两种典型的MIMO系统信道容量分析与仿真

为了研究多输入多输出系统的信息论基础,从信息理论的角度给出其理论依据,本文通过从信息论角度对使用多个发射、多个接收天线的MIMO系统的信道容量进行的理论推导,得到了MIMO系统在输入信号向量为循环对称复高斯输入信号向量且平均分配发射功率条件下,可以达到比传统单发单收无线通信系统高的多的信道容量的结论,得到了信道容量公式,并据此分析研究了全1和单位传输矩阵所对应的两种典型的MIMO系统的信道容量,给出了一种更容易理解的信道容量的虚拟等效实现结构,以便理解其取得高信道容量的原因及条件;同时我们也给出了验证MIMO系统高信道容量的计算机仿真结果.     

同信道干扰下相关多输入多输出信道容量分析

在Rayleigh衰落环境下,研究了具有同信道干扰的多输入多输出(MIMO)信道容量问题,分析了通信用户发送端带有空间相关性的情况。假设接收端完美地知道信道状态信息而发送端不知道,基于矩阵变量分布理论,推导出MIMO信道互信息之矩生成函数的精确闭式表达式。利用该表达式进一步推导出MIMO遍历信道容量的精确表达式。用数值结果验证了分析结果的正确性,并给出各种参数对遍历信道容量的影响。     

MIMO信道在巷道中的GBDB模型分析

多输入多输出(MIMO)技术可以有效减弱无线传输多径衰落现象。建立矿井巷道环境下MIMO信道的三维GBDB模型,推导了该模型的空时相关函数,并对矿井下MIMO信道容量进行了数值仿真。结果表明,矿井巷道中的空间相关性对MIMO系统容量的影响很大,增加接收端天线数量、增大天线间距可以大幅度提高系统的信道容量。     

信道容量研究与信道状态对误码率的影响

随着移动通信的发展,频谱资源短缺,通信容量不足的问题越来越明显。因此提高频谱利用率,提高信道容量显得至关重要。信道容量也是下一代移动通信中重要的研究内容之一。现代移动通信系统均采用多输入多输出系统(MIMO),文中首先在MIMO系统原理和系统模型的基础上介绍了信道特征值分析方法。然后给出了MIMO信道容量公式,并分析了在信道状态信息(CSI)未知和CSI已知这两种情况下的信道容量。对MIMO信道容量进行仿真,验证了天线数目和平均信噪比对信道容量的影响,通过仿真对比了注水功率分配算法和平均功率分配算法的信道容量,并探究了信道状态对误码率的影响。     

二进制猫群算法在大规模MIMO天线选择中的应用

在多输入多输出(MIMO)系统中,天线选择技术平衡了系统的性能和硬件开销,但大规模MI-MO系统收发端天线选择复杂度问题一直没有得到很好的解决.基于信道容量最大化的准则,采用两个二进制编码字符串分别表示发射端和接收端天线被选择的状态,提出将二进制猫群算法(BCSO)应用于多天线选择中,以MIMO系统信道容量公式作为猫群的适应度函数,将收发端天线选择问题转化为猫群的位置寻优过程.建立了基于BCSO的天线选择模型,给出了算法的实现步骤.仿真结果表明所提算法较之于基于矩阵简化的方法、粒子优化算法具有更好的收敛性和较低的计算复杂度,选择后的系统信道容量接近于最优算法,非常适用于联合收发端天线选择的大规模MIMO系统中.     

频率选择性衰落MIMO信道容量分析

随着传输速率越来越高,信号所占用的带宽越来越宽,实际信道呈现出频率选择性衰落特性.根据频率选择性衰落信道特性,建立了频率选择性衰落MIMO信道模型,采用频域和时域的方法研究了在频率选择性衰落下,发射端已知和未知信道状态信息的MIMO信道容量,并给出了相关的仿真结果.研究结果表明:在相同发射功率和传输带宽下,MIMO系统可以不牺牲信号带宽而显著提高信道的容量,并且天线数量和输入信噪比的大小对信道容量具有不同的影响.研究结果为如何提高频率选择性衰落环境下MIMO信道容量提供了依据.     

