针对现有信道估计方案导致正交时频空间(Orthogonal Time Frequency Space,OTFS)调制系统峰均功率比(Peak-to-Average Power Ratio,PAPR)高或频谱效率(Spectral Efficiency,SE)低的问题,提出一种多叠加导频的低PAPR、高SE信道估计方法...针对现有信道估计方案导致正交时频空间(Orthogonal Time Frequency Space,OTFS)调制系统峰均功率比(Peak-to-Average Power Ratio,PAPR)高或频谱效率(Spectral Efficiency,SE)低的问题,提出一种多叠加导频的低PAPR、高SE信道估计方法。发送端利用时域正交性和离散傅里叶域相位的随机性,在时延多普勒域中嵌入与数据相叠加的5导频符号的导频图案实现低PAPR,提高SE。接收端以数据符号与噪声之和的能量均值为基准,实现导频信号检测,同时根据每个导频的不同位置信息恢复出存在相位旋转的数据信号。基于能量准则,利用多个独立的接收信号进行联合信道估计,以降低数据符号的干扰,并采用消息传递算法进行数据恢复。仿真结果表明,该方法比单叠加导频信道估计的PAPR低,同时较嵌入式导频信道估计的SE提高约14.4%。展开更多
针对现有时间维度波达方向(direction of arrival,DOA)估计方案中,时间调控速率受限导致目标信号频谱混叠的问题,提出了一种基于异步调控的DOA估计方法,该方法能够有效提升调控速率,进而提升信号处理的信号带宽。在不改变时间调控超表面...针对现有时间维度波达方向(direction of arrival,DOA)估计方案中,时间调控速率受限导致目标信号频谱混叠的问题,提出了一种基于异步调控的DOA估计方法,该方法能够有效提升调控速率,进而提升信号处理的信号带宽。在不改变时间调控超表面(time-varying metasurface,TVM)硬件约束的情况下,该方法利用单元状态会持续一段时间的性质,交错不同列单元的变化起始时间,在一个状态持续时间内获得了多个不同的响应。异步调控方法能够使TVM在受材料限制的情况下,等效增加虚拟多通道个数,提高DOA估计的精度。仿真结果验证了方法的有效性,相较于现有的同步调控方法,新方法在DOA估计性能上有了较大提升,能够逼近理论上的最优DOA估计结果。展开更多
在基于增强现实装配引导的复杂零/部件装配场景中,由于手部对零/部件的遮挡,导致零件位姿解算时产生较大的误差,甚至造成求解失败。目前针对手工装配零件的位姿估计算法在解决零件遮挡问题时没有考虑手部信息,使得位姿估计精度难以满足...在基于增强现实装配引导的复杂零/部件装配场景中,由于手部对零/部件的遮挡,导致零件位姿解算时产生较大的误差,甚至造成求解失败。目前针对手工装配零件的位姿估计算法在解决零件遮挡问题时没有考虑手部信息,使得位姿估计精度难以满足增强装配实际应用的要求。针对上述问题,提出了融合手部姿态的零件6D位姿估计算法,即HandICG算法。该算法将手部的姿态信息与迭代对应几何(Iterative Corresponding Geometry,ICG)算法进行融合,当发生手部遮挡时,将手部的姿态信息应用到零件姿态的求解中,从而显著提高手部遮挡情况下零件位姿估计的精度,实验表明,平均模型点距离(Average Distance of Model points,ADD)相关评价指标达到74.73%,是ICG算法的2.61倍。该算法显著提升了增强装配场景中零件位姿解算的准确性和鲁棒性。展开更多
