CN107862278A - 一种高分辨率遥感影像道路信息提取*** - Google Patents
一种高分辨率遥感影像道路信息提取*** Download PDFInfo
- Publication number
- CN107862278A CN107862278A CN201711066558.XA CN201711066558A CN107862278A CN 107862278 A CN107862278 A CN 107862278A CN 201711066558 A CN201711066558 A CN 201711066558A CN 107862278 A CN107862278 A CN 107862278A
- Authority
- CN
- China
- Prior art keywords
- user
- image
- module
- clustering
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于道路影像信息提取技术领域,公开了一种高分辨率遥感影像道路信息提取***,所述高分辨率遥感影像道路信息提取***包括:影像采集模块、数据处理模块、无线通信模块、显示模块、无线基站、远程服务器。影像采集模块通过电路线连接数据处理模块;数据处理模块通过电路线分别连接无线通信模块、显示模块。本发明通过图像高清模块对原始图像进行色度补偿例如对颜色饱和度进行补偿或者对原始图像色域范围进行扩展,因此能够提高图像色彩鲜艳度,显示设备的显示效果大大提高;通过特征提取模块模块和特征分类模块可以对图像进行提炼、分类,大大提高采集影像的处理效率。
Description
技术领域
本发明属于道路影像信息提取技术领域,尤其涉及一种高分辨率遥感影像道路信息提取***。
背景技术
城市道路交通***主要由路网***、交通流和交通监测、控制***构成。路网***是交通流运行的载体,交通检测和控制***指导车流有序通过路网中的冲突点。路网***和交通监测和控制***好比沟渠和沟渠之间的控制阀门,通过阀门的控制,控制道路上的交通流有序的通过路网节点,最终使个体车辆到达其行驶的目的地。遥感是指非接触的,远距离的探测技术。一般指运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测。遥感是通过遥感器这类对电磁波敏感的仪器,在远离目标和非接触目标物体条件下探测目标地物。然而,现有城市道路影像提取技术,获取的影像清晰度不高,画面昏暗不清、对比度下降、颜色饱和度下降;同时采集的影像信息处理效不高。
综上,现有技术存在的问题是:现有城市道路影像提取技术,获取的影像清晰度不高,画面昏暗不清、对比度下降、颜色饱和度下降;同时采集的影像信息处理效不高。
发明内容
针对现有技术存在的问题,本发明提供了一种高分辨率遥感影像道路信息提取***。
本发明是这样实现的,一种高分辨率遥感影像道路信息提取***,所述高分辨率遥感影像道路信息提取***包括:
影像采集模块,与数据处理模块连接,用于通过卫星获取遥感图像,并发送给数据处理模块;
所述影响采集模块SAR图像变化检测方法包括:
(1)对同一地域不同时间的两幅SAR原始图像分别进行去噪处理,得到去噪后图像I1和去噪后图像I2;
(2)分别利用对数比算子和均值比算子,对得到的去噪后图像I1和去噪后图像I2进行运算,得到对数比值差异图Xl和均值比值差异图Xm,计算公式如下:
其中,μ1,μ2分别表示I1和I2的局部均值;
(3)对得到的对数比值差异图Xl和均值比值差异图Xm进行特征描述,得到对应的特征描述矩阵XL和特征描述矩阵XM;
(4)对得到的特征描述矩阵XL和特征描述矩阵XM,利用各列向量的欧氏距离度量其相似度,分别构造对应的相似度矩阵,亲和矩阵W1和W2;
(5)对得到的亲和矩阵W1和W2,利用基于亲和矩阵融合谱聚类方法对其进行聚类;
(6)使用k-means聚类方法将输出的特征向量f进行聚类,将得到的像素聚类结果,按照对数比值差异图Xl或均值比值差异图Xm中对应像素的排列顺序,恢复为原始图像的尺寸,得到最终的变化检测结果图,输出结果;
数据处理模块,与影像采集模块、无线通信模块、显示模块连接,用于对影像采集模块采集的数据进行分析处理;
所述无线通信模块基于用户的位置信息以及当前时间段内统计到的视频请求信息,对用户进行聚类处理包括用户的位置信息用当前的位置坐标来描述:
li=(xi,yi);
其中xi,yi分别表示用户i的横纵坐标值,对于用户i,构建一个内容请求频率向量:
ni=(ni,1,ni,2,...,ni,c);
其中ni,c表示用户i请求内容c的次数,每个用户对应一个内容请求向量,该向量反映了用户的内容请求偏好;
基于用户的位置信息和内容请求偏好信息对用户进行聚类,具有相似内容请求偏好且位置相近的用户分到一个多播组,使用余弦相似度准则来计算两个用户间的相似度,用如下公式计算:
其中β是一个0-1之间的权重系数;
使用K-Means聚类方法,对小区内所有的用户D进行聚类,ui={li,ni}表示用户i的聚类信息,聚类的目的是将原始用户分成C类D={D1,…,DC},数学模型上是对下式求最小值:
其中γk为用户群的中心;
所述基于用户的位置信息以及当前时间段内统计到的视频请求信息,对用户进行聚类处理具体步骤如下:
步骤一,从D中随机取C个用户,作为C个用户群的中心;
步骤二,根据相似度的计算公式,计算剩下的用户到C个用户群中心的相似度,将用户划分到相似度最高的用户群;
步骤三,根据聚类结果,更新C个用户群的中心γk={lk,nk},用如下公式:
其中mi是一个0-1之间的权重系数,重复步骤二和步骤三,直到聚类中心不再发生变化;
所述根据用户聚类结果,根据每个用户群的位置信息,计算出每个用户群中心位置的水平方位角和垂直仰角具体包括:
采用有源天线波束赋形模型,基站对每个用户群有一个特定波束,即对每个用户群设置一个特定的电子下倾角和垂直半功率带宽的波束,基站坐标为原点O(0,0,HBS),用户群k的质心为γk,位置坐标为(xk,yk,zk),垂直仰角和水平方位角为
基于聚类后的用户群位置信息,用户群质心的水平方向角和垂直仰角通过下面的公式求出:
显然,垂直仰角和水平方位角的取值范围为θ1∈(0,π),
所述基站天线波束实现对用户群的精确对准具体包括:
步骤一,将调整波束的电子下倾角、电子水平角和半功率带宽,使波束的辐射方向对准用户群的中心位置,使半功率带宽范围覆盖用户群中的所有用户,基站到用户的下倾角和水平角将调整为:
其中,和θk为基站基于用户聚类结果,利用用户群的中心位置计算出来的用户群中心的水平方位角和垂直仰角;
步骤二,确定波束宽度,用户群的覆盖区域为一个圆点在用户群中心的圆形,则该圆形区域的半径为该用户群中离中心位置最远的用户与中心的距离,即:
其中(xk,yk)为用户群k的中心γk的坐标,则第k个波束的垂直半功率带宽为:
所述采用有源天线阵列的天线模型,并确定基站到用户的信道增益模型具体包括:
步骤一,根据每个用户的位置信息以及所属的用户群波束,计算出每个用户位置的实际水平方位角和垂直仰角,计算出用户i相对于基站的水平方位角和垂直仰角θi',若用户i属于多播组k,则用户i的实际水平方位角和垂直仰角等于:
步骤二,有源天线阵列的天线模型:
3D天线增益模型采用3GPP标准中提出的有源天线阵列辐射模型,天线增益模型表示如下:
其中,为下倾角为0时的有源天线单阵元的天线增益模型,和θ为用户实际位置上的方位角和垂直仰角,ρ为阵列天线的相关系数,wm,n和vm,n分别为权值因子和用户偏移相位,分别表示如下:
其中,θetilt表示天线波束的下倾角,表示天线的水平转向角,针对不同的用户群,天线的θetilt和的配置不同;
