論文元數(shù)據(jù)搜索，找到相關(guān)信息共 7 條：
2021, 43(12): 3597-3604.
doi: 10.11999/JEIT200766
刊出日期：2021-12-21
為提高命名數(shù)據(jù)網(wǎng)絡(luò)(Name Data Networking, NDN)路由過程中內(nèi)容名字查找的效率，該文提出一種基于深度布隆過濾器的3級(jí)名字查找方法。該方法使用長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term Memory, LSTM)與標(biāo)準(zhǔn)布隆過濾器相結(jié)合的方法優(yōu)化名字查找過程；采用3級(jí)結(jié)構(gòu)優(yōu)化內(nèi)容名字在內(nèi)容存儲(chǔ)器(Content Store, CS)、待定請(qǐng)求表(Pending Interest Table, PIT)中的精確查找過程，提高查找精度并降低內(nèi)存消耗。從理論上分析了3級(jí)名字查找方法的假陽(yáng)性率，并通過實(shí)驗(yàn)驗(yàn)證了該方法能夠有效節(jié)省內(nèi)存、降低查找過程的假陽(yáng)性。
2011, 33(1): 106-111.
doi: 10.3724/SP.J.1146.2010.00242
刊出日期：2011-01-19
基于簡(jiǎn)化電磁矢量傳感器陣列，該文提出了一種新的降維四元數(shù)MUSIC估計(jì)方法。文中引用了四元數(shù)的概念，利用四元數(shù)的正交特性能夠很好地描述矢量傳感器陣元的正交結(jié)構(gòu)這一優(yōu)點(diǎn)，建立了電磁矢量傳感器陣列的四元數(shù)模型，利用降維Q-MUSIC (Quaternion-MUSIC)方法先對(duì)極化信號(hào)DOA進(jìn)行估計(jì)，通過已經(jīng)估計(jì)出來的DOA信息，再借助傳統(tǒng)的V-MUSIC (long-MUSIC)方法估計(jì)極化信息。從而依次獲得極化信號(hào)的4個(gè)參數(shù)。仿真實(shí)驗(yàn)驗(yàn)證了算法的可行性。
2014, 36(2): 353-357.
doi: 10.3724/SP.J.1146.2013.00445
刊出日期：2014-02-19
信噪比是衡量信道質(zhì)量的一個(gè)重要參數(shù)，該文主要研究LTE(Long Term Evolution)系統(tǒng)中基于探測(cè)參考信號(hào)(Sounding Reference Signal, SRS)的信噪比估計(jì)方法。針對(duì)DASS(Difference of Adjacent Subcarrier Signal)算法在高信噪比下噪聲估計(jì)誤差較大的這一缺點(diǎn)，該文提出一種適用于SRS的改進(jìn)DASS方法。該方法通過重新定義子載波的差分方式，減小了噪聲估計(jì)的誤差，并且由于對(duì)連續(xù)的3個(gè)SRS頻點(diǎn)，僅需要估計(jì)一次噪聲，使得該文方法的復(fù)雜度僅為原DASS方法的1/3。仿真結(jié)果表明，所提方法的估計(jì)性能優(yōu)于其余的方法，特別是在低時(shí)延和中等時(shí)延信道下，高信噪比時(shí)的估計(jì)精度提高了約10倍。
2012, 34(12): 2823-2829.
doi: 10.3724/SP.J.1146.2012.00744
刊出日期：2012-12-19
關(guān)鍵詞:
LTE(Long Term Evolution)異構(gòu)網(wǎng)絡(luò) ,
小區(qū)覆蓋增強(qiáng) ,
上行干擾識(shí)別 ,
上行干擾協(xié)調(diào)
在LTE (Long Term Evolution)異構(gòu)網(wǎng)絡(luò)中，由于宏基站(Macro)與微微(Pico)基站的發(fā)射功率相差較大，一些離Pico基站較近的用戶因?yàn)榻邮盏降暮昊鞠滦行盘?hào)質(zhì)量好于Pico基站而選擇接入宏小區(qū)。然而，因?yàn)檫@些用戶距離Pico基站較近，因此上行通信會(huì)對(duì)Pico基站產(chǎn)生嚴(yán)重的上行干擾。小區(qū)覆蓋增強(qiáng)(Range Expansion, RE)技術(shù)能夠減少此類干擾，但同時(shí)又可能引入新的下行干擾。該文提出一種基于RE技術(shù)的上行干擾識(shí)別與協(xié)調(diào)機(jī)制(UIICRE)，能夠準(zhǔn)確識(shí)別上行干擾源及其強(qiáng)度，并進(jìn)行相應(yīng)的干擾協(xié)調(diào)處理。仿真結(jié)果表明，該文提出的方案能夠解決Pico小區(qū)的上行干擾問題，提升用戶的上行通信質(zhì)量，并保證用戶下行通信質(zhì)量不受影響。
2017, 39(11): 2556-2562.
