大学录取新政策下的省属大学专业课教学改革

针对网络安全专业课程,探讨在大学录取新政策导致省属高校生源质量下降的情况下,省属高校专业课教学面临的问题,提出专业课的教学方式、教学内容和成绩评定的改革措施,以期提高大学生学习兴趣、学习积极性,从而提高教学效果,实现教学目标。     

一种改进的正则化自适应匹配追踪算法

针对压缩感知中未知稀疏度信号的重构问题,提出了一种改进的正则化自适应匹配追踪算法。它通过自适应变步长迭代对信号稀疏度进行估计,并将其作为初始支撑集长度,然后在分阶段迭代中正则化筛选原子,最终实现信号的精确重构。仿真结果表明,该算法重构信号的性能和效率均优于子空间追踪算法、正交匹配追踪算法和稀疏度自适应匹配追踪算法。     

并行SCA和软方向判决的盲均衡新算法

提出了一种适用于高阶正交幅度调制(QAM)信号的并行方形轮廓线算法(SCA)和软方向判决(SDD)的盲均衡新算法——SCA+SDD算法。该算法一方面使用了SCA算法来提供全局收敛,保证在整个收敛过程中,均衡器朝正确的方向收敛;另一方面当均衡器进入到局部收敛区域时,并行增加的SDD部分通过最大化均衡器输出的局部后验概率来降低剩余码间干扰和提高收敛速度。理论分析和仿真结果说明,新算法不仅能自动纠正相位旋转,有更快收敛速度和更小的剩余码间干扰,并且具有较强的鲁棒性和实用性。     

一种高效的QMC检测算法

基于垂直分层空时码的MIMO-OFDM系统提出一种高效的QMC检测算法,该算法对信道矩阵进行一次排序QR分解,对最先检测的信号层采用ML-OSIC算法,用M算法检测中间的信号层,逐层增加保留值M以提高算法有效性,利用串行干扰消除检测余下的信号层。与QRD-M算法相比,QMC检测算法能降低计算复杂度。仿真结果表明,该算法以更低的计算复杂度获得更接近最大似然检测的性能,取得性能与复杂度之间的折中更理想。     

一种新的基于数据可靠性判决引导盲均衡算法

提出了一种适合于多电平正交幅度调制数字通信系统的盲均衡算法,该算法以改进的常模算法为基础,并根据数据的可靠性进行判决引导.理论分析和计算机模拟表明,该算法克服了常模算法稳态误差大的缺点,提高了改进的常模算法的收敛速度,并能纠正信道存在的相位旋转,实用性强.     

双向中继系统的联合中继选择和功率分配策略

为提高双向中继系统的可达速率和,基于网络编码的双向中继系统模型,提出一种最大化可达速率和的联合中继选择与功率分配策略.给出最大化最小信道增益(MMCG)和最大化信道增益调和平均值的中继选择方案.在中继选择策略的基础上,给出一种基于双向中继系统可达速率和最大化准则的最优功率分配方案.仿真结果表明,与联合BRS中继选择功率分配方案相比,联合MMCG中继选择和最优功率分配方案系统可达速率约提高1.6 bit/s/Hz.     

Wiener功率放大器预失真中LMS Newton算法的研究

基于Wiener模型构建的功率放大器和Hammerstein模型构建的预失真器,在现有的LMS算法基础上,结合预失真系统模型,推导出NFLMS(Nonlinear Filtered LMS)预失真算法.在此基础上,提出NFLMS Newton预失真算法的概念,为了达到实用目的,本文提出并推导了一种改进型NFLMS Newton预失真算法.仿真结果表明,改进型NFLMS Newton预失真算法和NFLMS预失真算法相比明显加快了收敛速度,并且快速降低了算法的剩余误差.     

次分量分析恒模盲多用户检测算法

为了有效的抑制多址干扰,该文提出了一种基于次分量分析恒模的多用户检测算法.次分量恒模算法是在恒模代价函数的基础上,推导出一种基于Rayleigh熵形式的代价函数.该文对次分量分析恒模多用户检测算法进行了仿真,并与最小二乘算法和线性约束最小二乘算法进行了性能比较.仿真结果表明,该算法在输出信干比和误码率等性能上都有显著的...     

噪声背景下语音识别特征参数选择研究

为提高语音识别系统的实用性与实时性,该文采用缺失特征分量的方法研究了美尔频率倒谱系数静态特征及其一阶差分各分量对识别率的影响.在不同信噪比情况下,分别对含白噪声、粉红噪声、车载噪声和工厂噪声这四种典型噪声的语音进行了实验研究,结果表明:在保证系统有较高识别率的情况下,在低信噪比时,含白噪声的语音信号缺失美尔频率倒谱系数...     

一种自适应正则化子空间追踪算法

针对压缩感知中未知稀疏度信号的重建问题,提出一种新的压缩感知的信号重建算法,即自适应正则化子空间追踪（Adaptive Regularized Subspace Pursuit,ARSP）算法,该算法将自适应思想、正则化思想与子空间追踪（Subspace Pursuit,SP）算法相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,利用正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真结果表明,该算法能够精确重构原始信号,重建效果优于SP算法、正则化正交匹配追踪（ROMP）算法、稀疏度自适应匹配追踪（SAMP）算法、压缩采样匹配追踪（CoSaMP）算法等。