步骤三,基站到用户的信道增益模型,采用多播信道增益模型,在一个多播组中的用户以相同的速率接受数据,基站的传输速率超过了该群中的某个用户的最大承受速率,则这个用户将不能正常解码该数据,基站以用户群中最小的速率传输数据,因此用户群k中基站到用户的等效信道增益等于该用户群中用户的最差信道增益,即:
其中表示用户i(i∈Dk)在载波n上的信道增益,由3部分组成:快衰落、基站到用户的路径损耗和用户的3D天线增益,如下表达式:
其中,F和PL分别表示快衰落和路径损耗,表示第k个波束到用户i的3D天线增益;
所述提出用户群分簇算法,根据用户群的位置信息,对用户群进行分簇处理具体包括:
基于图论的知识对用户群进行分簇,定义波束间的干扰图G=(V,E),其中V表示波束的集合,作为干扰图的顶点,E表示波束间的干扰系数,作为干扰图的边,定义指示函数e(vk,vm)(k≠m)指示波束k和波束m间的干扰:
其中Ok和Om分别表示用户群k和用户群m的半径,rth表示两个波束间干扰忽悠不计的门限距离,另外,定义e(vk,vk)=0,表示波束自身不存在干扰,根据指示函数,构建一个二值干扰矩阵:
定义波束的干扰度:
当dG(vk)=0时,称vk为零度节点;
分簇的具体步骤如下:
步骤一,用顶点集合V构建干扰矩阵AG,初始化迭代因子h=1,孤立节点集合分簇集合节点集合
步骤二,找到所有的零度节点vk,更新S=S∪vk;剩余节点集合记为Φ1=V-S;
步骤三,分簇:a)找节点k=argmax(dG(vk)),令干扰矩阵的第k行、第k列为0,更新节点集合Bh=Bh∩vk;b)循环执行a)直到AG=0;c)更新Φh=Φh-Bh,则Φh为第h个簇;
步骤四,用节点集合Bh重新构建AG≠0,更新节点集合Φh+1=Bh,更新迭代因子h=h+1,执行步骤(3);如果AG=0或者|Bh|=1,如果|Bh|=1,则Φh+1=Bh;
步骤五,将孤立节点集合S分配到最少节点的一簇中;
经过用户群的分簇处理后,用户群D={D1,…,Dk,…,DC}经过分簇算法被划分为Φ={Φ1,…,Φh,…},Φh表示第h个用户群簇,每个簇中的总的用户传输速率为:
***总的吞吐量为所有用户群簇的传输速率之和:
其中为用户群簇Φh使用载波n的指示因子,相应的,满足的条件为:
条件(2)表示一个载波只能分配给一个用户群簇,同一簇中的用户群共享一个载波资源,不同簇中的用户群不可以复用;
所述基于最大化吞吐量的载波分配算法具体步骤如下:
步骤一,根据公式:
计算每个簇中的用户在载波n上的总传输速率;
步骤二,为了最大化***的吞吐量,找到获得最大速率的载波和用户群簇,首先分配该载波给该用户群簇,根据公式:
将载波n分配给用户群簇Φh获得最大的传输速率,载波n分配给簇Φh的频谱利用率最高,所以将载波n分配给用户群簇Φh;
步骤三,将载波n从载波集合F中移除,同时,将用户群簇Φh从集合Φ中移除;
步骤四,重复执行步骤二和步骤三,直到载波集合或者用户群簇集合成为空集;
无线通信模块,与数据处理模块连接,与无线基站无线连接,用于将数据处理模块的处理的数据信息通过无线形式发送给无线基站,无线基站将数据信息发送给远程服务器进行存储;
所述无线基站宽带无线全双工MIMO通信***回波自干扰自适应抑制方法将迭代滤波法的迭代思想运用到回波自干扰抑制方法中,通过自适应迭代算法实现对自干扰信号的准确估计及***误码率BER性能的提升;具体步骤如下:
步骤一:近端通信节点的接收信号为:
tR(n)=HFE(n)tFE(n)+HNE(n)tNE(n)+w(n);
其中,为来自远端节点的有用目标接收信号;而为近端节点自身发射信号,即回波自干扰信号;分别表示近端和远端第j(j=N1,…,NT)条天线上的发送信号;与分别为远端和近端发射信号的信道转移函数;w(n)为信道加性高斯白噪声;其中,NT表示通信节点发射天线数目,NR是接收天线数目,Nf是信号每帧长度,(·)T表示对矩阵或矢量的转置运算符号;
步骤二:在接收端通过利用归一化最小均方误差NLMS算法对混有自干扰、信道噪声的接收信号进行自干扰抑制,定义算法的代价函数为:
其中,Min表示取最小值,n表示第n时刻,E(eNE(n))2表示近端误差信号的平均功率,E[·]表示期望运算符,tNE(n)表示近端发送天线的实际发送信号,表示对近端总接收信号滤波后,获得的对近端发送信号tNE(n)的估计值;
步骤三:设置采用归一化最小均方误差NLMS算法进行自干扰抑制的相关初始值:
令初始迭代次数k=1,并设置最大迭代次数K及根据近端输入信号的自相关矩阵设置收敛步长因子μNE,自适应滤波器的初始化权值矢量αNE(0)以及滤波器的长度M,开始迭代过程,分别设置K=25、M=11、
步骤四:根据公式按照以下公式求出近端的估计信号具体过程如下:
其中j=N1,…,NT,NT表示发送天线总数目,M为自适应滤波器的长度,αNE(n)在表示n时刻的权值矢量,为n时刻第j条接收天线经自适应滤波后获得的近端误差信号,为第j条近端接收天线上的接收信号;
j<NT,则令j=j+1,估计下一接收天线上的估计信号
j=NT,则前进至步骤五;
步骤五:根据下式,更新n时刻的权值矢量并根据迭代结果输出近端发送信号tNE(n)的估计信号具体过程如下:
如下式更新下一时刻的权值矢量:
其中,j=1,…,NT,NT表示发送天线总数目,ε表示的是权值矢量αNE(n)在迭代过程中的调整因数,仿真中设置的大小为0.001,为第j条近端接收天线上的接收信号,为n时刻第j条接收天线经NLMS自适应滤波后获得的近端误差信号,μNE表示收敛步长因子,(·)T表示对矩阵或矢量的转置运算符;
步骤六:根据最佳权值矢量αNE(n)以及公式:
由下式得近端估计信号的最终表达式:
其中,j=1,…,NT,NT表示发送天线总数目,αNE(n)表示n时刻权值矢量,表示n时刻的权值,其中i=1,…,M,M表示滤波器的长度,表示第j条接收天线上的接收信号;
步骤七:从总体接收信号tR(n)中滤除估计出的回波自干扰信号,以获得来自远端节点的有用传输信号,将该信号送入后续的MIMO译码检测单元,以获得对远端发送信号的准确估计,具体包括:
第一步,从接收信号tR(n)中减去回波自干扰估计信号得到来自远端节点的有用传输信号tES(n),即:
第二步,将信号tES(n)送入后续的MIMO译码检测单元,以获得对远端发送信号tFE(n)的估计;
显示模块,与数据处理模块连接,用于显示高清的遥感影像。
进一步,所述数据处理模块,包括特征提取模块、特征分类模块、图像高清模块、图像转换模块;
特征提取模块模块,用于对遥感图像特征信息进行提炼;
特征分类模块,用于对遥感图像特征信息进行分类;
图像高清模块,用于对遥感图像进行高清处理;
图像转换模块,用于对遥感图像进行尺寸大小处理。
进一步,所述图像高清模块图像处理方法如下:
首先,获取原始图像以及原始图像加入环境光底色后的降质图像;
然后,获取原始图像和降质图像的色度差异;将原始图像和降质图像从第一颜色空间转换到第二颜色空间;以及获取原始图像和降质图像在第二颜色空间中的色度差异;
最后,利用色度差异对原始图像进行色度补偿以得到补偿后图像。
本发明通过图像高清模块对原始图像进行色度补偿例如对颜色饱和度进行补偿或者对原始图像色域范围进行扩展,因此能够提高图像色彩鲜艳度,显示设备的显示效果大大提高;通过特征提取模块模块和特征分类模块可以对图像进行提炼、分类,大大提高采集影像的处理效率。
附图说明
图1是本发明实施例提供的高分辨率遥感影像道路信息提取***结构示意图;
图中:1、影像采集模块;2、数据处理模块;3、无线通信模块;4、显示模块;5、无线基站;6、远程服务器。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的高分辨率遥感影像道路信息提取***包括:影像采集模块1、数据处理模块2、无线通信模块3、显示模块4、无线基站5、远程服务器6。
