TD-SCDMA集群系统中优先级退避算法研究*

针对TD-SCDMA集群通信系统随机接入优先级用户快速建立呼叫响应的要求,提出了基于优先级退避算法的随机接入技术。该算法通过为各优先级用户分配相应的上行同步码资源,以及对不同优先级用户采用优先级退避处理来实现对其快速等级接入。MATLAB仿真结果表明,与优先级BEB退避算法相比,采用改进优先级指数退避算法的随机接入过程,在能保证高优先级用户成功接入的同时,还能明显提高中、低优先级用户的接入成功率,并且当用户接入压力较大时,该算法能有效地降低各优先级用户的平均接入时延。     

MUSA系统中一种快速多用户检测算法

多用户共享接入是一种5G非正交多址接入方案,由于采用了串行干扰消除(SIC)检测算法,算法运行时间较长,时延和复杂度较大。针对5G低时延、高可靠性的需求,提出了一种基于并行干扰消除(PIC)结构的快速非线性检测算法,该算法不需要多级PIC结构。首先让接收信号经过最小均方误差(MMSE)检测器,并把MMSE检测器的输出作为PIC检测器的输入。该算法避免了串行干扰消除算法中多次排序和对矩阵多次求逆的问题,在不降低符号错误率的情况下,算法的运行时间减小了54%,复杂度降低了一个级别。     

一种TDD-LTE随机接入检测算法

为了提高TDD-LTE上行链路随机接入信道处理的高效性,提出一种基于欠采样时域分步处理的随机接入检测算法。与传统方法相比,降低了运算的复杂度,同时分步处理的调度机制提高了接入响应的实时性。实验结果表明,在不同的信道环境下,该算法都具有良好的检测性能。     

参数自适应的随机早期检测算法

主动队列管理(AQM)算法是最近网络拥塞控制研究的重点,随机早期检测(RED)算法作为 AQM 算法的代表受到广泛的关注.分析了随机早期检测算法的原理和局限性,针对 RED 算法参数配置困难的问题,提出了一种参数自适应的随机早期检测算法.该算法能够根据网络负荷的变化动态的调节 RED 算法的参数,从而能够在突发业务下对拥塞做出及时有效的反应.通过仿真表明该算法能够有效地降低丢包率,降低数据包排队延时,提高了 RED 算法的网络适应性.     

无线网络随机接入冲突分解算法研究

针对无线网络随机接入的特性,提出了快速检测二叉树形冲突分解算法,并对其进行了分析研究,得到了N个激活终端的冲突信息分组平均分解的时隙数及吞吐量的数学解析式和计算机实验结果.     

基于运动检测的远程图像采集系统的设计与实现

文章设计了一种基于运动检测的FPGA远程图像采集与存储系统,并给出了系统整体设计方案和核心的运动检测模块的具体实现方法。该系统主要由图像采集模块,运动检测模块,图像存储模块以及网络接入模块组成。该设计在FPGA多媒体开发平台EP2C70的基础上添加基于LAN91C111的网络接入模块来实现,利用Verilog语言在该平台上具体实现运动检测算法。试验证明该系统可以快速并智能化采集图像信息,快速的检测异常运动物体,采集的图像信息被实时存储或者通过网络接入模块实现远程传输。     

SAR图像CFAR检测的快速算法综述

针对合成孔径雷达(Synthetic aperture radar, SAR)图像目标检测中恒虚警率(Constant false alarm rate, CFAR)算法的广泛应用, 进行CFAR检测的快速算法分析具有重要研究价值. 首先概述了当前国内外对SAR图像CFAR检测快速算法的研究现状; 然后分别从快速预筛选和迭代计算方法两个方面对各类快速算法的实时性及性能进行了分析总结, 给出了四种基本CFAR检测器的迭代计算公式, 并提出了一种研究CFAR检测快速算法的基本框架, 现有的快速算法均可纳入该理论框架予以分析; 最后, 以经典双参数CFAR检测算法为例, 对该基本框架进行仿真实现和性能分析, 验证了其可行性与检测性能．结果表明: 新的CFAR检测快速算法基本框架充分融合了快速预筛选思想和迭代计算方法的优势, 有效提高了CFAR算法在SAR图像检测应用中的执行效率.     

基于局部搜索快速随机检测多个圆*

以随机采样一个图像点P1的5×5邻域图像点作拟合直线l1,与l1距离为d(d＞0)的平行线l3与l2(l2是通过P1点并垂直于l1的直线)的交叉点为Q,然后以Q为起点,在直线l3上按给定规则搜索两图像点P2和P3,用P1、P2和P3来确定候选圆.当采样和搜索图像点P2、P3时,通过剔除孤立、半连续噪声和非共圆点显著地减少了无效采样和无效计算.数值实验结果表明,该算法能快速检测多个圆.在检测多个圆时,其检测速度比随机圆检测算法快一个数量级;在孤立和半连续噪声不低于所有噪声的80%时,其检测速度比多个圆的快速随机检测算法大约快20%.     

基于随机森林的层次行人检测算法

针对视频和图像中快速、准确的行人检测问题,提出了一种分层次的、全局信息和局部信息相结合的行人检测算法.该方法以随机森林分类器为基础,利用图像金字塔模型融合行人的多层信息.首先,在低尺度空间利用主方向模板(DOT)特征和随机森林算法训练行人的全局分类器,第一层检测在低尺度空间中进行,找到行人的候选区域;然后,在高尺度空间提取图像块集合,基于部件随机森林训练行人的局部外观和几何约束模型;最后,基于上层的候选区域,在高尺度空间利用霍夫投票进行第二层精确检测.实验结果表明,该方法有更低的时间复杂度,并提升了行人检测的准确率,全局信息和局部信息的层次融合,能有效解决快速、准确的行人检测问题.     

