针对融合设备到设备(device to device, D2D)通信的蜂窝系统中路径损耗补偿因子单一、功率控制性能不佳等问题,提出一种自适应联合功率控制算法.根据D2D用户到基站及蜂窝用户的距离计算出路径损耗补偿因子增补量,得出D2D用户及蜂窝用户...针对融合设备到设备(device to device, D2D)通信的蜂窝系统中路径损耗补偿因子单一、功率控制性能不佳等问题,提出一种自适应联合功率控制算法.根据D2D用户到基站及蜂窝用户的距离计算出路径损耗补偿因子增补量,得出D2D用户及蜂窝用户的路径损耗补偿因子矩阵,提升功率控制性能;同时采用联合闭环功率控制方式进一步降低D2D用户及蜂窝用户的同频干扰.实验仿真表明:相比于传统功率控制算法,该算法对系统的信干噪比(signal to interference plus noise ratio, SINR)有较好的提升作用,且吞吐量在1 000kbit/s以上的用户数量是传统功率控制算法的1.7倍.展开更多
道路场景目标检测是智慧交通领域的重要组成部分,直接关系到众多智慧交通应用性技术的实施.然而,现有道路场景目标检测域泛化技术普遍存在域不变特征提取不充分、检测精度不高和泛化能力弱的问题.针对此问题,提出复杂天气条件下道路场...道路场景目标检测是智慧交通领域的重要组成部分,直接关系到众多智慧交通应用性技术的实施.然而,现有道路场景目标检测域泛化技术普遍存在域不变特征提取不充分、检测精度不高和泛化能力弱的问题.针对此问题,提出复杂天气条件下道路场景目标检测的域泛化方法.设计了道路场景域不变特征生成模型,分别提取源域图像的域内不变特征和域间不变特征,并生成更具多样性的复杂天气条件下的道路场景域不变特征,以提高目标检测模型的泛化能力;在此基础上,设计了道路场景目标检测域泛化模型,引入自蒸馏机制,使目标检测模型提取的特征拥有丰富的域不变特征,以进一步增强泛化能力,从而提高目标检测模型的检测精度.实验结果表明,所提出的目标检测域泛化模型性能与对比模型相比有明显提升,能显著提高目标检测模型的泛化能力和检测精度,其中F1-score较基线目标检测模型提升0.042~0.051,均值平均精度(mean average precision,mAP)提升3.0%~5.9%,证明了所提出的目标检测域泛化方法的有效性和优越性.展开更多
本文采用改进的化学气相沉积(modified chemical vapor deposition,MCVD)法制备了一种新型少模光纤DD硫化铅(Pb S)掺杂少模光纤,研究了该光纤的荧光特性,并基于空间光调制器搭建了少模光纤放大系统,测量了光纤的模式增益特性。实验结果...本文采用改进的化学气相沉积(modified chemical vapor deposition,MCVD)法制备了一种新型少模光纤DD硫化铅(Pb S)掺杂少模光纤,研究了该光纤的荧光特性,并基于空间光调制器搭建了少模光纤放大系统,测量了光纤的模式增益特性。实验结果表明:在980 nm激光泵浦下,该光纤表现出超宽带近红外发光,光谱范围为1 050~1 650 nm;在1 540~1 560 nm波段范围内,实现了LP和LP模式放大,平均模式开关增益为4.5 d B,差模增益小于0.6 d B。该光纤为模分复用系统实现宽带模式放大提供了可行性。展开更多
文摘针对融合设备到设备(device to device, D2D)通信的蜂窝系统中路径损耗补偿因子单一、功率控制性能不佳等问题,提出一种自适应联合功率控制算法.根据D2D用户到基站及蜂窝用户的距离计算出路径损耗补偿因子增补量,得出D2D用户及蜂窝用户的路径损耗补偿因子矩阵,提升功率控制性能;同时采用联合闭环功率控制方式进一步降低D2D用户及蜂窝用户的同频干扰.实验仿真表明:相比于传统功率控制算法,该算法对系统的信干噪比(signal to interference plus noise ratio, SINR)有较好的提升作用,且吞吐量在1 000kbit/s以上的用户数量是传统功率控制算法的1.7倍.
文摘道路场景目标检测是智慧交通领域的重要组成部分,直接关系到众多智慧交通应用性技术的实施.然而,现有道路场景目标检测域泛化技术普遍存在域不变特征提取不充分、检测精度不高和泛化能力弱的问题.针对此问题,提出复杂天气条件下道路场景目标检测的域泛化方法.设计了道路场景域不变特征生成模型,分别提取源域图像的域内不变特征和域间不变特征,并生成更具多样性的复杂天气条件下的道路场景域不变特征,以提高目标检测模型的泛化能力;在此基础上,设计了道路场景目标检测域泛化模型,引入自蒸馏机制,使目标检测模型提取的特征拥有丰富的域不变特征,以进一步增强泛化能力,从而提高目标检测模型的检测精度.实验结果表明,所提出的目标检测域泛化模型性能与对比模型相比有明显提升,能显著提高目标检测模型的泛化能力和检测精度,其中F1-score较基线目标检测模型提升0.042~0.051,均值平均精度(mean average precision,mAP)提升3.0%~5.9%,证明了所提出的目标检测域泛化方法的有效性和优越性.