影像采集模块1,与数据处理模块2连接,用于通过卫星获取遥感图像,并发送给数据处理模块2;
数据处理模块2,与影像采集模块1、无线通信模块3、显示模块4连接,用于对影像采集模块1采集的数据进行分析处理;
无线通信模块3,与数据处理模块2连接,与无线基站5无线连接,用于将数据处理模块2的处理的数据信息通过无线形式发送给无线基站5,无线基站5将数据信息发送给远程服务器6进行存储;
显示模块4,与数据处理模块2连接,用于显示高清的遥感影像。
高分辨率遥感影像道路信息提取***,其特征在于,所述高分辨率遥感影像道路信息提取***包括:
影像采集模块,与数据处理模块连接,用于通过卫星获取遥感图像,并发送给数据处理模块;
所述影响采集模块SAR图像变化检测方法包括:
(1)对同一地域不同时间的两幅SAR原始图像分别进行去噪处理,得到去噪后图像I1和去噪后图像I2;
(2)分别利用对数比算子和均值比算子,对得到的去噪后图像I1和去噪后图像I2进行运算,得到对数比值差异图Xl和均值比值差异图Xm,计算公式如下:
其中,μ1,μ2分别表示I1和I2的局部均值;
(3)对得到的对数比值差异图Xl和均值比值差异图Xm进行特征描述,得到对应的特征描述矩阵XL和特征描述矩阵XM;
(4)对得到的特征描述矩阵XL和特征描述矩阵XM,利用各列向量的欧氏距离度量其相似度,分别构造对应的相似度矩阵,亲和矩阵W1和W2;
(5)对得到的亲和矩阵W1和W2,利用基于亲和矩阵融合谱聚类方法对其进行聚类;
(6)使用k-means聚类方法将输出的特征向量f进行聚类,将得到的像素聚类结果,按照对数比值差异图Xl或均值比值差异图Xm中对应像素的排列顺序,恢复为原始图像的尺寸,得到最终的变化检测结果图,输出结果;
所述无线通信模块基于用户的位置信息以及当前时间段内统计到的视频请求信息,对用户进行聚类处理包括用户的位置信息用当前的位置坐标来描述:
li=(xi,yi);
其中xi,yi分别表示用户i的横纵坐标值,对于用户i,构建一个内容请求频率向量:
ni=(ni,1,ni,2,...,ni,c);
其中ni,c表示用户i请求内容c的次数,每个用户对应一个内容请求向量,该向量反映了用户的内容请求偏好;
基于用户的位置信息和内容请求偏好信息对用户进行聚类,具有相似内容请求偏好且位置相近的用户分到一个多播组,使用余弦相似度准则来计算两个用户间的相似度,用如下公式计算:
其中β是一个0-1之间的权重系数;
使用K-Means聚类方法,对小区内所有的用户D进行聚类,ui={li,ni}表示用户i的聚类信息,聚类的目的是将原始用户分成C类D={D1,…,DC},数学模型上是对下式求最小值:
其中γk为用户群的中心;
所述基于用户的位置信息以及当前时间段内统计到的视频请求信息,对用户进行聚类处理具体步骤如下:
步骤一,从D中随机取C个用户,作为C个用户群的中心;
步骤二,根据相似度的计算公式,计算剩下的用户到C个用户群中心的相似度,将用户划分到相似度最高的用户群;
步骤三,根据聚类结果,更新C个用户群的中心γk={lk,nk},用如下公式:
其中mi是一个0-1之间的权重系数,重复步骤二和步骤三,直到聚类中心不再发生变化;
所述根据用户聚类结果,根据每个用户群的位置信息,计算出每个用户群中心位置的水平方位角和垂直仰角具体包括:
采用有源天线波束赋形模型,基站对每个用户群有一个特定波束,即对每个用户群设置一个特定的电子下倾角和垂直半功率带宽的波束,基站坐标为原点O(0,0,HBS),用户群k的质心为γk,位置坐标为(xk,yk,zk),垂直仰角和水平方位角为
基于聚类后的用户群位置信息,用户群质心的水平方向角和垂直仰角通过下面的公式求出:
显然,垂直仰角和水平方位角的取值范围为θ1∈(0,π),
所述基站天线波束实现对用户群的精确对准具体包括:
步骤一,将调整波束的电子下倾角、电子水平角和半功率带宽,使波束的辐射方向对准用户群的中心位置,使半功率带宽范围覆盖用户群中的所有用户,基站到用户的下倾角和水平角将调整为:
其中,和θk为基站基于用户聚类结果,利用用户群的中心位置计算出来的用户群中心的水平方位角和垂直仰角;
步骤二,确定波束宽度,用户群的覆盖区域为一个圆点在用户群中心的圆形,则该圆形区域的半径为该用户群中离中心位置最远的用户与中心的距离,即:
其中(xk,yk)为用户群k的中心γk的坐标,则第k个波束的垂直半功率带宽为:
所述采用有源天线阵列的天线模型,并确定基站到用户的信道增益模型具体包括:
步骤一,根据每个用户的位置信息以及所属的用户群波束,计算出每个用户位置的实际水平方位角和垂直仰角,计算出用户i相对于基站的水平方位角和垂直仰角θi',若用户i属于多播组k,则用户i的实际水平方位角和垂直仰角等于:
步骤二,有源天线阵列的天线模型:
3D天线增益模型采用3GPP标准中提出的有源天线阵列辐射模型,天线增益模型表示如下:
其中,为下倾角为0时的有源天线单阵元的天线增益模型,和θ为用户实际位置上的方位角和垂直仰角,ρ为阵列天线的相关系数,wm,n和vm,n分别为权值因子和用户偏移相位,分别表示如下:
其中,θetilt表示天线波束的下倾角,表示天线的水平转向角,针对不同的用户群,天线的θetilt和的配置不同;
步骤三,基站到用户的信道增益模型,采用多播信道增益模型,在一个多播组中的用户以相同的速率接受数据,基站的传输速率超过了该群中的某个用户的最大承受速率,则这个用户将不能正常解码该数据,基站以用户群中最小的速率传输数据,因此用户群k中基站到用户的等效信道增益等于该用户群中用户的最差信道增益,即:
其中表示用户i(i∈Dk)在载波n上的信道增益,由3部分组成:快衰落、基站到用户的路径损耗和用户的3D天线增益,如下表达式:
其中,F和PL分别表示快衰落和路径损耗,表示第k个波束到用户i的3D天线增益;
所述提出用户群分簇算法,根据用户群的位置信息,对用户群进行分簇处理具体包括:
基于图论的知识对用户群进行分簇,定义波束间的干扰图G=(V,E),其中V表示波束的集合,作为干扰图的顶点,E表示波束间的干扰系数,作为干扰图的边,定义指示函数e(vk,vm)(k≠m)指示波束k和波束m间的干扰:
其中Ok和Om分别表示用户群k和用户群m的半径,rth表示两个波束间干扰忽悠不计的门限距离,另外,定义e(vk,vk)=0,表示波束自身不存在干扰,根据指示函数,构建一个二值干扰矩阵:
定义波束的干扰度:
当dG(vk)=0时,称vk为零度节点;
分簇的具体步骤如下:
步骤一,用顶点集合V构建干扰矩阵AG,初始化迭代因子h=1,孤立节点集合分簇集合节点集合
步骤二,找到所有的零度节点vk,更新S=S∪vk;剩余节点集合记为Φ1=V-S;
步骤三,分簇:a)找节点k=argmax(dG(vk)),令干扰矩阵的第k行、第k列为0,更新节点集合Bh=Bh∩vk;b)循环执行a)直到AG=0;c)更新Φh=Φh-Bh,则Φh为第h个簇;
步骤四,用节点集合Bh重新构建AG≠0,更新节点集合Φh+1=Bh,更新迭代因子h=h+1,执行步骤(3);如果AG=0或者|Bh|=1,如果|Bh|=1,则Φh+1=Bh;
步骤五,将孤立节点集合S分配到最少节点的一簇中;
经过用户群的分簇处理后,用户群D={D1,…,Dk,…,DC}经过分簇算法被划分为Φ={Φ1,…,Φh,…},Φh表示第h个用户群簇,每个簇中的总的用户传输速率为:
***总的吞吐量为所有用户群簇的传输速率之和:
其中为用户群簇Φh使用载波n的指示因子,相应的,满足的条件为:
条件(2)表示一个载波只能分配给一个用户群簇,同一簇中的用户群共享一个载波资源,不同簇中的用户群不可以复用;
所述基于最大化吞吐量的载波分配算法具体步骤如下:
步骤一,根据公式:
计算每个簇中的用户在载波n上的总传输速率;
