期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
通信发射系统中各种因素对EVM指标的影响 被引量:1
1
作者 王平 《舰船电子对抗》 2022年第6期35-40,共6页
首先介绍了误差矢量幅度(EVM)的定义和计算方法,然后结合通信发射系统的特征,分析、仿真或实测了I/Q不平衡、相位噪声、非线性放大和信道加性高斯白噪声等因素对EVM指标的影响。
关键词 误差矢量幅度 I/Q不平衡 相位噪声 非线性放大 信道加性高斯白噪声
下载PDF
基于信道测量实验的NLOS误差消除方法对比研究 被引量:4
2
作者 畅田田 王威 +3 位作者 高婧洁 申晓红 姜苏英 谢景丽 《西北工业大学学报》 EI CAS CSCD 北大核心 2022年第4期865-874,共10页
为了研究不同消除方法对无线电信号由非视距(NLOS)传播而产生的距离估计正偏误差的消除性能,基于信道状态信息(CSI)提取出均值、均方根延迟扩展、偏度、峰度、峰均比特征,并将其与基于到达时间(TOA)的对数估计距离相结合作为特征输入向... 为了研究不同消除方法对无线电信号由非视距(NLOS)传播而产生的距离估计正偏误差的消除性能,基于信道状态信息(CSI)提取出均值、均方根延迟扩展、偏度、峰度、峰均比特征,并将其与基于到达时间(TOA)的对数估计距离相结合作为特征输入向量,通过建立高斯过程回归(GPR)、最小二乘支持向量机回归(LS⁃SVMR)与BP神经网络训练模型进行实验性能比较。对实际测量的典型室内环境中2.4~5.4 GHz的无线传播信道进行误差消除实验,比较不同输入特征、不同带宽和不同频带下的NLOS误差消除性能。实验结果表明:GPR模型表现出最好的NLOS误差消除性能,且所提取的CSI多特征作为输入向量可以将平均绝对误差(MAE)和均方根误差(RMSE)分别减小71.12%和81.36%;随着带宽不断增加,误差消除性能逐渐优化,即可通过增大带宽有效地改善输入特征较少时的NLOS定位误差;在多特征输入下,低频带的NLOS测距误差与高频带不同,因此将所有可用的频带结合可以比单频带更好地消除NLOS定位误差。 展开更多
关键词 非视距 信道状态信息 到达时间 最小二乘支持向量机回归 高斯过程回归 BP神经网络
下载PDF
高斯矢量多路输入信道下的消息认证方案 被引量:1
3
作者 韩佳良 徐明 《计算机工程》 CAS CSCD 北大核心 2020年第12期120-126,共7页
消息认证可使消息接收者检测消息是否被合法发送者之外的其他人伪造或非法修改,而传统消息认证方案通常在网络层或更高层上执行,容易遭受重放攻击、拒绝服务攻击等安全威胁。在分析基于物理层的消息认证方案基础上,构建高斯矢量多路输... 消息认证可使消息接收者检测消息是否被合法发送者之外的其他人伪造或非法修改,而传统消息认证方案通常在网络层或更高层上执行,容易遭受重放攻击、拒绝服务攻击等安全威胁。在分析基于物理层的消息认证方案基础上,构建高斯矢量多路输入信道模型。通过最小均方误差法进行信道估计,提出消息认证方案并制定敌手的最优攻击策略,同时根据敌手攻击成功的概率确定可达的保密边界。在信道传输功率一定的情况下,通过信息论分析信道的最大安全认证速率,得到信道的保密容量区域。实验结果表明,随着接收消息数的增加,敌手攻击成功的概率均值呈指数级下降,且当所有发送者与窃听方的空间相关系数均低于0.3时,敌手攻击成功的概率均值小于1.87×10^-7,验证了该方案的安全性。 展开更多
关键词 高斯矢量多路输入信道 消息认证 假设检验 最优攻击策略 保密容量
下载PDF
GMM-UBM和SVM说话人辨认系统及融合的分析 被引量:9
4
作者 鲍焕军 郑方 《清华大学学报(自然科学版)》 EI CAS CSCD 北大核心 2008年第S1期693-698,共6页
在说话人辨认任务中,Gauss混合模型-通用背景模型(Gaussian mixture model-universal backgroundmodel,GMM-UBM)采用帧向量进行建模和识别,突出了说话人个性特征,但受信道影响较大;支持向量机(support vector machine,SVM)利用帧向量在... 在说话人辨认任务中,Gauss混合模型-通用背景模型(Gaussian mixture model-universal backgroundmodel,GMM-UBM)采用帧向量进行建模和识别,突出了说话人个性特征,但受信道影响较大;支持向量机(support vector machine,SVM)利用帧向量在空间中分布的Gauss混合的均值进行建模和识别,对信道的鲁棒性较好,但对说话人的个性体现不够。该文分析了这2种说话人识别系统的优缺点,并采用融合方法来提高系统的性能。在美国国家标准与技术研究所(NIST)评测数据集的实验中,融合系统的等错误率从GMM-UBM系统的9.30%和SVM系统的8.26%降低到7.34%,分别相对降低了21.08%和11.14%。 展开更多
关键词 说话人辨认 Gauss混合模型-通用背景模型(GMM-UBM) 支持向量机(SVM) 信道鲁棒
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部