为了解决传统的相关滤波跟踪算法在复杂环境中容易跟踪失败的问题,本文提出时间驱动的异常学习相关滤波器,旨在提高模型在复杂环境下的适应性,实现安全有效的目标跟踪。通过引入结合异常学习的时间正则项,该模型不仅可以结合滤波器响应相似度和时间域特征搜索到目标,达到抑制异常的效果,还可以提高外观模型在时域中的鲁棒性,缓解时间滤波器退化。另外,本文采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)算法实现模型的优化过程,大大减少模型的计算复杂度。大量的实验结果证实了所提出的跟踪算法性能的优越性。
与地面无线通信系统相比,卫星通信的广域覆盖特性使得信息安全传输问题成为该领域更具挑战性的研究课题.为了提升多播传输模式下卫星通信系统的物理层安全性能,本文针对不同信道状态信息(Channel State In⁃formation,CSI)研究了两种安...
详细信息
与地面无线通信系统相比,卫星通信的广域覆盖特性使得信息安全传输问题成为该领域更具挑战性的研究课题.为了提升多播传输模式下卫星通信系统的物理层安全性能,本文针对不同信道状态信息(Channel State In⁃formation,CSI)研究了两种安全波束成形(Beamforming,BF)算法.在合法用户和窃听者CSI均准确已知的条件下,提出了基于半正定规划(Semidefinite Program,SDP)和惩罚函数相结合的安全BF算法;在合法用户CSI准确已知但窃听者CSI存在误差的条件下,提出了一种迭代的鲁棒安全BF算法.最后,计算机仿真不仅验证了本文所提BF算法的正确性和有效性,而且展示了所提出的鲁棒算法能够有效地降低信道信息误差对系统安全性能的影响.
暂无评论