基于卷积注意力和对比学习的多视图聚类

多视图聚类能够综合不同视图的互补信息,往往能获得比单一视图更好的效果。然而,传统多视图聚类方法受限于线性和浅层的学习函数,难以表征数据的深层信息;现有的深度学习方法在表征多视图数据时,对多维度的细节特征关注度有所不足。针对这些问题,提出一种基于卷积注意力机制的编码器模型(AEMC),该模型根据不同视图的特定表征,在编码器中融入卷积注意力模块自适应学习各个视图的关键特征,此外,为了优化模型,根据编码器表征,通过对比学习策略构造正负样本,使正样本间的相似度增加,负样本的相似度减少,引导聚类过程从而使其更具鲁棒性。实证结果表明,模型优于当前大多数主流方法,并在E-MNIST、E-FMNIST、VOC和RGB-D数据集上聚类精度比基准模型分别提高了10.2%、8.1%、7.4%和4.9%,在手写数据集E-MNIST和E-FMNIST的聚类准确率分别高于目前最优的对比聚类方法(CoMVC)0.7%和1.3%,在VOC、RGB-D数据集上略低于对比聚类方法(CoMVC)。

可见光通信系统的符号定时偏移估计方法

同步模块作为正交频分复用(OFDM)系统中的关键模块,是数据解调和信道估计的基本前提。由于基于OFDM的可见光通信(VLC)系统对同步误差敏感,符号定时偏移(STO)估计的准确性直接影响系统性能。针对直流偏置光OFDM(DCO-OFDM)系统,提出了一种基于奇偶对称性的符号定时偏移估计方法。该方法通过设计具有奇偶对称结构的训练符号,使其能够产生理想的类脉冲定时度量,从而实现出色的符号定时估计精度。通过计算机仿真测量定时偏移估计的均方根误差(RMSE)、平均绝对误差(MAE)和误码率(BER),以评估所提方法的性能,并与两个基线方法(Park方法和Guerra方法)进行比较。仿真结果表明,这种新的符号定时同步方法在加性高斯白噪声(AWGN)信道和多径衰落信道上均优于上述方法,这验证了该方法在DCO-OFDM系统中的有效性。