doi: 10.11999/JEIT170184
刊出日期：2017-11-19
利用非授權(quán)頻段頻譜資源提升網(wǎng)絡(luò)容量需要有效地解決LTE(Long Term Evaluation)與WiFi的共存問題。最近，學(xué)術(shù)界和工業(yè)界相繼提出了授權(quán)頻段輔助接入機(jī)制和雙模微基站技術(shù)提升蜂窩通信系統(tǒng)容量?？紤]雙模微基站與WiFi接入點(diǎn)覆蓋范圍存在部分重疊場(chǎng)景，該文提出一種新的雙模微基站非授權(quán)信道接入機(jī)制及聯(lián)合授權(quán)非授權(quán)的優(yōu)化頻譜資源分配方案。仿真結(jié)果表明，雙模微基站和WiFi接入點(diǎn)互不可見時(shí)，新方案相比于現(xiàn)有方案由于考慮了空間復(fù)用具有更好的系統(tǒng)性能；雙模微基站和WiFi接入點(diǎn)互相可見時(shí)，新方案與現(xiàn)有方案性能一致，即兩者分時(shí)獨(dú)立占用非授權(quán)頻段頻譜資源。
2018, 40(1): 200-208.
doi: 10.11999/JEIT170402
刊出日期：2018-01-19
針對(duì)傳統(tǒng)方法不能有效抽取維吾爾語事件因果關(guān)系的問題，該文提出一種基于雙向LSTM(Bidirectional Long Short-Term Memory, BiLSTM)的維吾爾語事件因果關(guān)系抽取方法。通過對(duì)維吾爾語語言以及事件因果關(guān)系特點(diǎn)的研究，提取出10項(xiàng)基于事件內(nèi)部結(jié)構(gòu)信息的特征；同時(shí)為充分利用事件語義信息，引入詞嵌入作為BiLSTM的輸入，提取事件句隱含的深層語義特征并利用批樣規(guī)范化(Batch Normalization, BN)算法加速BiLSTM的收斂；最后融合這兩類特征作為softmax分類器的輸入進(jìn)而完成維吾爾語事件因果關(guān)系抽取。實(shí)驗(yàn)結(jié)果表明，該方法用于維吾爾語事件因果關(guān)系的抽取準(zhǔn)確率為 89.19%, 召回率為 83.19%, F值為86.09%，證明了該文提出的方法在維吾爾語事件因果關(guān)系抽取上的有效性。
2024, 46(2): 555-563.
doi: 10.11999/JEIT230934
刊出日期：2024-02-29
心血管疾病是造成全球死亡人數(shù)最多的疾病之一，因此對(duì)心血管疾病的預(yù)防與提前診斷至關(guān)重要。人工聽診技術(shù)與計(jì)算機(jī)心音診斷技術(shù)無法滿足對(duì)心音長(zhǎng)時(shí)間聽診的需求，因而可穿戴式聽診設(shè)備越來越受到關(guān)注，但是其具有高精度與低功耗的要求。該文設(shè)計(jì)了低功耗的面向可穿戴式的基于長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)的智能心音異常診斷芯片，提出了包括預(yù)處理、特征提取以及異常診斷的心音異常診斷系統(tǒng)，并搭建了基于聽診器的心音采集FPGA系統(tǒng)，采用了數(shù)據(jù)增強(qiáng)的方法解決數(shù)據(jù)集的不平衡問題?；陬A(yù)訓(xùn)練模型設(shè)計(jì)了智能心音異常診斷芯片，在SMIC180 nm工藝下完成了版圖設(shè)計(jì)和MPW流片。后仿真結(jié)果表明，智能心音異常診斷芯片的診斷準(zhǔn)確率為98.6%，功耗為762 μW，面積為3.06 mm × 2.45 mm，滿足可穿戴式智能心音異常診斷設(shè)備的高性能與低功耗的需求。
