RFID标签冲突低复杂度聚类分离方法

由于多个无线射频识别(RFID)标签同时与阅读器通信易发生冲突,通信效率较低,因此标签防冲突是RFID通信系统的一个重要问题。对此,提出一种PCA降维与一维投影结合的聚类方法,解决标签冲突。通过PCA降维找到最大化投影方向进行投影,采用蒙特卡洛方法快速找到峰值作为聚类中心,完成信号分离。仿真数据中,不同信道衰落系数下,该方法都能在20 dB后成功解码,分离效率达到100%;实测数据中,该方法的时间复杂度低于传统算法,吞吐量达到0.55。

MCI的rs-fMRI功能性连接的特征选择与压缩

轻度认知障碍(mild cognitive impairment,MCI)的诊断和及时治疗对阿兹海默症(alzheimer’s disease,AD)患者提供早期预警信号具有临床意义.通过神经影像学技术和机器学习(machine learning,ML)对MCI进行辅助诊断的方法性能主要依赖于筛选可表达组间显著性差异的特征,而目前常用皮尔逊相关法表示脑区连通性并将其直接作为分类器的输入特征,通常这些特征包含冗余信息且易造成维度诅咒的问题.针对该问题,提出特征选择和特征压缩相结合的方法筛选重要特征,首先对rs-fMRI计算动态功能连接(dynamic functional connectivity,DFC),其次利用最小类内距离准则筛选重要的特征,然后对筛选后的特征进行最小二乘(least square,LS)线性拟合压缩数据,最后将得到的拟合系数作为分类器输入特征.实验结果表明,特征压缩与特征选择结合的算法获得的分类精度可达76%,比未经特征处理的分类准确率提高了大约8%,表明该方法能有效提高MCI分类准确率,具有一定的生物学意义.

短距离无线通信系统的冲突信号分离与解码

短距离通信是物联网中常用的通信方式,多是一传感节点对多物理节点的情形,由于其采用无线共享信道,因此多个信源一起传输必然导致冲突发生。通常,多信源冲突采用MAC协议随机多址方法解决,由于其通信机制是一旦冲突发生,则会重传,所以通信效率并不高。采用信号分离和编解码技术可直接从冲突信号中恢复出信源,因此可显著提高通信效率,但该方法需要预知或估计信号衰落系数才能保证良好的性能。本文提出一种有限符号分离的维特比解码方法,该方法通过估计字典矩阵,无需预知衰落系数就能准确提高恢复冲突信号。实验中,我们分别用仿真和软件无线电构建了一个基于FM0码的超高频短距离无线通信系统,实验结果表明本文提出的方法吞吐量达到了约0.61,相比传统的ALOHA系统吞吐量提高了约0.25。

迁移学习特征提取的rs-fMRI早期轻度认知障碍分类

早期轻度认知障碍(early mild cognitive impairment,EMCI)是阿尔兹海默症(Alzheimer’s disease,AD)发生前的必经阶段,EMCI的准确诊断对AD早期预防和治疗都具有积极作用。通过静息态功能性磁共振成像(rest-state functional magnetic resonance imaging,rs-fMRI)来诊断EMCI的深度学习方法性能主要依赖如何提取特征值,而传统提取方法存在特征信息易损失和训练网络时间过长等问题。针对该问题,本文采用迁移学习的特征提取方法来对EMCI分类,首先从rs-fMRI中提取兴趣区(region of interest,ROI)时间序列,以此完成源数据的降维,然后利用MobileNet迁移网络从ROI中提取瓶颈特征,最后将该特征输入到设计的分类顶层网络以得到最后分类结果。在实验中,采用阿尔茨海默病神经影像学数据库(Alzheimer’s disease neuroimaging initiative,ADNI)的数据进行测试,实验结果表明,本文的方法比传统方法的分类精度提高了约10%,而分类时间大约只有传统方法的25%。