一种基于动态阈值的视频点播请求的接入策略

针对共享存储结构下的VOD系统的接入控制问题,给出一种基于动态阈值的接入策略CDT(Call-rate-based Dynamic Threshold Admission Control Policy).该策略对用户请求到达率进行迭代估计, 使得算法具有在线自适应学习能力.同时,给出一种快速的最优阈值搜索算法,有效地降低了接入控制策略的计算复杂度.仿真结果表明,与其它一些传统的算法相比,CDT能够有效的提高VOD系统的收益.     

基于目标函数变化率的混合蚁群遗传算法

根据蚁群算法和遗传算法收敛性互补的特点,提出了一种基于目标函数变化率的混合蚁群遗传算法。该算法的基本思想是：用蚁群算法的解作为遗传算法的初始种群,根据目标函数的变化率交叉地调用蚁群算法和遗传算法。每当种群进化接近停滞时,调用蚁群算法。这种方法可动态地控制蚁群算法和遗传算法的调用时机,再配合相应的信息素更新方法,以提高算法的收敛性。将新算法用于车间调度基准测试问题,仿真结果表明,与常规混合蚁群遗传算法相比,新算法的全局收敛性和局部收敛性有了明显的提高。     

基于混合遗传算法的作业车间调度问题的研究与仿真

作业车间调度问题(JSP)是一类典型的NP-hard问题,遗传算法(GA)由于其隐合并行性和全局解空间搜索两大优点而成为解决JSP问题的常用工具.但是,由于JSP问题本身的特点,普通遗传算法难以在解此类问题时得到满意解,最突出的问题就是过早收敛于某一局部最优解,使算法效率降低.在此基础上,将遗传算法和模拟退火算法相结合,提出了一种基于遗传和模拟退火的混合算法,该算法将模拟退火算法赋予搜索过程时变性融入其中,具有明显的概率跳跃性,并选取了典型问题进行分析和仿真研究.仿真结果表明,与传统的遗传算法相比该方法是行之有效的.     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

双门限和机会协作的频谱感知算法研究

针对传统频谱感知算法性能较差及一文献中Zhu所提出的算法功率消耗大的不足,提出了一种基于双门限和机会协作的频谱感知算法,同时理论推导了在瑞利衰弱信道中基于该算法的频谱感知检测概率,并对传统频谱感知算法,Zhu所提出的算法和基于双门限和机会协作的频谱感知算法进行性能仿真。仿真结果表明,该算法可以有效提高频谱感知检测概率,性能优于传统算法,与Zhu所提出的算法性能基本相同,且能有效节省发射功率。     

基于改进的BPSO算法的关联规则挖掘

为了从大数据集中挖掘关联规则,提出了一种改进的二进制粒子群优化算法(GRBPSO)用于挖掘关联规则。首先,结合关联规则设计BPSO算法的适应度函数,然后对种群进行预处理,保证初始种群的质量,最后设计一种缩减搜索空间的优化策略,以减少搜索空间。基于六个高维数据集,将GRBPSO算法与普通BPSO算法进行比较以证明其有效性;将GRBPSO算法与PSOFIM算法、GA-Apriori算法及PSO-Apriori算法进行比较以证明其可行性。实验结果表明,GRBPSO算法具有一定的可行性且挖掘效率更高。     

基于属性重要度的ID3改进算法

ID3算法是数据挖掘中最经典的分类算法.该算法偏向于选择取值较多的属性,而属性值较多的属性不总是重要的,从而影响了分类预测的高效性.通过对ID3算法的研究,依据属性重要度粗糙集理论的思想,对经典的ID3算法做了相应的改进,改进后的ID3算法(AIID3),提高了算法的决策效率.最后的实例及应用表明,改进的算法更有效,更快速.     

新型的动态粒子群优化算法

为了解决动态改变惯性权重的自适应粒子群算法不易跳出局部最优的问题,提出了一种自适应变异的动态粒子群优化算法。在算法中引入了自适应学习因子和自适应变异策略,从而使算法具有动态自适应性,能够较容易地跳出局部最优。对几种典型函数的测试结果表明,该算法的收敛速度明显优于文献算法,收敛精度也有所提高。     

基于Hadoop的改进型遗传聚类算法

针对经典K-means聚类算法存在易陷入局部最优解的缺点,提出并实现了一种基于Hadoop的改进型遗传聚类算法.该算法利用遗传算法具有全局性和并行性的特点去处理K-means聚类算法易陷入局部最优的缺点,在此基础上对遗传算法进行改进,然后将改进后的遗传算法与K-means算法相结合,为提高算法执行效率,将其基于Hadoop平台进行了实现.通过实验将该改进方法与经典聚类算法进行对比分析,实验结果表明该方法在聚类准确性和聚类效率上均有较大的提高.     

一种混合优化算法及其收敛性证明

针对改进的混沌优化方法和Alopex算法的特性，将改进的Alopex算法嵌入到改进的混沌优化算法中，提出一种混合优化算法，此算法充分发挥了改进的Alopex算法的快速搜索能力和改进的混沌优化方法细致寻优的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优；同时对改进的混沌优化算法和混合优化算法的收敛性进行了证明，仿真结果表明了算法的有效性。     

蚁群算法和遗传算法融合及其在有时间窗的车辆路径问题中的应用

针对基本蚁群算法搜索时间长、易陷入局部最优的缺点,提出了一种蚁群算法和遗传算法相融合的混合算法.该算法利用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,以加快算法的收敛速度,提高求解效率.实例运行结果验证了算法的有效性.