在进行遥感图像多分类识别时,针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题,研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二,再增14类地物制作数据集三。在预处理图像数据之后,通过设置神经网络结构、调整模型参数、对比神经网络模型等,上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响,证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。
论文提出了多天线异步情况下基于独立分量分析的OFDMA (Orthogonal Frequency Division Multiple Access)信号盲解码算法。所提算法把接收到的OFDMA信号看成用户信息在IFFT (Inverse Fast Fourier Transform)矩阵上的投影,可以在传输延...
详细信息
论文提出了多天线异步情况下基于独立分量分析的OFDMA (Orthogonal Frequency Division Multiple Access)信号盲解码算法。所提算法把接收到的OFDMA信号看成用户信息在IFFT (Inverse Fast Fourier Transform)矩阵上的投影,可以在传输延迟及信道未知情况下,把接收信号建模成盲源分离的形式,完成子载波分离和信息盲解码。所提基于快速独立分量分析盲解码算法不需要去除循环前缀,相比传统OFDMA基于MMSE信道估计和FFT解码的算法,增加了接收信号能量,提高了解码性能。理论分析和仿真结果表明,这种不需要训练序列的盲解码算法比传统解码算法具有更好的性能。
暂无评论