使用深度学习和不同频率维度的脑功能性连接对轻微认知障碍的诊断

准确诊断轻微认知障碍(MCI)对于阿尔兹海默症(AD)的预防和治疗十分关键,目前常使用深度学习和静息态功能核磁共振成像(rs-fMRI)对MCI进行辅助诊断。皮尔逊(Pearson)相关法和加窗的皮尔逊(WP)相关法能在时间维度上表示脑功能性连接(FC),但不能将不同频率维度上的信息进行分解表示。针对这一问题,提出将不同频率维度的FC系数作为现有深度学习的特征输入的方法,以提高MCI分类准确率。首先将被试的数据进行拼接后进行多通道经验模态分解(MEMD),然后通过切割求得不同频率维度上的FC系数,最后使用VGG16和长短期记忆(LSTM)网络进行测试。实验结果表明,使用所提出的FC系数时,MCI的分类准确率最高可达84.33%,相较使用传统FC系数时的准确率提高了18.33~21.00个百分点;而且不同频率维度的FC系数对MCI有着不同的分辨率。

轻度认知障碍磁共振信号中固有频率动态功能性连接的聚类研究

功能性连接(Functional connectivity,FC)可以表示脑区的协同工作能力,目前广泛采用动态功能性连接(Dynamic functional connectivity,DFC)和聚类分析相结合的方法研究疾病的显著性差异分析和分类。但现有研究,对于聚类个数的确定和聚类结果选用并没有明确的标准,且传统的DFC无法表示不同频率的FC信息。因此,本文对轻度认知障碍(Mild cognitive impairment,MCI)磁共振信号中固有频率DFC聚类问题进行研究。首先对被试的时间进程(Time course,TC)数据做噪音辅助的多元经验模态分解并计算DFC;然后通过评判辅助的聚类方法做聚类分析,再采用最小二乘对聚类结果做拟合;最后采用分类器做分类。实验采用阿尔茨海默病神经影像学(Alzheimer’s disease nearoimaging,ADNI)数据库的数据对本文算法进行测试。实验结果表明,有监督聚类分类准确率高于无监督聚类;引入固有频率的DFC分类准确率要高于传统的DFC;最小二乘拟合能提升分类准确率。

RFID标签冲突分离的最大后验概率聚类

无线射频识别(Radio frequency identification,RFID)通信系统中,当多个标签冲突时,可对冲突信号分离再解码以提高系统的通信效率,而信号分离通常依靠聚类完成。然而,有时传统方法在算法时间复杂度和聚类准确度方面不可兼顾。本文提出一种最大后验概率估计的聚类方法,通过蒙特卡罗方法快速找到峰值,以此作为聚类中心完成信号分离。实验分别采用了仿真和软件无线电的实测数据对算法进行测试,两者的结果均表明,本文算法在高信噪比下具有较高的聚类准确度和较低的时间复杂度,且嵌入动态帧ALOHA系统中,吞吐量可达到0.55,高于纯动态帧ALOHA。

冲突射频识别标签分离的似然解码

在超高频(Ultra High Frequency,UHF)无线射频识别(Radio Frequency Identification,RFID)系统中,当多个标签同时向阅读器发送数据就会发生标签冲突,在介质访问控制(Media Access Control,MAC)层防冲突效率较低,采用物理层分离解码算法可有效提高该系统的吞吐量。特别地,由于Miller码拥有比FM0码更多的副载波,具有更高的抗噪声性能,因此提出了一种物理层分离的最大似然Miller解码方法,用于优化传统Miller解码。该方法聚类并确定各簇对应标签排列情况以分离标签信号,再用最大似然的Viterbi解码完成冲突信号的识别。实验中,仿真数据结果表明,该算法在低信噪比下,分离效率高于传统解码方法约20%;实测数据结果表明,该算法嵌入至动态帧ALOHA系统中,吞吐量达到0.55,高于传统理论最优值0.37。