人脸特征蕴含诸多信息,在面部属性和情感分析任务中具有重要价值,而面部特征的多样性和复杂性使人脸分析任务变得困难。针对上述难题,从面部细粒度特征角度出发,提出基于上下文通道注意力机制的人脸属性估计和表情识别(FAER)模型。首先...人脸特征蕴含诸多信息,在面部属性和情感分析任务中具有重要价值,而面部特征的多样性和复杂性使人脸分析任务变得困难。针对上述难题,从面部细粒度特征角度出发,提出基于上下文通道注意力机制的人脸属性估计和表情识别(FAER)模型。首先,构建基于ConvNext的局部特征编码骨干网络,并运用骨干网络编码局部特征的有效性来充分表征人脸局部特征之间的差异性;其次,提出上下文通道注意力(CC Attention)机制,通过动态自适应调整特征通道上的权重信息,表征深度特征的全局和局部特征,从而弥补骨干网络编码全局特征能力的不足;最后,设计不同分类策略,针对人脸属性估计(FAE)和面部表情识别(FER)任务,分别采用不同损失函数组合,以促使模型学习更多的面部细粒度特征。实验结果表明,所提FAER模型在人脸属性数据集CelebA(CelebFaces Attributes)上取得了91.87%的平均准确率,相较于次优模型SwinFace(Swin transformer for Face)高出0.55个百分点;在面部表情数据集RAF-DB和AffectNet上分别取得了91.75%和66.66%的准确率,相较于次优模型TransFER(Transformers for Facial Expression Recognition)分别高出0.84和0.43个百分点。展开更多
第五代移动通信技术(5th-generation mobile communication technology,5G)网络对高速率、低时延、高可靠性的移动通信处理需求不断增加,对终端基带信道估计算法的高性能和低复杂度设计、矩阵处理动态范围提出挑战。针对上述问题,本文...第五代移动通信技术(5th-generation mobile communication technology,5G)网络对高速率、低时延、高可靠性的移动通信处理需求不断增加,对终端基带信道估计算法的高性能和低复杂度设计、矩阵处理动态范围提出挑战。针对上述问题,本文提出一种基于相关矩阵托普利兹(Toeplitz)特性的信道估计算法。依据信道的相干带宽特性计算信道相关矩阵并保留必要的较低矩阵阶数;基于相关矩阵的Toeplitz特性设计低复杂度的递归求逆算法,并针对加权矩阵乘法的元素重复性将矩阵乘法化简为矩阵点乘,简化加权矩阵运算;同时引入跟踪信噪比变化的缩放补偿因子对计算过程和结果分别进行缩放和补偿。理论分析和仿真结果显示,本文所提算法可在达到优异的信道估计性能条件下,有效降低运算复杂度,并极大降低算法矩阵处理的动态范围。展开更多
为了能够准确高效地对离格信号的波达方向(Direction of Arrival, DOA)进行估计,利用卷积神经网络来提取信号协方差矩阵中的深度特征信息,并采用改进型标签策略来确保网络的估计精度和效率。具体来说,通过带小数的标签来注释协方差矩阵...为了能够准确高效地对离格信号的波达方向(Direction of Arrival, DOA)进行估计,利用卷积神经网络来提取信号协方差矩阵中的深度特征信息,并采用改进型标签策略来确保网络的估计精度和效率。具体来说,通过带小数的标签来注释协方差矩阵构成的张量,并配合上改进后的二进制交叉熵损失函数来使得所提出的小数标签能够用于网络训练。针对DOA估计对应的多标签—多分类的问题,使用了包含6层结构的卷积神经网络的输出单元类别以及幅度来分别对离格信号的DOA整数部分与小数部分进行重构。通过与6种现有典型方法的均方根误差(Root Mean Square Error, RMSE)仿真对比,所提方法能够在信噪比为-10 dB的情况下保持着RMSE<0.5°的优秀表现。虽然无法在较少快拍下正常工作,但该方法在快拍数大于8的条件下仍然保持着RMSE<1°的表现性能。同时,在信号数量为5时,所提方法依然具有较高的估计稳定性,且计算速度能够达到毫秒级,用时明显低于其他方法。展开更多
锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种...锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种基于弛豫电压的并行多尺度特征融合卷积模型(multi-scale feature fusion convolution model,MSFFCM)结合极端梯度提升树(XGBoost)的SOH估计方法。MSFFCM通过多层堆叠卷积模块提取弛豫电压数据的深层特征,同时利用并行多尺度注意力机制增强了多尺度特征的捕捉能力,并将这些特征与统计特征进行融合,以提升模型的特征提取和融合能力。针对XGBoost模型,本工作应用贝叶斯优化算法进行参数调优,从而在多源融合特征基础上实现高精度SOH估计。实验验证基于两种商用18650型号电池的多温度和多充放电策略数据集,结果表明该方法的均方根误差(RMSE)和平均绝对误差(MAE)均小于0.5%,明显优于传统方法。本工作为锂电池健康管理提供了一种不依赖特定充放电条件的有效估计工具,有望在复杂的实际应用中发挥重要作用。展开更多
文摘针对现有信道估计方案导致正交时频空间(Orthogonal Time Frequency Space,OTFS)调制系统峰均功率比(Peak-to-Average Power Ratio,PAPR)高或频谱效率(Spectral Efficiency,SE)低的问题,提出一种多叠加导频的低PAPR、高SE信道估计方法。发送端利用时域正交性和离散傅里叶域相位的随机性,在时延多普勒域中嵌入与数据相叠加的5导频符号的导频图案实现低PAPR,提高SE。接收端以数据符号与噪声之和的能量均值为基准,实现导频信号检测,同时根据每个导频的不同位置信息恢复出存在相位旋转的数据信号。基于能量准则,利用多个独立的接收信号进行联合信道估计,以降低数据符号的干扰,并采用消息传递算法进行数据恢复。仿真结果表明,该方法比单叠加导频信道估计的PAPR低,同时较嵌入式导频信道估计的SE提高约14.4%。
文摘针对现有时间维度波达方向(direction of arrival,DOA)估计方案中,时间调控速率受限导致目标信号频谱混叠的问题,提出了一种基于异步调控的DOA估计方法,该方法能够有效提升调控速率,进而提升信号处理的信号带宽。在不改变时间调控超表面(time-varying metasurface,TVM)硬件约束的情况下,该方法利用单元状态会持续一段时间的性质,交错不同列单元的变化起始时间,在一个状态持续时间内获得了多个不同的响应。异步调控方法能够使TVM在受材料限制的情况下,等效增加虚拟多通道个数,提高DOA估计的精度。仿真结果验证了方法的有效性,相较于现有的同步调控方法,新方法在DOA估计性能上有了较大提升,能够逼近理论上的最优DOA估计结果。
文摘在基于增强现实装配引导的复杂零/部件装配场景中,由于手部对零/部件的遮挡,导致零件位姿解算时产生较大的误差,甚至造成求解失败。目前针对手工装配零件的位姿估计算法在解决零件遮挡问题时没有考虑手部信息,使得位姿估计精度难以满足增强装配实际应用的要求。针对上述问题,提出了融合手部姿态的零件6D位姿估计算法,即HandICG算法。该算法将手部的姿态信息与迭代对应几何(Iterative Corresponding Geometry,ICG)算法进行融合,当发生手部遮挡时,将手部的姿态信息应用到零件姿态的求解中,从而显著提高手部遮挡情况下零件位姿估计的精度,实验表明,平均模型点距离(Average Distance of Model points,ADD)相关评价指标达到74.73%,是ICG算法的2.61倍。该算法显著提升了增强装配场景中零件位姿解算的准确性和鲁棒性。