步骤二,为了最大化***的吞吐量,找到获得最大速率的载波和用户群簇,首先分配该载波给该用户群簇,根据公式:
将载波n分配给用户群簇Φh获得最大的传输速率,载波n分配给簇Φh的频谱利用率最高,所以将载波n分配给用户群簇Φh;
步骤三,将载波n从载波集合F中移除,同时,将用户群簇Φh从集合Φ中移除;
步骤四,重复执行步骤二和步骤三,直到载波集合或者用户群簇集合成为空集。
所述无线基站宽带无线全双工MIMO通信***回波自干扰自适应抑制方法将迭代滤波法的迭代思想运用到回波自干扰抑制方法中,通过自适应迭代算法实现对自干扰信号的准确估计及***误码率BER性能的提升;具体步骤如下:
步骤一:近端通信节点的接收信号为:
tR(n)=HFE(n)tFE(n)+HNE(n)tNE(n)+w(n);
其中,为来自远端节点的有用目标接收信号;而为近端节点自身发射信号,即回波自干扰信号;分别表示近端和远端第j(j=N1,…,NT)条天线上的发送信号;与分别为远端和近端发射信号的信道转移函数;w(n)为信道加性高斯白噪声;其中,NT表示通信节点发射天线数目,NR是接收天线数目,Nf是信号每帧长度,(·)T表示对矩阵或矢量的转置运算符号;
步骤二:在接收端通过利用归一化最小均方误差NLMS算法对混有自干扰、信道噪声的接收信号进行自干扰抑制,定义算法的代价函数为:
其中,Min表示取最小值,n表示第n时刻,E(eNE(n))2表示近端误差信号的平均功率,E[·]表示期望运算符,tNE(n)表示近端发送天线的实际发送信号,表示对近端总接收信号滤波后,获得的对近端发送信号tNE(n)的估计值;
步骤三:设置采用归一化最小均方误差NLMS算法进行自干扰抑制的相关初始值:
令初始迭代次数k=1,并设置最大迭代次数K及根据近端输入信号的自相关矩阵设置收敛步长因子μNE,自适应滤波器的初始化权值矢量αNE(0)以及滤波器的长度M,开始迭代过程,分别设置K=25、M=11、
步骤四:根据公式按照以下公式求出近端的估计信号具体过程如下:
其中j=N1,…,NT,NT表示发送天线总数目,M为自适应滤波器的长度,αNE(n)在表示n时刻的权值矢量,为n时刻第j条接收天线经自适应滤波后获得的近端误差信号,为第j条近端接收天线上的接收信号;
j<NT,则令j=j+1,估计下一接收天线上的估计信号
j=NT,则前进至步骤五;
步骤五:根据下式,更新n时刻的权值矢量并根据迭代结果输出近端发送信号tNE(n)的估计信号具体过程如下:
如下式更新下一时刻的权值矢量:
其中,j=1,…,NT,NT表示发送天线总数目,ε表示的是权值矢量αNE(n)在迭代过程中的调整因数,仿真中设置的大小为0.001,为第j条近端接收天线上的接收信号,为n时刻第j条接收天线经NLMS自适应滤波后获得的近端误差信号,μNE表示收敛步长因子,(·)T表示对矩阵或矢量的转置运算符;
步骤六:根据最佳权值矢量αNE(n)以及公式:
由下式得近端估计信号的最终表达式:
其中,j=1,…,NT,NT表示发送天线总数目,αNE(n)表示n时刻权值矢量,表示n时刻的权值,其中i=1,…,M,M表示滤波器的长度,表示第j条接收天线上的接收信号;
步骤七:从总体接收信号tR(n)中滤除估计出的回波自干扰信号,以获得来自远端节点的有用传输信号,将该信号送入后续的MIMO译码检测单元,以获得对远端发送信号的准确估计,具体包括:
第一步,从接收信号tR(n)中减去回波自干扰估计信号得到来自远端节点的有用传输信号tES(n),即:
第二步,将信号tES(n)送入后续的MIMO译码检测单元,以获得对远端发送信号tFE(n)的估计。
本发明提供的数据处理模块2,包括特征提取模块、特征分类模块、图像高清模块、图像转换模块;
特征提取模块模块,用于对遥感图像特征信息进行提炼;
特征分类模块,用于对遥感图像特征信息进行分类;
图像高清模块,用于对遥感图像进行高清处理;
图像转换模块,用于对遥感图像进行尺寸大小处理。
本发明提供的图像高清模块图像处理方法如下:
首先,获取原始图像以及原始图像加入环境光底色后的降质图像;
然后,获取原始图像和降质图像的色度差异;将原始图像和降质图像从第一颜色空间转换到第二颜色空间;以及获取原始图像和降质图像在第二颜色空间中的色度差异;
最后,利用色度差异对原始图像进行色度补偿以得到补偿后图像。
本发明通过影像采集模块1取遥感图像,并发送给数据处理模块2,数据处理模块2对影像采集模块1采集的数据进行分析处理;然后由无线通信模块3将数据处理模块2的处理的数据信息通过无线形式发送给无线基站5,无线基站5将数据信息发送给远程服务器6进行存储,通过显示模块4可以显示高清的遥感影像。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰,均属于本发明技术方案的范围内。
Claims (3)
1.一种高分辨率遥感影像道路信息提取***,其特征在于,所述高分辨率遥感影像道路信息提取***包括:
影像采集模块,与数据处理模块连接,用于通过卫星获取遥感图像,并发送给数据处理模块;
所述影响采集模块SAR图像变化检测方法包括:
(1)对同一地域不同时间的两幅SAR原始图像分别进行去噪处理,得到去噪后图像I1和去噪后图像I2;
(2)分别利用对数比算子和均值比算子,对得到的去噪后图像I1和去噪后图像I2进行运算,得到对数比值差异图Xl和均值比值差异图Xm,计算公式如下:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<mi>log</mi>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>|</mo>
<mo>=</mo>
<mo>|</mo>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,μ1,μ2分别表示I1和I2的局部均值;
(3)对得到的对数比值差异图Xl和均值比值差异图Xm进行特征描述,得到对应的特征描述矩阵XL和特征描述矩阵XM;
(4)对得到的特征描述矩阵XL和特征描述矩阵XM,利用各列向量的欧氏距离度量其相似度,分别构造对应的相似度矩阵,亲和矩阵W1和W2;
(5)对得到的亲和矩阵W1和W2,利用基于亲和矩阵融合谱聚类方法对其进行聚类;
(6)使用k-means聚类方法将输出的特征向量f进行聚类,将得到的像素聚类结果,按照对数比值差异图Xl或均值比值差异图Xm中对应像素的排列顺序,恢复为原始图像的尺寸,得到最终的变化检测结果图,输出结果;
数据处理模块,与影像采集模块、无线通信模块、显示模块连接,用于对影像采集模块采集的数据进行分析处理;
所述无线通信模块基于用户的位置信息以及当前时间段内统计到的视频请求信息,对用户进行聚类处理包括用户的位置信息用当前的位置坐标来描述:
li=(xi,yi);
其中xi,yi分别表示用户i的横纵坐标值,对于用户i,构建一个内容请求频率向量:
ni=(ni,1,ni,2,...,ni,c);
其中ni,c表示用户i请求内容c的次数,每个用户对应一个内容请求向量,该向量反映了用户的内容请求偏好;
基于用户的位置信息和内容请求偏好信息对用户进行聚类,具有相似内容请求偏好且位置相近的用户分到一个多播组,使用余弦相似度准则来计算两个用户间的相似度,用如下公式计算:
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&beta;</mi>
<mfrac>
<mrow>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中β是一个0-1之间的权重系数;