相关信道下MIMO信道容量优化算法的研究

该文研究MIMO系统收发端天线采用均匀线阵且放置空间有限,存在相关衰落时信道容量的优化方法。采用规范化信道模型,分析了信道相关性对平均信道容量和最优信号协方差矩阵的影响,推导了最优协方差矩阵的一阶条件;利用Jensen's不等式确定了信道容量的上界,给出了闭式解,并对相关信道下信号的传输模式进行了讨论。仿真结果表明,采用该优化方法,在各种SNR下,其平均容量接近Jensen's上界;得出信道相关程度对信道平均容量的影响依赖于信噪比的结论。     

极化分集时MIMO系统的信道容量

论文给出了MIMO系统采用极化分集时的信道模型,对接收信号空间相关性和信道容量进行了研究,并对其随接收天线极化夹角的变化情况进行了分析。研究表明,采用极化分集技术的MIMO系统具有良好的非相关衰落特性,信道容量得到显著提高。     

关于单位成本信道容量的注记

针对单位成本信道容量的计算问题,首先将一个联系单位成本信道容量与容量成本函数的基本定理推广到一般凸函数的情况,并证明了推广的单位成本容量函数具有单峰性,然后给出了一个利用单峰函数的性质计算单位成本信道容量的算法.同时,针对信道容量成本函数的计算问题,证明了这类带约束的信道容最的计算问题可以化为一个目标函数具有自协调性的凸优化问题,并给出了具体的算法和算法的计算量.     

基于相关矩阵的MIMO系统信道容量分析

多输入多输出（MIMO）通信系统相比其他的通信系统具有更高的频谱效率,在不增加发射功率以及信号带宽的情况下,MIMO技术可以有效地提高系统信道容量及其性能。利用均匀角能量分布以及相关矩阵,分析了相关信道下的MIMO系统信道容量,得出了系统信道容量的通用公式,并利用MATLAB进行仿真。仿真结果表明,相关性的增加意味着信噪比的减小,圆形接收天线阵列半径与角度扩展是决定MIMO系统信道容量的主要因素。     

An Improved Grasshopper Optimization Algorithm for Global Optimization

We proposes an improved grasshopper algorithm for global optimization problems. Grasshopper optimization algorithm (GOA) is a recently proposed meta-heuristic algorithm inspired by the swarming behav-ior of grasshoppers. The original GOA has some drawbacks, such as slow convergence speed, easily falling into local optimum, and so on. To overcome these shortcomings, we proposes a grasshopper optimization algorithm based on a logistic Chaos maps opposition-based learning strategy and cloud model inertia weight (CCGOA). CCGOA is divided into three stages. The chaos opposition learning initialization strategy is used to initialize the population, so that the population can be evenly distributed in the feasible solution space as much as possible, so as to improve the uniformity and diversity of the initial population distribution of the grasshopper algorithm. The inertia weight cloud model is introduced into the grasshopper algorithm, and different inertia weight strategies are used to adjust the convergence speed of the algorithm. Based on the principle of chaotic logistic maps, local depth search is carried out to reduce the probability of falling into local optimum. Fourteen benchmark functions and an engineering example are used for simulation verification. Experimental results show that the proposed CCGOA algorithm has superior performance in determining the optimal solution of the test function problem.     

一种解决约束优化问题的模糊粒子群算法

该文针对复杂约束优化问题,提出了一种模糊粒子群算法(FPSO),设计了一个新的扰动算子,在此基础上定义了模糊个体极值和模糊全局极值,利用这两个定义改进了粒子群进化的方程,利用该方程更新粒子的速度与位置,可以避免早熟收敛问题;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

基于粒子群算法的PID控制器参数优化

粒子群算法是一种智能算法,在PID控制器参数整定的应用中可取得更优的效果。为解决传统的粒子群算法早熟收敛和收敛速度慢的缺点,文中采用了一种基于相似度动态调整惯性权重的方法,即越靠近目前最优粒子的个体被赋予越小的惯性权重值。最后用MATLAB对等温连续搅拌釜反应器仿真。与标准的PSO算法整定方法相比,改进的粒子群算法稳定时间为230.1 s,比传统粒子群算法524.7 s的稳定时间缩小了一半,表明改进的算法对PID控制器的参数优化有着较优的收敛效果。     

