广义正交码索引调制系统的性能分析

摘 要：为了提高码索引调制（code index modulation，CIM）系统的传输效率，提出了一种具有更低复杂度的单输入单输出（single input single output，SISO）的广义正交码索引调制（generalized orthogonal code index modulation，GQCIM）系统。CIM 系统使用扩频码和星座符号传输信息，但只能激活两个扩频码索引和一个调制符号。而 GQCIM 系统以一种新颖的方式克服了只激活一个调制符号的限制，同时充分利用了调制符号的正交性，增加扩频码索引以传输更多的额外信息位，提高了系统的传输效率。此外，分析了GQCIM系统的理论性能，推导了误码率性能的上界。通过蒙特卡罗仿真验证了GQCIM系统的性能，对比发现GQCIM系统的理论和仿真性能一致。而且在相同的传输效率下，结果显示GQCIM系统的性能优于同样具有正交性的调制系统，如广义码索引调制（generalized code index modulation，GCIM）系统、CIM系统、码索引调制-正交空间调制（code index modulation aided quadrature spatial modulation，CIM-QSM）系统、码索引调制-正交空间调制（code index modulation aided spatial modulation，CIM-SM）系统、脉冲索引调制（pulse index modulation，PIM）系统。     

(25,20)线性分组编译码器设计及其FPGA实现

随着通信速率的提高,有噪信道的可靠通信通过信道编码来实现。文中设计的(25,20)线性分组编译码器结合汉明码能纠正一位错误且具有编码效率较高、译码电路简单、译码延时小等优点。分析伴随式与错误图样的对应关系,采用并行处理的方式,使用硬件描述语言VHDL在Xilinx公司的Vivado 2016.1环境下编程实现。通过ModelSim仿真平台验证,降低了实现的复杂度。在工程实践中将编译码器加入某实测通信系统,实现了在Artix-7系列xc7z030fbg676-1的芯片上占用较少的硬件资源实现(25,20)线性分组编译码,提高系统传输的可靠性,验证了该设计的优良性能。     

基于Gitee的理实一体化迭代式项目驱动教学法应用研究

探讨理实一体化环境下,在实施迭代式项目驱动教学法过程中,应用Gitee云代码托管服务改进程序设计类课程的教学过程,并介绍其具体运用过程。     

一种基于随机共振的GNSS干扰检测算法

针对低干噪比下全球导航卫星系统干扰检测问题,文中利用非线性随机共振系统对微弱信号的增强作用,提出一种基于随机共振的GNSS干扰检测算法,并详细阐述了算法的实现过程,以传统能量检测算法为对比算法,分析两种算法在相同条件下检测性能的差异。仿真表明:在高斯白噪声信道、低干噪比条件下,所提算法的检测性能明显优于传统能量检测算法。相同信道环境及检测概率下,所提算法需要的数据长度更短,检测耗费时长更少,且能保证更低的虚警概率。     

基于变异测试的错误定位研究进展

随着软件规模和复杂度的不断提高，软件的质量问题成为了关注的焦点，如何高效地找出软件中的错误成为一个亟需解决的问题。错误定位是软件质量保证的重要途径之一，近年来已经成为软件工程中一个非常重要的研究课题。基于变异测试的错误定位通过比较原程序和对应变异体的差异来计算每条语句的怀疑度，再由怀疑度大小进行排序，程序员根据排序逐个检查找出错误语句。汇总近7年（2012-2018）国内外的基于变异测试的错误定位技术的研究成果，介绍了错误定位的基本方法，介绍基于变异测试的错误定位思想，从变异算子、变异体及等价变异体3个方面对已有的研究工作进行分类归纳和总结，探讨了基于变异测试的错误定位未来可能的研究方向、机遇和挑战。     

基于关键路径延时检测的自适应电压缩减技术

为了减小传统的最差情况设计方法引入的电压裕量,提出了一种变化可知的自适应电压缩减(AVS)技术,通过调整电源电压来降低电路功耗.自适应电压缩减技术基于检测关键路径的延时变化,基于此设计了一款预错误原位延时检测电路,可以检测关键路径延时并输出预错误信号,进而控制单元可根据反馈回的预错误信号的个数调整系统电压.本芯片采用SMIC180 nm工艺设计验证,仿真分析表明,采用自适应电压缩减技术后,4个目标验证电路分别节省功耗12.4％,11.3％,10.4％和11.6％.     

一种广义不可分支持向量机算法

针对标准的C-SVM(C-support vector machine)算法在处理很多实际分类问题时，对识别错误代价损失差异很大的极端情况表现出的局限性，提出一种通用的 广义支持向量机算法。根据识别错误后所付出的代价，可以把最优分类面向代价损失低的一方进行推移，留给代价损失高的一方更大的空间，提高其识别率，从而减小识别错误后带来的代价损失。该方法进一步提高了标准C SVM的适用性以及样本的正确识别率，将新算法应用到高分辨雷达距离像的识别中，实验证明,广义C-SVM能取得比传统C-SVM更好的识别效果。