使用K-Means聚类方法,对小区内所有的用户D进行聚类,ui={li,ni}表示用户i的聚类信息,聚类的目的是将原始用户分成C类D={D1,…,DC},数学模型上是对下式求最小值:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&gamma;</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>;</mo>
</mrow>
其中γk为用户群的中心;
所述基于用户的位置信息以及当前时间段内统计到的视频请求信息,对用户进行聚类处理具体步骤如下:
步骤一,从D中随机取C个用户,作为C个用户群的中心;
步骤二,根据相似度的计算公式,计算剩下的用户到C个用户群中心的相似度,将用户划分到相似度最高的用户群;
步骤三,根据聚类结果,更新C个用户群的中心γk={lk,nk},用如下公式:
<mrow>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<msub>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<msub>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中mi是一个0-1之间的权重系数,重复步骤二和步骤三,直到聚类中心不再发生变化;
所述根据用户聚类结果,根据每个用户群的位置信息,计算出每个用户群中心位置的水平方位角和垂直仰角具体包括:
采用有源天线波束赋形模型,基站对每个用户群有一个特定波束,即对每个用户群设置一个特定的电子下倾角和垂直半功率带宽的波束,基站坐标为原点O(0,0,HBS),用户群k的质心为γk,位置坐标为(xk,yk,zk),垂直仰角和水平方位角为
基于聚类后的用户群位置信息,用户群质心的水平方向角和垂直仰角通过下面的公式求出:
<mrow>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>a</mi>
<mi>c</mi>
<mi> </mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>H</mi>
<mrow>
<mi>B</mi>
<mi>S</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
</mrow>
<msqrt>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&pi;</mi>
<mo>/</mo>
<mn>2</mn>
<mo>;</mo>
</mrow>
显然,垂直仰角和水平方位角的取值范围为θ1∈(0,π),
所述基站天线波束实现对用户群的精确对准具体包括:
步骤一,将调整波束的电子下倾角、电子水平角和半功率带宽,使波束的辐射方向对准用户群的中心位置,使半功率带宽范围覆盖用户群中的所有用户,基站到用户的下倾角和水平角将调整为:
其中,和θk为基站基于用户聚类结果,利用用户群的中心位置计算出来的用户群中心的水平方位角和垂直仰角;
步骤二,确定波束宽度,用户群的覆盖区域为一个圆点在用户群中心的圆形,则该圆形区域的半径为该用户群中离中心位置最远的用户与中心的距离,即:
<mrow>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
其中(xk,yk)为用户群k的中心γk的坐标,则第k个波束的垂直半功率带宽为:
<mrow>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mn>3</mn>
<mi>d</mi>
<mi>B</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mi>arctan</mi>
<mfrac>
<mrow>
<msqrt>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</msqrt>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
</mrow>
<msub>
<mi>H</mi>
<mrow>
<mi>B</mi>
<mi>S</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mi>arctan</mi>
<mfrac>
<mrow>
<msqrt>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</msqrt>
<mo>-</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
</mrow>
<msub>
<mi>H</mi>
<mrow>
<mi>B</mi>
<mi>S</mi>
</mrow>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
所述采用有源天线阵列的天线模型,并确定基站到用户的信道增益模型具体包括:
步骤一,根据每个用户的位置信息以及所属的用户群波束,计算出每个用户位置的实际水平方位角和垂直仰角,计算出用户i相对于基站的水平方位角和垂直仰角θi',若用户i属于多播组k,则用户i的实际水平方位角和垂直仰角等于:
步骤二,有源天线阵列的天线模型:
3D天线增益模型采用3GPP标准中提出的有源天线阵列辐射模型,天线增益模型表示如下:
其中,为下倾角为0时的有源天线单阵元的天线增益模型,和θ为用户实际位置上的方位角和垂直仰角,ρ为阵列天线的相关系数,wm,n和vm,n分别为权值因子和用户偏移相位,分别表示如下:
m=1,2,...NH;n=1,2,...NV;
m=1,2,...NH;n=1,2,...NV;
其中,θetilt表示天线波束的下倾角,表示天线的水平转向角,针对不同的用户群,天线的θetilt和的配置不同;
步骤三,基站到用户的信道增益模型,采用多播信道增益模型,在一个多播组中的用户以相同的速率接受数据,基站的传输速率超过了该群中的某个用户的最大承受速率,则这个用户将不能正常解码该数据,基站以用户群中最小的速率传输数据,因此用户群k中基站到用户的等效信道增益等于该用户群中用户的最差信道增益,即:
其中表示用户i(i∈Dk)在载波n上的信道增益,由3部分组成:快衰落、基站到用户的路径损耗和用户的3D天线增益,如下表达式:
其中,F和PL分别表示快衰落和路径损耗,表示第k个波束到用户i的3D天线增益;
所述提出用户群分簇算法,根据用户群的位置信息,对用户群进行分簇处理具体包括:
基于图论的知识对用户群进行分簇,定义波束间的干扰图G=(V,E),其中V表示波束的集合,作为干扰图的顶点,E表示波束间的干扰系数,作为干扰图的边,定义指示函数e(vk,vm)(k≠m)指示波束k和波束m间的干扰:
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>O</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<mo><</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>O</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中Ok和Om分别表示用户群k和用户群m的半径,rth表示两个波束间干扰忽悠不计的门限距离,另外,定义e(vk,vk)=0,表示波束自身不存在干扰,根据指示函数,构建一个二值干扰矩阵:
定义波束的干扰度:
<mrow>
<msub>
<mi>d</mi>
