基于MMSE准则的5G正交时频空信号检测算法

针对广义空间调制正交时频空系统中的信号检测问题,在MMSE准则的基础上提出了适应于5G技术的判决反馈检测算法.综合正交时频空与空间调制等技术手段,建立了满足高速移动通信应用需求的系统.在此基础上,通过分析传统频域均衡算法的优缺点引入MMSE准则,提出了具有更低复杂度与更高检测性能的判决反馈检测算法.仿真和分析结果表明,与传统的频域均衡算法相比,基于MMSE准则的判决反馈检测算法具有更加优秀的系统性能和更低的计算复杂度.     

GSM-MBM系统中基于松弛迭代的低复杂度检测算法

针对基于媒介调制的广义空间调制（GSM-MBM）系统接收端最大似然（ML）检测算法计算复杂度高且随激活天线数呈指数递增的问题,提出一种基于能量排序下的松弛迭代思想的低复杂度检测算法（EO-RIM）.该算法对所有可能的发射天线组合及相应镜像激活模式组合下的信号能量总值进行排序,再通过松弛迭代算法依次检测相应的调制信号,并通过预设阈值来协调误码率（BER）性能和计算复杂度之间的关系.仿真结果表明,在GSM-MBM系统中,EO-RIM算法的BER性能逼近ML检测算法,与基于有序块的最小均方误差（OB-MMSE）检测算法几乎一致,而EO-RIM的计算复杂度随激活天线数呈平方递增而非指数递增,相比OB-MMSE算法降低了一个数量级.     

空间调制信号的低复杂度球形译码算法

为进一步降低球型译码算法(SM-SD)的复杂度,同时不影响算法的误比特性能,提出一种SM-SD算法,采用了不同于目前存在的SM-SD算法的复变量实数化方式,具有独特的搜索树结构,搜索树的相邻两层相互独立.分析了新算法的原理及搜索过程,通过矩阵运算理论分析了几种SM-SD算法的运算复杂度,然后在不同的空间调制系统中对SM-SD算法的误比特性能和运算复杂度进行仿真.理论分析和仿真结果表明:新算法的性能接近于最大似然算法,运算复杂度低于已有的各种类型的球型译码算法,因此更加适合于检测空间调制信号.     

基于改进粒子群优化的MIMO-OFDM信号检测

针对MIMO-OFDM系统中,基于粒子群优化的信号检测算法易于陷入局部极值和收敛精度较低的问题,提出了一种基于改进粒子群优化的MIMO-OFDM信号检测算法。该算法将粒子群优化算法进行改进,并与遗传算法的杂交技术和极值扰动机制相结合,对MIMO-OFDM系统进行信号检测。理论研究和仿真结果表明,在相同误比特率情况下,所提算法性能优于基于遗传和粒子群优化的MIMO-OFDM信号检测算法性能,与理想信道下的最大似然检测算法性能相比,信噪比仅有1 d B的损失;在较少的迭代次数下,该算法有效地提高了系统的信号检测性能,有较强的全局搜索能力,是一种实用的信号检测方法。     

采用格基规约算法的空间调制检测方案

空间调制是未来5G蜂窝通信系统的物理层备选技术之一,为研究LLL、嵌入式两种格基规约算法对空间调制技术的影响,设计了两种检测方案,分别为LLL辅助MMSE检测方案和嵌入式检测方案.在不同的调制符号、不同的天线数目下,通过仿真比较两种检测方案的误比特率性能.然后通过矩阵运算理论对两种检测方案的运算复杂度进行分析,为使分析结果更直观,在不同天线数目下,对两种方案的运算复杂度进行了仿真.理论分析和仿真结果表明,嵌入式检测方案在误比特率和运算复杂度两方面均优于LLL辅助MMSE检测方案,它更适用于空间调制技术.     

一种低复杂度的MIMO逐级检测算法

提出一种改进的多输入多输出(MIMO)检测算法.该算法利用组干扰抑制方法将待检测数据分为分组数据子流对,其中组内采取低复杂度的并行检测,组间进行干扰抵消逐级检测.理论分析和仿真结果表明,在准静态平坦衰落信道下,该算法与传统的排序连续干扰消除(OSIC)和最大似然判决反馈均衡(ML-DFE)算法相比,能有效地提高系统性能,且计算复杂度更低.在4发4收四相移频键控调制的MIMO系统中,运算复杂度仅为ML-DFE和OSIC的52.7%和20.1%,在10-3的BER时,可获得0.8～6.9 dB增益.在配置更多天线与采用高阶调制时,所提算法可获得更大的性能增益.     

