XiaoMi-AI文件搜索系统
World File Search SystemSINR
SINR：样条增强隐式神经表示......
随着深度学习的出现，可变形图像配准经历了一场变革。虽然卷积神经网络 (CNN) 可以加速配准，但与迭代成对优化方法相比，它们的准确度较低，并且需要大量的训练队列。基于使用神经网络表示信号的进步，隐式神经表示 (INR) 已在配准社区中出现，用于连续建模密集位移场。使用成对配准设置，INR 可以减轻从一组患者身上学到的偏差，同时利用先进的方法和基于梯度的优化。然而，坐标采样方案使得密集变换参数化与 INR 容易产生生理上不合理的配置，从而导致空间折叠。在本文中，我们介绍了 SINR——一种使用自由形式变形 (FFD) 参数化 INR 表示的连续可变形变换的方法。SINR 允许多模态可变形配准，同时缓解当前基于 INR 的配准方法中发现的折叠问题。 SINR 在 CamCAN 数据集上的 3D 单模和多模脑配准方面均优于现有的最先进方法，证明了其在成对单模和多模图像配准方面的能力。关键词：隐式神经表征、图像配准、多模
优雅降级：机载监视雷达...
基于有源电子扫描天线 (AESA) 的雷达具有“优雅降级”这一理想特性。此类雷达使用小型化发射-接收 (TR) 模块，少数模块故障不会导致任务失败。例如，在基于 AESA 的地面 MTI 雷达中，少数模块故障不会影响阵列性能。在这种情况下，静态地面杂波以零频率为中心，没有与运动相关的多普勒频移。然而，在机载 AESA 雷达中，由于平台运动和杂波通过天线旁瓣泄漏，地面杂波具有与角度相关的多普勒频率。因此，天线旁瓣电平决定了要针对其执行目标检测的旁瓣杂波。检测性能受信号与干扰加噪声比 (SINR) 控制。对于机载监视雷达，TR 模块的随机和系统故障及其对 SINR 的影响是特征化的。结果表明，单通道处理不能有效地提供平滑降级功能，因为故障导致的 SINR 损失很大。但是，与随机故障相比，系统故障对 SINR 损失的影响较小。还提出了一种有效的阵列馈电方案。
现场试验报告室外 5G 独立网络使用...
5G 第五代移动网络 / 移动服务 5GC 5G 核心 AAU 有源天线单元 ASTRI 应用科技研究院 BBU 基带单元 CPE 客户端设备 EMBB 增强型移动宽带 EIRP 有效全向辐射功率 FDD 频分双工 HKSTP 香港科技园 ISAC 集成传感及通信 LOS 视距 MIMO 多输入多输出天线 mmWave 毫米波 NLOS 非视距 NSA 非独立 OFCA 通讯事务管理局 PDCP 分组数据汇聚协议 PHY 物理层 RBS 无线基站 RSRP 参考信号接收功率 RTT 往返时间 QAM 正交幅度调制 SA 独立 SINR 信号与干扰与噪声比 TDD 时分双工 UE 用户设备 URLLC 超可靠低延迟通信
随机几何与无线网络
无线通信网络可视为位于某个域中的节点集合，这些节点可以是发送器或接收器（根据所考虑的网络，节点将是移动用户、蜂窝网络中的基站、WiFi 网状结构的接入点等）。在给定时间，一些节点会同时向自己的接收器发送数据。每个发送器-接收器对都需要自己的无线链路。从链路发送器接收到的信号会受到从其他发送器接收到的信号的干扰。即使在最简单的模型中，从某一点辐射的信号功率以欧几里得距离各向同性的方式衰减，节点位置的几何形状也起着关键作用，因为它决定了每个接收器处的信干噪比 (SINR)，从而决定了以给定比特率同时建立此链路集合的可能性。接收器看到的干扰是从所有发送器（其自己的发送器除外）接收到的信号功率的总和。
全向多旋翼航空车辆姿势优化：一种新型物理层安全的方法
摘要将多转飞机（MRAV）集成到5G和6G网络中，增强了覆盖范围，连通性和拥堵管理。这促进了通信意识到的机器人技术，探索了机器人技术与通信之间的相互作用，但也使MRAV易受恶意攻击（例如干扰）。对抗这些攻击的一种传统措施是在MRAV上使用横梁来应用物理层安全技术。在本文中，我们探讨了姿势优化，作为反对对MRAV攻击的替代方法。该技术旨在全向MRAVS，它们是能够独立控制其位置和方向的无人机，而不是无法独立控制其位置的更常见的低估MRAV。在本文中，我们考虑了一个全向MRAV作为合法地面节点的基站（BS），受到恶意干扰的攻击。我们优化了MRAV姿势（即位置和方向），以最大程度地比所有合法节点上的最小信噪比加上噪声比（SINR）。
