卷积码 卷积码是一种特殊的编码方式,不仅与当前的输入有关,还与之前的输入有关.可以用一个多项式来表示一个卷积编码,多项式表示有多少个移位寄存器以及他们怎么与模2加法器相连.比如,下图中的无反馈的卷积编码器有一个输入.两个输出和两个以为寄存器. 无反馈的卷积编码器的描述包含2个部分:约束长度和生成多项式,有反馈的卷积编码器还包含一个反馈连接的多项式.约束长度是矢量,矢量的维度是输入数据的每一个点的bits数量,矢量的长度是移位寄存器的长度加上1(当前输入).上图中的编码器约束长度是一个一维的矢量,

poly2trellis(7, [171 133])代表什么意思呢?首先是7,他是1*k的vector,此处k为1,[171 133]是k*n的vector,此处n就是2,那么这个编码就是1/2码率的卷积码,这个卷积码的约束长度是7,也就是输出与前7个输入相关,171,133是十进制数,代表的是前面寄存器的抽头位置.

1.MAC头部 解释: ① Version 版本号  目前为止802.11只有一个版本,所以协议编号为0 ② Type 00表示管理帧,01表示控制帧,10表示数据帧 ③ Subtype 和Type一起表示不同的帧, Management frame(管理帧:Type=00)a 0000 Association request(关联请求) 0001 Association response(关联响应) 0010 Reassociation request(重新关联请求) 0011 Reassoc

1. 卷积编码增益性能.BER 信道环境:AWGN 信噪比SNR :0:0.1:6 MATALB仿真架构:源比特 +卷积码 +BPSK +AWGN +Viterbi +BER 说明:卷积编码,不同的R码率.不同的约束长度 2. Turbo增益性能.误码率 信道环境:AWGN 信噪比SNR :-1:0.1:2 MATALB仿真架构:源比特 +Turbo编码 +BPSK +AWGN +Turbo译码+BER 说明:turbo译码.不同的译码算法那,不同的交织长度,不同的迭代次数. LTE 标准的tu

前一段时间在<通信原理>期末的时候研究了一下DVB数字电视系统.视音频编解码这些技术都是属于"信源"的技术,而<通信原理>研究的范围正好是它的补集,属于"信道"方面的技术.由于自己不是做这方面的,所以信道方面的技术此前接触的比较少,因此打算把搜集的资料简单整理一下记录下来以备查阅.本文就打算记录一下DVB方面的知识. 1.简介 数字视频广播(英语:Digital Video Broadcasting,缩写:DVB),是由"DVB P

这里翻译下<Deep face recognition: a survey v4>. 1 引言 由于它的非侵入性和自然特征,人脸识别已经成为身份识别中重要的生物认证技术,也已经应用到许多领域,如军事,进入,公共安全和日常生活.FR自然在CVPR会议中也占据了十分长的时间.早在1990年代,随着特征脸的提出[157],FR就成为了一个比较热门的研究领域.过去基于特征进行FR的里程碑方法在图1中有所展示 如图1所示,其中介绍了4个主流技术的发展过程: holistic 方法:通过某种分布假设去直接

**定时20ms循环处理话音数据包*** *伪指令不占空间不影响执行速度,只是定义和描述但对汇编链接有重要指示作用 ********************************* .title "IS95前向信道设计" ;源程序名 .global _c_int00 ;全局起始标号 .mmregs ;定义所有存储器映像寄存器为全局型 定义存储器为全局符号 .copy "walsh.inc" ;从"walsh.inc" 文件中复制walsh表 S

<CWNA官方学习指南(第3版):认证无线网络管理员PW0-105> 基本信息 原书名:CWNA: Certified Wireless Network Administrator Official Study Guide: Exam PW0-105, Third Edition 作者: (美)David D. Coleman    David A. Westcott 译者: 朱志立 蒋楠 出版社:清华大学出版社 ISBN:9781118127797 上架时间:2014-3-3 出版日期:20

对维特比译码的接触很早就开始了,也想过要写一篇总结性的文章,但无奈心中一直有几个疑团没能得到合理的解答.比如什么时候开始进行回溯译码比较合适?维特比译码的性能相比分组码等其他编码的译码性能究竟好在哪里,如何来评估?编码约束度和监督位数量对维特比译码的性能是如何产生影响的,等等……直到前些天看到这篇来自MIT的数字通信系统课程的教案,诸多的疑惑才豁然开朗.这篇文章将通信理论中的维特比译码的前前后后讲的非常的全面,是我读到的关于维特比译码最好的文章(没有之一)!特此翻译过来,一来加深自己的理解,二来

一.HT Capabilities HT Capabilities:802.11n的mac层给802.11的mac层加入了高吞吐量单元.所有新加的802.11n功能都是通过管理帧中的HT单元才得以实现,总体如下 抓包中显示,可见对HT的解析,omnipeek还是可行的 (一)HT Capability Info 不同的软件解析出来顺序可能不同,wireshark更贴近现实,而omnipeek则是顺序相反,不过解析的内容都是一样的 1．L-SIG TXOP保护: Legacy Signal Tra

