智能优化在多用户检测中的应用

为进一步提高离散混合蛙跳算法（DSFLA）的性能,将免疫算法和克隆选择理论分别与DSFLA相结合,提出了免疫蛙跳算法（IDSFLA）和克隆蛙跳算法（KDSFLA）,利用这两种智能算法得到两种新的多用户检测器。IDSFLA是在DSFLA的每一族内更新中,嵌入免疫算法,利用Hopfield神经网络（HNN）快速产生最优个体作为疫苗母本,提高算法的全局收敛能力;KDSFLA在族内更新中,利用克隆算法的消亡操作,淘汰适应度低的青蛙个体,保证最优个体的有效进化。仿真结果表明,所提出的两种多用户检测器,在误码率、收敛速度、系统容量、抗远近能力等方面都有显著改善。     

一种离散混合蛙跳算法及其应用

为提高混合蛙跳算法在求解高维复杂函数和离散优化问题的性能, 提出一种离散混合蛙跳算法. 首先, 引入扰动系数来调控青蛙个体的移动距离, 从而更好的平衡迭代中算法的全局探索和局部开发能力;其次, 利用螺旋更新位置策略使算法能够在最优解附近进行更加精细的搜索; 同时, 采用随机搜索策略, 提高算法的全局搜索能力; 另外, 通过借鉴2-opt方法, 实现全局最优解变异, 丰富种群的多样性; 最后, 利用改进的Sigmoid函数对个体位置进行离散化处理. 通过对9个典型的基准函数和油田措施规划方案的仿真实验表明, 相较于对比的算法, DSFLA的收敛精度和寻优速度有明显的提升.     

基于主成分的SFLABP网络模型在帕金森氏病分类中的应用

针对BP神经网络学习效率低、容易陷入局部最优等缺点,提出了一种基于主成分分析的混合蛙跳算法(Shuffle FrogLeaping Algorithm)优化的BP神经网络模型。使用主成分分析法对高维数据进行特征提取,作为网络输入;采用混合蛙跳算法优化BP神经网络的权系数和阈值,构建基于混合蛙跳算法神经网络的帕金森病分类模型。最后,以UCI中Parkinson数据为例,实验表明,新模型优于传统的BP网络。     

改进的混合蛙跳算法在传感器配置优化中的应用

传感器配置优化是可测性设计的重要研究内容,将混合蛙跳算法应用于传感器配置优化是一种新的尝试。针对传感器配置优化属于离散问题求解,提出离散的混合蛙跳算法,设计了一种离散化的更新方式。为克服蛙跳算法的早熟收敛问题,在改进的离散蛙跳算法中采用混沌优化算法以概率的形式对全局极值进行了优化。最后通过具体系统实例验证了该方法的正确性和有效性。     

基于Hopfield神经网络多用户检测技术的研究

多用户检测中的MMSE算法随着用户数增加而受到限制,MMSE的优化问题可以转化为Hopfield神经网络的能量函数的最小化问题。针对基于Hopfield神经网络多用户检测算法进行仿真和分析,仿真表明Hopfield神经网络多用户检测算法在抗多址干扰和远近效应上有所提高。     

基于单种群蛙跳优化CNN的眼底图像多病变检测

为了有效解决眼底图像病变处存在交织重叠,大小血管密布并且受光照影响严重等问题,实现眼底图像多标签分类,提出了采用单种群蛙跳优化的卷积神经网络算法(SFCNN)对眼底多种病变进行检测.该算法保留混合蛙跳算法(SFLA)的高效寻优能力,简化成单种群蛙跳算法,并与传统卷积神经网络(CNN)有效结合.在初始化网络时,通过蛙跳算法优化网络初始权值选择;在网络迭代过程中监听卷积神经网络前向传播损失值并利用蛙跳算法的寻优能力修正异常权值;在网络符合结束条件后对最终权值进行一次蛙跳寻优,使网络权值得到进一步的优化,从而实现对复杂的眼底图像多病变检测分类.该算法对眼底图像病变检测的实验表明,相对于传统CNN算法,无论是在单病变检测还是同时整体检测,正确率均有所提高.     

