大规模MIMO-OFDM系统中低复杂度维纳滤波信道估计算法

针对大规模多输入多输出正交频分复用系统复杂度高的问题,提出一种低复杂度维纳滤波信道估计算法.首先将大维度原位替换方法运用于最小均方误差算法,有效降低了多天线的运算复杂度,通过将二维维纳滤波拆分成时域和频域两次一维维纳滤波来减少运算量;同时,为了降低由两次维纳滤波噪声方差不同产生的估计误差,引入噪声方差中位值进行修正.仿...     

基于统计特性的多天线能效优化

针对多天线链路,提出基于信道统计特性的传输与能效优化方案.接收端采用基于训练序列的最小均方误差估计获得信道估计值,并基于码本进行有限反馈,从而使得发送端获得信道状态信息并进行波束赋形的数据传输.针对这一传输过程进行能效优化,根据其信道统计特性对最小均方误差估计值和估计误差及码本反馈量化值和反馈误差进行统计分析,进而形成针对能效度量的统计分析和能效优化模型,并给出能效最大化的训练功率及数据功率分配方案.仿真结果表明,与已有静态功率分配方案相比,提出方案可以有效地提高系统能效性,且在快速时变信道环境下,以极低复杂度获得趋近于已有动态功率分配方案的性能.     

组合动作空间深度强化学习的人群疏散引导方法

人群疏散引导系统可在建筑物内发生灾害时有效保护生命安全,减少人员财产损失。针对现有人群疏散引导系统需要人工设计模型和输入参数,工作量大且容易造成误差的问题,本文提出了基于深度强化学习的端到端智能疏散引导方法,设计了基于社会力模型的强化学习智能体仿真交互环境。使智能体可以仅以场景图像为输入,通过与仿真环境的交互和试错自主学习场景模型,探索路径规划策略,直接输出动态引导标志信息,指引人群有效疏散。针对强化学习深度Q网络(DQN)算法在人群疏散问题中因为动作空间维度较高,导致神经网络复杂度指数增长的"维度灾难"现象,本文提出了将Q网络输出层按动作维度分组的组合动作空间DQN算法,显著降低了网络结构复杂度,提高了系统在多个引导标志复杂场景中的实用性。在不同场景的仿真实验表明本文方法在逃生时间指标上优于静态引导方法,达到人工构造模型方法的相同水平。说明本文方法可以有效引导人群,提高疏散效率,同时降低人工构造模型的工作量并减小人为误差。     

聚类多Agent强化学习认知无线电资源分配

针对认知无线电多用户的信道和功率资源分配问题,提出一种基于用户聚类和可变学习速率的多Agent强化学习方法. 首先使用分层处理分离信道选择与功率控制,采用快速最优搜索结合用户数均衡调节实现信道分配;其次,使用随机博弈框架对多用户功率控制问题进行建模,通过K均值用户聚类减少博弈参与用户数量和降低单个用户的环境复杂度,并使用可变Q学习速率和策略学习速率的方法进一步促进多Agent强化学习的收敛. 仿真结果表明,该方法能使多个用户的功率状态和总收益有效收敛,并且使整体性能达到次优.     

一种基于多智能体强化学习的流量分配算法

传统的流量工程策略的研究大多集中在构建和求解数学模型方面,其计算复杂度过高,为此,提出了一种经验驱动的基于多智能体强化学习的流量分配算法.该算法无需求解复杂数学模型即可在预计算的路径上进行有效的流量分配,从而高效且充分地利用网络资源.算法在软件定义网络控制器上进行集中训练,且在训练完成后再接入交换机或者路由器上分布式执行,同时也避免和控制器的频繁交互.实验结果表明,相对于最短路径和等价多路径算法,新算法有效减少了网络的端到端时延,并且增大了网络吞吐量.     

虚载波存在下低复杂度的OFDM信道估计

首先分析了虚载波对基于离散傅里叶变换(DFT)信道估计的影响,结果表明,对于边缘子载波,由于虚载波部分导频信道信息缺失所引起的估计误差远大于噪声带来的估计误差,严重影响边缘子载波的信道估计性能. 基于此分析,提出了一种低复杂度的正交频分复用(OFDM)信道估计方法,在边缘子载波,利用频域最小平方(LS)估计结果代替DFT估计结果,并给出了边缘子载波替换准则及此信道估计方法的均方误差下界. 仿真结果表明,所提方法均方误差(MSE)及误码率(BER)性能优于频域LS估计和单纯基于DFT的估计.     

一种基于划分和集成思想的多智能体强化学习

针对Q学习状态空间非常大,导致收敛速度非常慢的问题,利用智能体在不同样本上分类性能不同,提出了基于样本的学习误差对样本空间进行划分,充分发掘了样本和智能体的匹配关系.以带障碍物的格子世界作为仿真环境,表明该算法提高了在线学习性能.     