<mi>G</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>m</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
<mi>C</mi>
</munderover>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
当dG(vk)=0时,称vk为零度节点;
分簇的具体步骤如下:
步骤一,用顶点集合V构建干扰矩阵AG,初始化迭代因子h=1,孤立节点集合分簇集合节点集合
步骤二,找到所有的零度节点vk,更新S=S∪vk;剩余节点集合记为Φ1=V-S;
步骤三,分簇:a)找节点k=argmax(dG(vk)),令干扰矩阵的第k行、第k列为0,更新节点集合Bh=Bh∩vk;b)循环执行a)直到AG=0;c)更新Φh=Φh-Bh,则Φh为第h个簇;
步骤四,用节点集合Bh重新构建AG≠0,更新节点集合Φh+1=Bh,更新迭代因子h=h+1,执行步骤(3);如果AG=0或者|Bh|=1,如果|Bh|=1,则Φh+1=Bh;
步骤五,将孤立节点集合S分配到最少节点的一簇中;
经过用户群的分簇处理后,用户群D={D1,…,Dk,…,DC}经过分簇算法被划分为Φ={Φ1,…,Φh,…},Φh表示第h个用户群簇,每个簇中的总的用户传输速率为:
<mrow>
<msubsup>
<mi>R</mi>
<mi>n</mi>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</mrow>
</munder>
<msubsup>
<mi>R</mi>
<mi>n</mi>
<mi>k</mi>
</msubsup>
<mo>;</mo>
</mrow>
***总的吞吐量为所有用户群簇的传输速率之和:
<mrow>
<mi>U</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
<mo>&Element;</mo>
<mi>&Phi;</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>&Element;</mo>
<mi>F</mi>
</mrow>
</munder>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</mrow>
</msub>
<msubsup>
<mi>R</mi>
<mi>n</mi>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</msubsup>
<mo>;</mo>
</mrow>
其中为用户群簇Φh使用载波n的指示因子,相应的,满足的条件为:
<mrow>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>,</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
<mo>&Element;</mo>
<mi>&Phi;</mi>
<mo>,</mo>
<mi>n</mi>
<mo>&Element;</mo>
<mi>F</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
<mo>&Element;</mo>
<mi>&Phi;</mi>
</mrow>
</munder>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
<mo>&Element;</mo>
<mi>F</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
条件(2)表示一个载波只能分配给一个用户群簇,同一簇中的用户群共享一个载波资源,不同簇中的用户群不可以复用;
所述基于最大化吞吐量的载波分配算法具体步骤如下:
步骤一,根据公式:
<mrow>
<msubsup>
<mi>R</mi>
<mi>n</mi>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</mrow>
</munder>
<msubsup>
<mi>R</mi>
<mi>n</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mi>n</mi>
<mo>&Element;</mo>
<mi>F</mi>
<mo>,</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
<mo>&Element;</mo>
<mi>&Phi;</mi>
<mo>;</mo>
</mrow>
计算每个簇中的用户在载波n上的总传输速率;
步骤二,为了最大化***的吞吐量,找到获得最大速率的载波和用户群簇,首先分配该载波给该用户群簇,根据公式:
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>&Element;</mo>
<mi>F</mi>
<mo>,</mo>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
<mo>&Element;</mo>
<mi>&Phi;</mi>
</mrow>
</munder>
<msubsup>
<mi>R</mi>
<mi>n</mi>
<msub>
<mi>&Phi;</mi>
<mi>h</mi>
</msub>
</msubsup>
<mo>;</mo>
</mrow>
将载波n分配给用户群簇Φh获得最大的传输速率,载波n分配给簇Φh的频谱利用率最高,所以将载波n分配给用户群簇Φh;
步骤三,将载波n从载波集合F中移除,同时,将用户群簇Φh从集合Φ中移除;
步骤四,重复执行步骤二和步骤三,直到载波集合或者用户群簇集合成为空集;
无线通信模块,与数据处理模块连接,与无线基站无线连接,用于将数据处理模块的处理的数据信息通过无线形式发送给无线基站,无线基站将数据信息发送给远程服务器进行存储;
所述无线基站宽带无线全双工MIMO通信***回波自干扰自适应抑制方法将迭代滤波法的迭代思想运用到回波自干扰抑制方法中,通过自适应迭代算法实现对自干扰信号的准确估计及***误码率BER性能的提升;具体步骤如下:
步骤一:近端通信节点的接收信号为:
tR(n)=HFE(n)tFE(n)+HNE(n)tNE(n)+w(n);
其中,为来自远端节点的有用目标接收信号;而为近端节点自身发射信号,即回波自干扰信号;分别表示近端和远端第j(j=N1,…,NT)条天线上的发送信号;与分别为远端和近端发射信号的信道转移函数;w(n)为信道加性高斯白噪声;其中,NT表示通信节点发射天线数目,NR是接收天线数目,Nf是信号每帧长度,(·)T表示对矩阵或矢量的转置运算符号;
步骤二:在接收端通过利用归一化最小均方误差NLMS算法对混有自干扰、信道噪声的
接收信号进行自干扰抑制,定义算法的代价函数为:
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>=</mo>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>t</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>,</mo>
</mrow>
其中,Min表示取最小值,n表示第n时刻,E(eNE(n))2表示近端误差信号的平均功率,E[·]表示期望运算符,tNE(n)表示近端发送天线的实际发送信号,表示对近端总接收信号滤波后,获得的对近端发送信号tNE(n)的估计值;
