为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准...为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准识别。在28 GBaud正交相移键控(QPSK)、8电平正交幅度调制(8QAM)、16QAM、32QAM、64QAM和128QAM传输系统中验证了该方案的可行性。实验结果表明:每种调制格式在达到100%识别准确率时所需的最低光信噪比(OSNR)均低于其对应的20%前向纠错(FEC)阈值,而且,在较宽的OSNR范围内达到了99.62%的识别准确率;在存在残余色散的光网络中,该方案仍能保持较高的识别性能。展开更多
针对IEEE 802.11p标准中导频数量有限,难以准确追踪车联万物(Vehicle-to-Everything,V2X)通信中时变信道的问题,学者们研究了数据导频辅助(Data Pilot Aided,DPA)信道估计方案。然而,这些经典DPA方案不能在完整的信噪比(Signal to Noise...针对IEEE 802.11p标准中导频数量有限,难以准确追踪车联万物(Vehicle-to-Everything,V2X)通信中时变信道的问题,学者们研究了数据导频辅助(Data Pilot Aided,DPA)信道估计方案。然而,这些经典DPA方案不能在完整的信噪比(Signal to Noise Ratio,SNR)范围内给出令人满意的效果,并且其估计结果的可靠性易受误差传播的影响。研究了一种新的信道估计方案,基于使用虚拟子载波的最小均方误差(Minimum Mean Square Error Using Virtual Pilots,MMSE-VP)方案,提出一种带有时间平均操作的改进MMSE(Improved MMSE,IMMSE)方案。IMMSE方案通过利用相邻正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)符号间信道的相关性来提高MMSE-VP方案在低SNR区域的性能,达到在整个SNR区域有良好表现的目的。联合深度学习技术,采用全连接神经网络(Fully Connected Neural Network,FCNN)作为IMMSE方案的非线性后处理模块,减少误差并获得更好的估计性能。在不同实验条件下的仿真结果表明,提出的信道估计方案可以适应调制方式和车辆速度的变化,能有效应对V2X通信中的信道估计问题。展开更多
根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法Y...根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法YOLOv3_M。使用ISODATA动态聚类算法对BDD与KITTI混合数据集聚类分析,找出更适合目标的Anchor Box;用MobileNetv3-Large网络代替原始YOLOv3网络中的特征提取网络Darknrt53,在降低主干网络复杂度的同时可以减小模型的参数;在特征融合网络部分加入CBAM注意力机制。实验结果表明,改进后的YOLOv3_M算法在混合数据集上测试的平均精度均值(mean Average Precision,mAP)提升了3.45%,推断速度比YOLOv3算法增加了17.5帧/秒,具有较好的实用性。展开更多
文摘为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准识别。在28 GBaud正交相移键控(QPSK)、8电平正交幅度调制(8QAM)、16QAM、32QAM、64QAM和128QAM传输系统中验证了该方案的可行性。实验结果表明:每种调制格式在达到100%识别准确率时所需的最低光信噪比(OSNR)均低于其对应的20%前向纠错(FEC)阈值,而且,在较宽的OSNR范围内达到了99.62%的识别准确率;在存在残余色散的光网络中,该方案仍能保持较高的识别性能。
文摘针对IEEE 802.11p标准中导频数量有限,难以准确追踪车联万物(Vehicle-to-Everything,V2X)通信中时变信道的问题,学者们研究了数据导频辅助(Data Pilot Aided,DPA)信道估计方案。然而,这些经典DPA方案不能在完整的信噪比(Signal to Noise Ratio,SNR)范围内给出令人满意的效果,并且其估计结果的可靠性易受误差传播的影响。研究了一种新的信道估计方案,基于使用虚拟子载波的最小均方误差(Minimum Mean Square Error Using Virtual Pilots,MMSE-VP)方案,提出一种带有时间平均操作的改进MMSE(Improved MMSE,IMMSE)方案。IMMSE方案通过利用相邻正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)符号间信道的相关性来提高MMSE-VP方案在低SNR区域的性能,达到在整个SNR区域有良好表现的目的。联合深度学习技术,采用全连接神经网络(Fully Connected Neural Network,FCNN)作为IMMSE方案的非线性后处理模块,减少误差并获得更好的估计性能。在不同实验条件下的仿真结果表明,提出的信道估计方案可以适应调制方式和车辆速度的变化,能有效应对V2X通信中的信道估计问题。
文摘根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法YOLOv3_M。使用ISODATA动态聚类算法对BDD与KITTI混合数据集聚类分析,找出更适合目标的Anchor Box;用MobileNetv3-Large网络代替原始YOLOv3网络中的特征提取网络Darknrt53,在降低主干网络复杂度的同时可以减小模型的参数;在特征融合网络部分加入CBAM注意力机制。实验结果表明,改进后的YOLOv3_M算法在混合数据集上测试的平均精度均值(mean Average Precision,mAP)提升了3.45%,推断速度比YOLOv3算法增加了17.5帧/秒,具有较好的实用性。