定向性天线阵列相位中心对DOA估计的影响分析

针对宽频带定向性天线阵列存在不确定的相位中心、非均匀分布的远场相位以及有限的主波瓣宽度等问题,提出了一种定向性天线组成的均匀圆阵的扇区波达方向（DOA）估计模型.首先通过最优化原则估计定向性天线相位中心,推导出阵列的有效孔径,构建方向性导向矢量;然后综合考虑相位扰动、相位中心估计误差等因素对DOA估计精度的影响,分析并推导出误差矢量;最后对常规理想点源天线阵列的DOA估计模型进行改进,并对影响DOA估计误差的因素进行仿真.实验结果表明,该模型具有单元天线参与数量少、相同误差因素下DOA估计精度高的优点.     

一种用于贝尔模板图像压缩的算术编码器

针对贝尔模板图像的预测编码问题,设计了一种高效的自适应算术编码器.通常,贝尔模板图像的预测误差满足拉普拉斯分布,为了降低估计预测误差概率的计算复杂度,按照最小均方误差准则对预测误差进行了分类量化,并建立了相应的概率查找表,概率值仅需要保留3位有效值.实验结果表明：提出的算术编码器比Golomb熵编码方法具有更高的效率.     

一种MIMO-OFDM系统的导频设计及信道估计方法

针对多输入多输出正交频分复用系统,提出了一种利用空频分组码码字正交特性的导频设计方法,并提出了基于该导频的低复杂度信道估计算法. 推导了该信道估计方案的均方误差,并评估了复杂度计算公式. 计算机仿真验证了此算法可以以较低的复杂度获得近似最小均方误差（MMSE）信道估计算法的均方误差性能及误码率性能。     

快衰落信道下MLSD接收机的简化

针对快速Rayleigh衰落信道下，逐幸存路径最大似然序列检测（MLSD）接收机中过于复杂的计算量问题和实时信道跟踪难题，综合采用了简化的Kalman信道跟踪算法和减状态的逐幸存路径(RSSE-PSP) Viterbi算法，实现了更简化的最大似然序列检测接收机。仿真结果表明，这种简化了的Kalman-RSSE-PSP最大似然序列检测接收机，具有相对较低的计算复杂度，误码率性能也优于同衰落率条件下采用递归最小二乘（RLS）-RSSE-PSP算法的最大似然序列检测接收机。     

基于卡尔曼滤波算法的活动抽头均衡器

针对通信信道中多径干扰引起的码间串扰(ISI)问题,这里在卡尔曼滤波均衡器的基础上提出了一种活动抽头均衡器消除码间干扰的问题.该算法保留了卡尔曼滤波算法快速收敛的特点,根据迭代结果能快速估计信道特征,消除干扰,达到减小误码率的目的,提高通信质量.在此基础上,根据算法特点,论文采用自动去掉冗余抽头的方法,只计算有干扰信道的滤波器系数,跟踪时变信道,大大减少了计算的复杂性,降低了对硬件资源的要求.并且进行了仿真分析,并将计算过程和结果与LMS和卡尔曼滤波算法进行了比较,结果表明该算法收敛速度快,计算量小.     

大规模动态系统的分布式状态估计算法

主要研究离散时间大规模动态系统的分布式状态估计问题。首先,将系统划分为若干个子系统,基于区域内部量测信息和邻居传递的信息,各子系统利用该算法对本地状态进行估计,降低状态变量的维数、算法的计算复杂度和通信压力。该算法独立运行,并且平行运行该算法可以有效减少整体运行时间。通过减弱约束条件,利用数学归纳法证明由该算法得到的估计误差协方差和预测误差协方差矩阵正定。根据系统能观测性秩判据和不等式技巧,证明误差协方差矩阵有上界,并且上界是有界的,保证该算法在应用中的可行性。最后通过仿真研究,验证主要结论。     

OFDM系统符号定时估计算法

正交频分调制(OFDM)是一种高效的数据传输技术,具有良好的抗衰落能力,可实现并行传送。但是OFDM对同步误差十分敏感,特别是符号同步误差。传统的MLE算法虽对符号定时估计很有效,但计算复杂度较高。而经改进的MC算法计算复杂度虽降低了,但其估计性能却大大下降。为了降低符号定时估计的计算复杂度和提高估计的性能,在MLE算法的基础上,提出了一个计算复杂性比MLE算法、MC算法都有不同程度降低的新的符号定时估计算法。同时通过Matlab的模拟仿真表明,在信噪比较高时,新的算法定时估计性能更优于MC算法。     

单向函数与对称密码体制

可靠的密码学是建立在数学和形式化的计算机科学产生的结论之上的,本文从计算理论的角度阐述了构建对称密码体制所需的数学背景:算法复杂性与问题复杂性的关系;NP问题与密码学的关系;密钥长度与密码安全的关系.从保长和置换的概念入手,说明了构造对称密码体制的理论基础———单向置换和单向函数,并以计算机口令系统为实例说明了如何构造对称密码系统.     