步骤三:设置采用归一化最小均方误差NLMS算法进行自干扰抑制的相关初始值:
令初始迭代次数k=1,并设置最大迭代次数K及根据近端输入信号的自相关矩阵设置收敛步长因子μNE,自适应滤波器的初始化权值矢量αNE(0)以及滤波器的长度M,开始迭代过程,分别设置K=25、M=11、
步骤四:根据公式按照以下公式求出近端的估计信号具体过程如下:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mi>&alpha;</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>M</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>M</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msubsup>
<mi>&alpha;</mi>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>M</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>M</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
其中j=N1,…,NT,NT表示发送天线总数目,M为自适应滤波器的长度,αNE(n)在表示n时刻的权值矢量,为n时刻第j条接收天线经自适应滤波后获得的近端误差信号,为第j条近端接收天线上的接收信号;
j<NT,则令j=j+1,估计下一接收天线上的估计信号
j=NT,则前进至步骤五;
步骤五:根据下式,更新n时刻的权值矢量并根据迭代结果输出近端发送信号tNE(n)的估计信号具体过程如下:
如下式更新下一时刻的权值矢量:
<mrow>
<msup>
<mi>&alpha;</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&alpha;</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<msup>
<mi>&mu;</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,j=1,…,NT,NT表示发送天线总数目,ε表示的是权值矢量αNE(n)在迭代过程中的调整因数,仿真中设置的大小为0.001,为第j条近端接收天线上的接收信号,为n时刻第j条接收天线经NLMS自适应滤波后获得的近端误差信号,μNE表示收敛步长因子,(·)T表示对矩阵或矢量的转置运算符;
步骤六:根据最佳权值矢量αNE(n)以及公式:
<mrow>
<msubsup>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>&alpha;</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>R</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
由下式得近端估计信号的最终表达式:
<mrow>
<msup>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>,</mo>
</mrow>
其中,j=1,…,NT,NT表示发送天线总数目,αNE(n)表示n时刻权值矢量,表示n时刻的权值,其中i=1,…,M,M表示滤波器的长度,表示第j条接收天线上的接收信号;
步骤七:从总体接收信号tR(n)中滤除估计出的回波自干扰信号,以获得来自远端节点的有用传输信号,将该信号送入后续的MIMO译码检测单元,以获得对远端发送信号的准确估计,具体包括:
第一步,从接收信号tR(n)中减去回波自干扰估计信号得到来自远端节点的有用传输信号tES(n),即:
<mrow>
<msup>
<mi>t</mi>
<mrow>
<mi>E</mi>
<mi>S</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>H</mi>
<mrow>
<mi>F</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>t</mi>
<mrow>
<mi>F</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>t</mi>
<mi>R</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>N</mi>
<mi>E</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
第二步,将信号tES(n)送入后续的MIMO译码检测单元,以获得对远端发送信号tFE(n)的估计;
显示模块,与数据处理模块连接,用于显示高清的遥感影像。
2.如权利要求1所述的高分辨率遥感影像道路信息提取***,其特征在于,所述数据处理模块包括特征提取模块、特征分类模块、图像高清模块、图像转换模块;
特征提取模块模块,用于对遥感图像特征信息进行提炼;
特征分类模块,用于对遥感图像特征信息进行分类;
图像高清模块,用于对遥感图像进行高清处理;
图像转换模块,用于对遥感图像进行尺寸大小处理。
3.如权利要求1所述的高分辨率遥感影像道路信息提取***,其特征在于,所述图像高清模块图像处理方法如下:
首先,获取原始图像以及原始图像加入环境光底色后的降质图像;
然后,获取原始图像和降质图像的色度差异;将原始图像和降质图像从第一颜色空间转换到第二颜色空间;以及获取原始图像和降质图像在第二颜色空间中的色度差异;
最后,利用色度差异对原始图像进行色度补偿以得到补偿后图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711066558.XA CN107862278A (zh) | 2017-11-02 | 2017-11-02 | 一种高分辨率遥感影像道路信息提取*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711066558.XA CN107862278A (zh) | 2017-11-02 | 2017-11-02 | 一种高分辨率遥感影像道路信息提取*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107862278A true CN107862278A (zh) | 2018-03-30 |
Family
ID=61700669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711066558.XA Pending CN107862278A (zh) | 2017-11-02 | 2017-11-02 | 一种高分辨率遥感影像道路信息提取*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862278A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109698741A (zh) * | 2018-12-17 | 2019-04-30 | 电子科技大学 | 一种新型的全双工通信发送机与接收机设计方法 |
CN110246091A (zh) * | 2019-04-25 | 2019-09-17 | 新疆大学 | 确定sar图差异区域的方法和装置 |