三目标柯西粒子群算法的电力系统无功优化

通过建立有功网损最小、电压偏差最小和静态稳定电压裕度最大的三目标无功优化模型。提出柯西粒子群算法,并针对IEEE14节点系统进行三目标电力系统无功优化。当种群多样性较差时,通过对交叉的粒子进行柯西变异从而扩大搜索空间,提高种群多样性,防止出现过早的收敛,进而避免了算法陷入局部最优解的问题,同时也提高了收敛速度。通过数据测试和比较柯西粒子群算法在收敛速度、精度、全局搜索能力上均优于常规差分进化算法和常规粒子群算法。其结果验证了该模型和算法的有效性,为电力系统安全经济运行提供了参考。     

一种求解连续对象优化问题的改进蚁群算法

蚁群算法在搜索过程中容易陷入局部最优解，且不适用于连续对象优化问题。文章针对这些问题．采用信息量变异、引入微粒群操作等方法进行改进，提出了一种引入微粒群操作的改进蚁群算法，并应用于求解连续对象优化问题。对几个典型复杂连续函数优化问题的测试研究表明，该改进算法不仅跳出局部最优解的能力更强．而且能较快地收敛到全局最优解，表明了算法的有效性。     

利用SIMULINK和优化工具箱实现PID参数优化

主要讨论了PID控制器参数优化问题。通过利用系统仿真模块与优化目标函数模块的结合，建立了SIMULINK模型，并利用优化工具箱方便地实现PID参数优化，从而提出了一种实现PID参数优化的新方法。仿真实验结果表明该方法简单、效果理想并且可靠性高。     

优化工具在网优工作中的运用

一、GSM数据统计分析工具 随着网络规模的日益增大,日常的网络优化工作越来越重要。我们每时每刻都需要及时地跟踪网络整体运行性能,了解各项指标的走势,对出现问题的小区进行处理,针对TOPN小区进行优化。这些内容涉及到的数据都比较分散,有需要从亿阳网管上下载的,有需要从7200数据中获取的,对于综合分析网络性能比较麻烦。     

三目标自适应变异微粒群算法的无功优化

电力系统无功优化是提高电能质量保证电网运行的重要环节,文中建立了综合考虑有功网损和电压偏移最小及电压稳定裕度最大的三目标无功优化模型,引入了自适应变异微粒群算法用于解决三目标电力系统无功优化问题。该算法利用群体的适应度方差来动态监控微粒群聚集的状况,采用增加随机扰动的方法对聚集的微粒进行变异,并对惯性权重进行自适应调整,使该算法既能跳出局部最优,防止早熟,又能提高收敛速度和精度。将该算法与其他算法应用于IEEE-14节点系统中进行无功优化,通过数据的计算和比较,结果验证了该模型和算法用于解决多目标电力系统无功优化问题的优越性和实用性。     

Hyperparameter Optimization for Machine Learning Models Based on Bayesian Optimization

Hyperparameters are important for machine learning algorithms since they directly control the behaviors of training algorithms and have a significant effect on the performance of machine learning models. Several techniques have been developed and successfully applied for certain application domains. However, this work demands professional knowledge and expert experience. And sometimes it has to resort to the brute-force search. Therefore, if an efficient hyperparameter optimization algorithm can be developed to optimize any given machine learning method, it will greatly improve the efficiency of machine learning. In this paper, we consider building the relationship between the performance of the machine learning models and their hyperparameters by Gaussian processes. In this way, the hyperparameter tuning problem can be abstracted as an optimization problem and Bayesian optimization is used to solve the problem. Bayesian optimization is based on the Bayesian theorem. It sets a prior over the optimization function and gathers the information from the previous sample to update the posterior of the optimization function. A utility function selects the next sample point to maximize the optimization function. Several experiments were conducted on standard test datasets. Experiment results show that the proposed method can find the best hyperparameters for the widely used machine learning models, such as the random forest algorithm and the neural networks, even multi-grained cascade forest under the consideration of time cost.