感知无线电系统中改进的循环频谱检测算法

提出一种基于改进的正交频分复用(OFDM)循环谱检测算法,该算法检测率高,所需检测时间短,运算复杂度几乎不变. 仿真结果表明,与传统循环谱算法相比,该算法在信噪比低1个数量级而检测时间不变的情况下,检测性能仍优于传统循环谱算法,增强了对微弱信号的检测能力,提高了频谱检测的性能.     

编码CPM信号低复杂度联合迭代解调译码算法

针对编码连续相位调制(CPM)信号迭代检测中存在的复杂度高以及容易出现正反馈等问题,从网格状态和迭代译码两方面对算法进行改进,提出了一种低复杂度的联合迭代解调译码算法。该算法利用基于状态分集思想减少状态序列检测(RSSD)的方法进行网格状态的化简,结合硬判决辅助(HDA)迭代停止准则来进行动态译码,减少了迭代次数,进一步降低算法复杂度。理论分析和仿真结果表明,该算法与传统算法相比,在保持良好性能的同时,可以大幅降低系统复杂度,有效抑制正反馈,减少译码时延。     

低复杂度的空间调制IFDMA信号检测方法

空间调制是近年来提出的一种新型多天线传输技术。本文考虑了空间调制的多址设计,并首次将其与交织频分多址相结合以实现多用户通信。其次,本文根据空间调制交织频分多址的系统模型,提出了一种基于信道QR分解的信号检测算法。再次,还提出了一种简化的信号检测算法,能够有效的降低计算复杂度,且不会影响传输性能。最后,本文通过数值仿真,证明了所提出的空间调制交织频分多址信号检测算法的有效性。     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

一种改进的粒子群优化算法及其应用

介绍了粒子群优化算法及其原理,针对其后期容易陷入局部极值的缺陷,提出了一种改进粒子群算法.改进算法采用全局最优粒子变异策略和部分粒子群部分维初始化策略.通过将其应用于(N M)容错系统模型的实例,对改进算法的性能进行了分析,结果表明,改进算法的搜索效率和精度均优于一般的粒子群算法,同时具有较好的收敛稳定性.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收 敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法。随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力。实验结果表明,改进后的算法在收敛速度以及收敛精度上比传统粒子群算法更优,能改善早熟收敛问题。     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

一种基于协同进化方法的聚类集成算法

针对单一聚类算法存在的不能泛化的问题,将集成学习技术应用于聚类算法中,集成学习技术可以显著提高学习系统的泛化能力。提出了1种基于粒子群和遗传算法的协同进化聚类集成算法,粒子群算法保证算法快速收敛,遗传算法全局搜索扩大搜索范围,提高了聚类的性能和收敛速度。将本研究提出的算法在多个UCI数据集上进行试验验证,结果表明该算法是有效的。     

基于改进粒子群算法的多目标智能组卷研究

组卷问题是一个多约束多目标组合优化问题。建立了一种新的组卷数学模型,提出了一种改进粒子群算法（IPSO）的智能组卷算法。在组卷之前,先采用贪婪算法进行预处理,有效提高了算法的收敛速度。在进化过程中引入保优策略,避免适应值高的粒子被淘汰。采用自适应交叉和变异算子进行调整,避免了局部收敛现象。实验结果表明,改进的粒子群算法应用在多目标智能组卷中具有较好的组卷性能。     

多基站协作异步干扰抑制预编码设计

在多基站协作通信系统中,针对基站与用户间距离差异将导致用户接收信号的异步干扰的问题,提出一种基于粒子群优化算法的异步干扰抑制预编码设计.该设计将预编码矩阵转化为寻优粒子位置参数矩阵,通过粒子间智能学习更新优化位置参数,调节适应度函数,最大化用户信干噪比,抑制异步干扰.数值分析结果表明,相对于改进的块对角化算法,所提算法使系统总速率提高了2～7 bit/s,且具有很好的收敛性.