CN110555677A (zh) * | 2019-09-10 | 2019-12-10 | 江西理工大学 | 一种数字人防管理信息***及实现方法 |
CN117333402A (zh) * | 2023-12-01 | 2024-01-02 | 北京飞渡科技股份有限公司 | 倾斜摄影图像的局部更新处理方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609706A (zh) * | 2011-01-25 | 2012-07-25 | 龚建华 | 高分辨率遥感影像道路信息提取*** |
CN104468055A (zh) * | 2014-12-29 | 2015-03-25 | 西安电子科技大学 | 宽带无线全双工mimo通信***回波自干扰自适应抑制方法 |
CN105072689A (zh) * | 2015-08-31 | 2015-11-18 | 西安电子科技大学 | 基于有源天线阵列模型的多播***无线资源优化分配方法 |
CN105100761A (zh) * | 2015-07-09 | 2015-11-25 | 西安电子科技大学 | 图像显示方法 |
CN106097290A (zh) * | 2016-06-03 | 2016-11-09 | 西安电子科技大学 | 基于nmf图像融合的sar图像变化检测方法 |
-
2017
- 2017-11-02 CN CN201711066558.XA patent/CN107862278A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609706A (zh) * | 2011-01-25 | 2012-07-25 | 龚建华 | 高分辨率遥感影像道路信息提取*** |
CN104468055A (zh) * | 2014-12-29 | 2015-03-25 | 西安电子科技大学 | 宽带无线全双工mimo通信***回波自干扰自适应抑制方法 |
CN105100761A (zh) * | 2015-07-09 | 2015-11-25 | 西安电子科技大学 | 图像显示方法 |
CN105072689A (zh) * | 2015-08-31 | 2015-11-18 | 西安电子科技大学 | 基于有源天线阵列模型的多播***无线资源优化分配方法 |
CN106097290A (zh) * | 2016-06-03 | 2016-11-09 | 西安电子科技大学 | 基于nmf图像融合的sar图像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
王浩宇: "面向对象高分辨率遥感影像城区道路及车辆信息提取研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109698741A (zh) * | 2018-12-17 | 2019-04-30 | 电子科技大学 | 一种新型的全双工通信发送机与接收机设计方法 |
CN110246091A (zh) * | 2019-04-25 | 2019-09-17 | 新疆大学 | 确定sar图差异区域的方法和装置 |
CN110555677A (zh) * | 2019-09-10 | 2019-12-10 | 江西理工大学 | 一种数字人防管理信息***及实现方法 |
CN117333402A (zh) * | 2023-12-01 | 2024-01-02 | 北京飞渡科技股份有限公司 | 倾斜摄影图像的局部更新处理方法及电子设备 |
CN117333402B (zh) * | 2023-12-01 | 2024-03-01 | 北京飞渡科技股份有限公司 | 倾斜摄影图像的局部更新处理方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862278A (zh) | 一种高分辨率遥感影像道路信息提取*** | |
US10326508B2 (en) | Beam forming method for a transmitting antenna and a device thereof | |
CN109116298B (zh) | 一种定位方法、存储介质及定位*** | |
CN106304330B (zh) | 一种减轻背景电磁波影响的射频层析成像定位方法 | |
CN113628234B (zh) | 基于综合邻域信息的显著性极化sar图像变化检测方法 | |
US11796669B2 (en) | Multi-stream MIMO/beamforming radar | |
CN110058233B (zh) | 一种多基地合成孔径雷达***的抗欺骗性干扰方法 | |
CN110045322B (zh) | 一种基于高分辨测向语图智能识别的短波自动测向方法 | |
US11424813B2 (en) | Method for determining optimal beam and an electronic device thereof | |
US20210120598A1 (en) | Method for extracting environment information leveraging directional communication | |
WO2021076084A1 (en) | A system providing prediction of communication channel parameters | |
US20190357056A1 (en) | Method and device for network design in wireless communication system | |
CN110444220A (zh) | 一种多模态远程语音感知方法及装置 | |
CN111383203B (zh) | 基于分区域拟合的全色与多光谱遥感图像融合方法 | |
CN113993074A (zh) | 一种5g基站信号收发装置及目标定位方法 | |
WO2016001473A1 (en) | System and method for radio and other parameter estimation based on maps | |
CN115243311A (zh) | 一种迭代聚焦式毫米波一体化通信与感知方法 | |
CN107560598A (zh) | 一种气压数据采集模块及差分气压测高***和方法 | |
Tong et al. | A fine-grained channel state information-based deep learning system for dynamic gesture recognition | |
CN108828510A (zh) | 一种基于渐变阴影权重模型的射频层析成像定位方法 | |
CN109917327B (zh) | 一种基于无线电链路的被动式无人机探测***及算法 | |
CN113674271B (zh) | 一种基于云计算的变压器监测*** | |
CN113766424B (zh) | 一种无人机室内定位方法、装置、计算机设备及存储介质 | |
CN113784055B (zh) | 一种基于微光夜视技术的反无人机图像通信*** | |
CN110208830A (zh) | 一种基于空时二维稀疏阵列的导航抗干扰方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |
|
RJ01 | Rejection of invention patent application after publication |