6G 未来无线通信的支持技术
波束成形是使用具有高增益的定向窄波束，通过天线阵列将功率集中在最小的角度范围内进行发射和接收。它提供更好的覆盖范围和吞吐量、更高的信干噪比 (SINR)，并且可用于跟踪用户。全息波束成形是一种利用软件定义天线 (SDA) 的先进波束成形方法。全息是指使用全息图通过天线实现波束控制，其中天线就像光学全息图中的全息板；来自无线电的射频信号流入天线的背面并散射到其正面，其中微小元件调整波束的形状和方向，如图 3 所示。与传统的相控阵或 MIMO 系统相比，SDA 更便宜、更小、更轻、功耗更低 [34]。由于 C-SWaP（成本、尺寸、重量和功率）被视为任何通信系统设计的主要挑战，因此在 HBF 中使用 SDA 将实现 6G 中灵活、高效的发送和接收。
机载雷达的时空自适应处理 - DTIC
未来的机载雷达将需要在由杂波和干扰组成的干扰背景下检测目标。空时自适应处理 (STAP) 是指多维自适应滤波算法，它同时将来自阵列天线元件的信号和相干雷达波形的多个脉冲组合在一起，以抑制干扰并提供目标检测。STAP 可以改善对被主瓣杂波遮蔽的低速目标的检测、对被旁瓣杂波掩盖的目标的检测以及在杂波和干扰组合环境中的检测。本报告分析了解决 STAP 问题的各种方法。回顾了最佳或完全自适应处理。计算复杂性以及从有限可用数据中估计干扰的需求使完全自适应 STAP 不切实际。因此，需要部分自适应空时处理器。介绍了降维 STAP 算法的分类，其中算法根据所采用的预处理器类型进行分类。例如，波束空间算法使用空间预处理，而后多普勒方法在自适应处理之前执行时间（多普勒）滤波。在某些情况下，可以利用杂波的特殊结构来设计产生最小杂波等级的预处理器。对于每个类，可以采用样本矩阵求逆 (SMI) 或基于子空间的权重计算。仿真结果显示
基于人工智能的工业环境中超可靠低延迟服务性能预测
摘要 — 本文探讨了人工智能 (AI) 技术在工业物联网 (IIoT) 网络性能预测中的应用。在工业环境中，5G 超可靠低延迟通信 (URLLC) 旨在为具有非常严格延迟要求的关键服务提供服务，例如涉及协作机器人的服务。即使灵活的 5G 新无线电 (NR) 设计能够实现目标 IIoT 性能，也需要为 URLLC 提供和保留必要的频谱资源。因此，需要一种服务质量 (QoS) 预测方案来预测性能下降并采取必要的措施，例如网络资源配置或应用程序适配，例如进入适配模式。我们探索了用于工业环境中 QoS 预测的 AI 算法的设计，并比较了不同的回归和分类工具，包括神经网络 (NN) 和 K 最近邻 (K-NN)。我们探索基于信号与干扰和噪声比 (SINR) 的预测，或仅基于机器人在工厂内的位置的预测。由于延迟降低事件通常很少发生，我们观察到训练数据高度不平衡，导致预测准确率低。我们展示了如何通过重要性抽样技术和修改后的检测阈值（我们称之为 M-KNN 方案）来提高预测性能。
数字信号处理
近年来，细菌种群已被改造为生物传感器，通过开发新的治疗方法和诊断方法，能够改善人类健康。如今，工程细菌种群可以被远程控制，以根据需要执行一些医疗行动；然而，从网络安全角度来看，这带来了至关重要的担忧。例如，最近提出了第一批网络生物攻击之一，以探索使用工程细菌产生分布式拒绝服务并破坏生物膜形成的可行性，生物膜是细菌抵御外部因素的天然保护。为了减轻这种网络生物攻击的影响，本文提出了两种新的缓解机制：群体猝灭和扩增。一方面，群体猝灭专注于发射分子来阻止网络生物攻击发送的分子。另一方面，扩增方法发射分子来增加创建生物膜结构所需分子的百分比。为了测量两种缓解技术在动态场景中的性能，我们实施了分布式拒绝服务攻击的不同配置，并评估了信道衰减和信号与干扰加噪声 (SINR)。结果，我们观察到这两种方法都减少了网络生物攻击造成的影响，并检测到它们之间的差异。群体猝灭机制表现出更好的结果，尽管它没有根据不同的攻击配置调整其行为，而是静态响应。相比之下，振幅缓解技术完全适用于对生物膜形成有不同影响的攻击配置。 2021 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY-NC-ND 许可的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。