多输入多输出频分复用(MIMO-OFDM)技术是将OFDM与MIMO技术相结合的无线通信系统，它在继承OFDM与MIMO技术诸多优点的同时，具有OFDM系统存在的峰均比（PAPR）较高的问题。选择性映射法（SLM）和预留子载波保留算法（TR）具有很好地抑制PAPR的性能，但是把传统的TR或SLM方法直接运用到MIMO-OFDM系统中却难以达到很好地抑制PAPR效果。为了寻求在MIMO-OFDM系统中改善PAPR性能的同时降低算法实现复杂度，提出一种TR与SLM算法相结合的适合MIMO-OFDM系统的改进算法TR-SLM。通过理论分析与仿真结果表明，TR-SLM级联算法不仅能有效抑制MIMO-OFDM系统的PAPR，同时可减小算法的计算复杂度与系统实现的复杂度。

设计多输入多输出天线之间的碎片型隔离结构的高效方案和优化技术

keras创建多个输入以及混合数据(房子图片和数值属性作为混合数据)输入的神经网络模型；卷积回归模型代码，包含图片数据集和教程。

空间相关的多输入多输出通道上具有连续干扰消除器的自适应联合最大似然检测和最小均方误差

日趋重要的高速移动工具，如高速铁路、无人驾驶飞机等，大多都处在开阔地带。由于视距传播的存在，瑞利衰落模型已经不能很好地描述该环境下的信道情况，而莱斯衰落信道模型由视距分量和多径分量组成，更能准确地表述上述信道变化。基于此模型，在大规模天线系统下，在已存在的基于叠加训练序列信道估计方法的基础上，提出了改进的信道估计方法和对应的解码方法。改进后的信道估计方法分为直射分量已知和未知两种情况，分别推导了相应的信道估计公式和解码方法。数值仿真结果验证了本文所提方案性能的优越性。

多输入多输出OFDM / OQAM可见光通信的实验演示

多输入多输出非线性系统的最小二乘支持向量机广义逆控制

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行，逼近y=sin(t)函数效果不错。

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行，逼近y=sin(t)函数效果不错。

针对集中式多用户多天线认知无线电网络，提出一种基于自适应空间映射的频谱共享策略，根据授权用户接入的随机性所带来的频谱和空间资源占用情况的变化，认知系统将发射信号自适应地映射在认知基站与授权用户之间信道的子空间上，避免或抑制系统间干扰，从而在保证授权用户通信质量的前提下，为认知用户提供通信机会，并且在认知系统内部利用块对角化和奇异值分解方法分离不同认知用户的信号，消除系统内干扰。性能分析和仿真结果表明，与已有的频谱共享方法相比较，该策略不仅具有更高的认知系统可达和速率，并且对于由不同授权系统负载情况形成的不同场景具有更强的鲁棒性。