GitHub:https://github.com/pengcao/chinese_ocr https://github.com/xiaofengShi/CHINESE-OCR |-angle 基于VGG分类模型的文字方向检测预测|-bash 环境安装|----setup-python3.sh 安装python3环境|----setup-python3-cpu.sh 安装CPU环境|----setup-python3-gpu.sh 安装CPU环境|-crnn |-ctpn 基于CTPN模型的文本

转载:https://rf.eefocus.com/article/id-LTE%20delay 对于移动通信业务而言,最重要的时延是端到端时延, 即对于已经建立连接的收发两端,数据包从发送端产生,到接收端正确接收的时延.根据业务模型不同,端到端时延可分为单程时延和回程时延,其中单程时延指数 据包从发射端产生经过无线网络正确到达另外一个接收端的时延,回程时延指数据包从发射端产生到目标服务器收到数据包并返回相应的数据包直至发射端正确接收 到应答数据包的时延. 现有的移动通信主要是人与人之间的通信,

CRUSE: Convolutional Recurrent U-net for Speech Enhancement 本文是关于TOWARDS EFFICIENT MODELS FOR REAL-TIME DEEP NOISE SUPPRESSION的介绍,作者是Microsoft Research的Sebastian Braun等.相关工作的上下文可以参看博文 概述 本文设计的是基于深度学习的语音增强模型,工作的贡献点有二: 基于深度学习语音增强模型在实录数据的性能 一套用于语音增强的数据增

摘要:本文介绍了循环码和卷积码两种编码方式,并且,作者给出了两种编码方式的编码译码的python实现 关键字:循环码,系统编码,卷积码,python,Viterbi算法 循环码的编码译码 设 \(C\) 是一个 \(q\) 元 \([n,n-r]\) 循环码,其生成多项式为\(g(x), \text{deg}(g(x))=r\).显然,\(C\) 有 \(n-r\) 个信息位,\(r\) 个校验位.我们用 \(C\) 对信息源 \(V(n-r,q)\) 中的向量进行表示. 对任意信息源向量 \(

1.tf.nn.lrn(pool_h1, 4, bias=1.0, alpha=0.001/9.0, beta=0.75) # 局部响应归一化,使用相同位置的前后的filter进行响应归一化操作 参数说明:pool_h1表示输入数据,4表示使用前后几层进行归一化操作,bias表示偏移量,alpha和beta表示系数 局部响应的公式 针对上述公式,做了一个试验代码: # 自己编写的代码, 对x的[1, 1, 1, 1]进行局部响应归一化操作,最后结果是相同的x = np.array([i for

需要搭建一个比较复杂的CNN网络,希望通过预训练来提高CNN的表现. 上网找了一下,关于CAE(Convolutional Auto-Encoders)的文章还真是少,勉强只能找到一篇瑞士的文章. Stacked Convolutional Auto-Encoders for Hierarchical Feature Extraction 干货少,不过好歹有对模型的描述,拿来看看. 概述: 本文提出了一种卷积神经网络的自编码表达,用于对卷积神经网络进行预训练. 具体内容: 原文废话挺多,我只关心

自己主动编码线性解码器 自己主动编码线性解码器主要是考虑到稀疏自己主动编码器最后一层输出假设用sigmoid函数.因为稀疏自己主动编码器学习是的输出等于输入.simoid函数的值域在[0,1]之间,这就要求输入也必须在[0,1]之间.这是对输入特征的隐藏限制.为了解除这一限制,我们能够使最后一层用线性函数及a = z 习题答案: SparseAutoEncoderLinerCost.m function [cost,grad,features] = sparseAutoencoderLinear

模式识别课程的一次作业.其目标是对UCI的手写数字数据集进行识别,样本数量大约是1600个.图片大小为16x16.要求必须使用SVM作为二分类的分类器. 本文重点是如何使用卷积神经网络(CNN)来提取手写数字图片特征,主要想看如何提取特征的请直接看源代码部分的94行左右,只要对tensorflow有一点了解就可以看懂.在最后会有完整的源代码.处理后数据的分享链接.转载请保留原文链接,谢谢. UCI手写数字的数据集 源数据下载:http://oddmqitza.bkt.clouddn.com/ar

卷积其实是图像处理中最基本的操作,我们常见的一些算法比如:均值模糊.高斯模糊.锐化.Sobel.拉普拉斯.prewitt边缘检测等等一些和领域相关的算法,都可以通过卷积算法实现.只不过由于这些算法的卷积矩阵的特殊性,一般不会直接实现它,而是通过一些优化的手段让计算量变小.但是有些情况下卷积矩阵的元素值无甚规律或者有特殊要求,无法通过常规手段优化,这个时候只能通过原始的方式实现.因此,如何快速的实现图像的任意卷积矩阵操作也有必要做适当的研究. 目前,通过友人共享或自己搜索找到的一片关于任意核算法优

前几天用CNN识别手写数字集,后来看到kaggle上有一个比赛是识别手写数字集的,已经进行了一年多了,目前有1179个有效提交,最高的是100%,我做了一下,用keras做的,一开始用最简单的MLP,准确率只有98.19%,然后不断改进,现在是99.78%,然而我看到排名第一是100%,心碎 = =,于是又改进了一版,现在把最好的结果记录一下,如果提升了再来更新. 手写数字集相信大家应该很熟悉了,这个程序相当于学一门新语言的“Hello World”,或者mapreduce的“WordCount