道中,RNN的性能已经得到了肯定,对应不同的卷积码有不同结构的RNN解码器。本文我们研究了RNN解码器在超宽带通信系统中的性能。

TURBO码中的交织器设计及其改进

Turbo码是近年来提出的一种信道编码。该系统在编码时采用并行的反馈系统卷积码( RSC)。在编码的同时 ,对原始信息和经过交织 ( interleave)乱序的信息进行编码。 Turbo码的解码一般采用软输入软输出解码器 ( SISO)。其解码算法主要有 SOVA、MAP以及改进的 L OGMAN算法。Turbo码的编解码中 ,交织器的性能是一个关键问题。文章对交织器的设计和各种交织器的性能进行了探讨 ,并提出了一种易于硬件实现的交织器设计方法。

非系统Turbo码

本文分析了非系统Turbo码的特性,从错误平层角度上看,非系统Turbo码有效自由距离属性使它比系统Turbo码取得更低的错误平层。本文还设计了一种新型的非系统Tuebo码的编译码器,并对相应的等价的非系统Turbo码与系统Turbo码的性能进行了比较。

关于Turbo码可实现解码方法的研究

Turbo码解码算法包括SOVA(softoutputviterbialgorithm) ,MAP (maxaposterior) ,以及LOGMAP算法 .其中LOGMAP算法兼有高性能和低计算复杂度的优点 .为了降低解码复杂度 ,对LOGMAP算法进行了模拟优化 ;为进一步减少解码时间 ,在解码过程中引入了滑动窗技术 .并对整个Turbo码解码过程进行量化模拟 ,得出了优化结果 .