Cooperative Multi-Agent Reinforcement Learning with Constraint-Reduced DCOP

Cooperative multi-agent reinforcement learning (MARL) is an important topic in the field of artificial intelligence,in which distributed constraint optimization (DCOP) algorithms have been widely used to coordinate the actions of multiple agents.However,dense communication among agents affects the practicability of DCOP algorithms.In this paper,we propose a novel DCOP algorithm dealing with the previous DCOP algorithms' communication problem by reducing constraints.The contributions of this paper are primarily threefold:① It is proved that removing constraints can effectively reduce the communication burden of DCOP algorithms.② An criterion is provided to identify insignificant constraints whose elimination doesn't have a great impact on the performance of the whole system.③ A constraint-reduced DCOP algorithm is proposed by adopting a variant of spectral clustering algorithm to detect and eliminate the insignificant constraints.Our algorithm reduces the communication burdern of the benchmark DCOP algorithm while keeping its overall performance unaffected.The performance of constraint-reduced DCOP algorithm is evaluated on four configurations of cooperative sensor networks.The effectiveness of communication reduction is also verified by comparisons between the constraint-reduced DCOP and the benchmark DCOP.     

二维面阵子空间重构快速估计方法

针对当前进行二维面阵高精度波达方向估计时计算复杂度较高的问题,提出了一种适用于二维面阵的高精度低计算复杂度的快速估计方法。这种方法首先利用面阵子阵间的旋转不变关系完成二维角度预估;然后将预估角度作为先验信息,利用子阵的信号子空间重构面阵的信号子空间,并进行梯度搜索,实现对二维角度的精确估计。其中,利用子阵的信号子空间对面阵的信号子空间进行重构,有效地降低了进行子空间估计时的计算复杂度;采用梯度搜索的办法进行局部搜索,使得搜索时的计算复杂度大幅下降,获得了与经典二维MUSIC算法一致的估计精度。计算机仿真结果验证了所提算法的有效性。     

基于离差差分滤波算法的再入目标状态估计

再入弹道目标的状态估计是个复杂的非线性滤波问题,使用扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）,会引入较大的误差,甚至发散．为了提高估计精度,提出使用离差差分滤波算法（Divided Difference Filter,DDF）对再入弹道目标的状态进行估计．DDF算法使用二阶多维Stirling内插多项式近似非线性状态和测量方程获得状态和方差的估计．该算法只需要计算函数值,避免了求导运算,降低了计算复杂度．Monte Carlo数值仿真表明,离差差分滤波方法降低了再入目标的状态估计误差,提高了估计精度,且运行速度比无迹卡尔曼滤波方法（Unscendted Kalman Filter,UKF）要快的多．     

A Proposal of Adaptive PID Controller Based on Reinforcement Learning

Aimed at the lack of self-tuning PID parameters in conventional PID controllers, the structure and learning algorithm of an adaptive PID controller based on reinforcement learning were proposed. Actor-Critic learning was used to tune PID parameters in an adaptive way by taking advantage of the model-free and on-line learning properties of reinforcement learning effectively. In order to reduce the demand of storage space and to improve the learning efficiency, a single RBF neural network was used to approximate the policy function of Actor and the value function of Critic simultaneously. The inputs of RBF network are the system error, as well as the first and the second-order differences of error. The Actor can realize the mapping from the system state to PID parameters, while the Critic evaluates the outputs of the Actor and produces TD error. Based on TD error performance index and gradient descent method, the updating rules of RBF kernel function and network weights were given. Simulation results show that the proposed controller is efficient for complex nonlinear systems and it is perfectly adaptable and strongly robust, which is better than that of a conventional PID controller.     

Maximum likelihood registration for systemic error based on statistical linear regression

Generally,there are non-random systemic errors in target detection with the cooperative multi-sensor system.In order to solve this problem,a maximum likelihood registration algorithm based on statistical linear regression (SLR-MLR) is presented.The registration equation for the multi-sensor system is established first by jointly maximizing the likelihood function of the target state and systemic error,on the basis of which the proposed algorithm utilizes a set of diverse regression points to handle the linearization problem of the nonlinear measurement transformation.The regression equation for the target state with respect to unbiased measurement is constructed through statistical linear regression,and then the first two statistical properties of the projected state can be obtained.Moreover,the algorithm uses the likelihood maximization iteration to seek the solution of the registration equation,thus achieving the joint estimation for the systemic error and target state.Simulation results show that the SLR-MLR can achieve the registration of multiple sensors in each observation dimension,and has a higher accuracy and near computational complexity compared with the classical MLR.