文摘人脸特征蕴含诸多信息,在面部属性和情感分析任务中具有重要价值,而面部特征的多样性和复杂性使人脸分析任务变得困难。针对上述难题,从面部细粒度特征角度出发,提出基于上下文通道注意力机制的人脸属性估计和表情识别(FAER)模型。首先,构建基于ConvNext的局部特征编码骨干网络,并运用骨干网络编码局部特征的有效性来充分表征人脸局部特征之间的差异性;其次,提出上下文通道注意力(CC Attention)机制,通过动态自适应调整特征通道上的权重信息,表征深度特征的全局和局部特征,从而弥补骨干网络编码全局特征能力的不足;最后,设计不同分类策略,针对人脸属性估计(FAE)和面部表情识别(FER)任务,分别采用不同损失函数组合,以促使模型学习更多的面部细粒度特征。实验结果表明,所提FAER模型在人脸属性数据集CelebA(CelebFaces Attributes)上取得了91.87%的平均准确率,相较于次优模型SwinFace(Swin transformer for Face)高出0.55个百分点;在面部表情数据集RAF-DB和AffectNet上分别取得了91.75%和66.66%的准确率,相较于次优模型TransFER(Transformers for Facial Expression Recognition)分别高出0.84和0.43个百分点。
文摘第五代移动通信技术(5th-generation mobile communication technology,5G)网络对高速率、低时延、高可靠性的移动通信处理需求不断增加,对终端基带信道估计算法的高性能和低复杂度设计、矩阵处理动态范围提出挑战。针对上述问题,本文提出一种基于相关矩阵托普利兹(Toeplitz)特性的信道估计算法。依据信道的相干带宽特性计算信道相关矩阵并保留必要的较低矩阵阶数;基于相关矩阵的Toeplitz特性设计低复杂度的递归求逆算法,并针对加权矩阵乘法的元素重复性将矩阵乘法化简为矩阵点乘,简化加权矩阵运算;同时引入跟踪信噪比变化的缩放补偿因子对计算过程和结果分别进行缩放和补偿。理论分析和仿真结果显示,本文所提算法可在达到优异的信道估计性能条件下,有效降低运算复杂度,并极大降低算法矩阵处理的动态范围。
文摘为了能够准确高效地对离格信号的波达方向(Direction of Arrival, DOA)进行估计,利用卷积神经网络来提取信号协方差矩阵中的深度特征信息,并采用改进型标签策略来确保网络的估计精度和效率。具体来说,通过带小数的标签来注释协方差矩阵构成的张量,并配合上改进后的二进制交叉熵损失函数来使得所提出的小数标签能够用于网络训练。针对DOA估计对应的多标签—多分类的问题,使用了包含6层结构的卷积神经网络的输出单元类别以及幅度来分别对离格信号的DOA整数部分与小数部分进行重构。通过与6种现有典型方法的均方根误差(Root Mean Square Error, RMSE)仿真对比,所提方法能够在信噪比为-10 dB的情况下保持着RMSE<0.5°的优秀表现。虽然无法在较少快拍下正常工作,但该方法在快拍数大于8的条件下仍然保持着RMSE<1°的表现性能。同时,在信号数量为5时,所提方法依然具有较高的估计稳定性,且计算速度能够达到毫秒级,用时明显低于其他方法。
文摘双基地多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达阵元故障会导致三阶观测张量中出现缺失切片数据,严重影响目标角度估计性能。为此,提出一种基于原子范数的阵元故障MIMO雷达差分共阵角度估计方法。首先,对MIMO雷达三阶观测张量进行PARAFAC分解得到收发阵列的不完整因子矩阵;然后,利用收发阵列的因子矩阵分别获得发射和接收差分共阵的导向矩阵,并利用差分共阵的冗余度对故障阵元缺失数据进行填充,从而得到等效虚拟收发阵列的虚拟因子矩阵;最后,为了填补等效虚拟阵列中的空洞,分别对等效虚拟收发阵列的虚拟因子矩阵建立原子范数约束下的低秩矩阵重构模型,并将其表述为半正定规划(Semi-definite Programming, SDP)问题,利用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)求解该矩阵重构模型。仿真结果表明,所提方法可以有效重构出不完整因子矩阵中的缺失数据,从而改善MIMO雷达阵元故障下的角度估计性能。