基于三角函数搜索因子的混合蛙跳算法

针对传统混合蛙跳算法存在收敛速度慢、容易陷入局部最优和搜索精度不高的缺陷,提出了基于三角函数搜索因子的混合蛙跳算法。该算法将基于三角函数搜索因子的局部进化策略和产生新个体策略引入到混合蛙跳算法中,改进混合蛙跳算法的局部搜索精度和全局收敛性能。实验结果表明,基于三角函数搜索因子的混合蛙跳算法能够显著改善混合蛙跳算法的寻优精度和收敛速度,使算法的搜索效率和稳定性同时得到提高。     

一种改进的暂态混沌神经网络多用户检测算法

分析了暂态混沌神经网络中的模拟退火函数和自反馈连接权值的敏感性,提出了一种基于模拟退火优化的自适应暂态混沌神经网络,具有较好的逃逸局部最优点的能力,并将其应用于DS/CDMA的多用户检测技术。仿真结果表明,基于模拟退火优化的自适应暂态混沌神经网络多用户检测算法,其误码率性能以及抗远近效应能力优于已有的神经网络多用户检测算法,并具有较好的信干比。     

Lagrange优化的LMK神经网络盲多用户检测

提出一种基于LMK准则的前馈神经网络盲多用户检测算法,给出算法的代价函数和约束条件,利用Lagrange方法对带约束的代价函数进行优化,获得前馈神经网络网络权值的迭代公式,从而实现神经网络盲多用户检测。仿真结果表明,新算法具有良好的误码率性能和收敛速度。     

基于改进混合蛙跳算法的图像阈值分割算法

针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进混合蛙跳算法的图像阈值分割算法。算法将苹果图像编码处理,选取图像的类间方差作为改进混合蛙跳算法的适应度值,通过改进的混合蛙跳算法寻找最大的分割阈值,利用该最优阈值使用经典最大类间方差法对花牛苹果图像进行分割。选取强光、较强光、较弱光和弱光条件下四幅花牛苹果图像进行分割实验,结果表明,采用基于改进混合蛙跳算法的图像阈值分割算法较最大类间方差法和基于混合蛙跳算法的图像阈值分割算法均具有较好的图像阈值寻优能力,可有效改善花牛苹果图像的分割效果。     

基于级联信息素更新蚁群算法的多用户检测

给出了基本蚁群算法在多用户检测中的具体实现,同时针对基本蚁群算法易陷入局部最优解的缺点,提出了一种改进蚁群算法的多用户检测方法。该算法对蚁群算法的信息素更新采用串联式的多级更新策略,首先进行有选择性的信息素更新,然后引进随机扰动因子进一步修改信息素,最后采用最大门限确定信息素的范围。最终的仿真结果表明:所提出的级联信息素更新蚁群算法的多用户检测(UCP-ACO-MUD)算法具有较强的跳出局部最优解的性能,效果良好。     

基于改进二进制人工蜂群算法的多用户检测器

最优多用户检测(OMD)技术可以达到理论上的最小错误概率,但已经证明它是一个非确定多项式(NP)问题。作为一种新型的群智能算法,人工蜂群(ABC)算法已被广泛用于各种优化问题,但传统二进制人工蜂群算法具有收敛速度过慢、易陷入局部最优等缺点。针对这一缺点,提出了一种改进二进制人工蜂群算法并将其用于求解最优多用户检测问题。算法简化了初始化的过程,采用单维求反的邻域搜索策略,计算量与最优多用户检测相比明显降低。仿真结果表明,提出的多用户检测方案在抗多址干扰和抗“远近”效应能力方面与传统检测方案相比,都有显著提高。     

基于神经网络量子算法的多用户检测器

利用遗传量子算法和Hopfield神经网络，提出了一种融合两种算法优点的神经网络量子算法，并将其应用到CDMA通信系统的多用户检测问题中。所提算法把神经网络嵌入到遗传量子算法的每一代中，可进一步提高量子种群的适应度函数值。通过混合神经网络到GQA中，还可加快GQA的收敛速度进而减少算法的计算复杂度。另外，GQA所提供的良好初值改善了HNN的性能，嵌入的HNN也提高了GQA的性能。仿真结果证明了该方法的抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用智能算法的多用户检测器。     

面向物联网环境的高效通信接收机设计

物联网（IoT）通信系统具有活跃用户数低、数据帧短等特性,而信道估计和多用户识别所需的导频和用户识别码会显著降低IoT系统的通信效率和响应速度。针对上述问题,提出了一种基于非正交多址接入（NOMA）的盲信道估计和多用户检测算法。首先,利用码分多址（CDMA）系统中的扩频矩阵对每个用户所占用载波进行分配,并采用差分编码解决盲估计所引发的星座点旋转问题;其次,根据用户所分配载波具有的稀疏性,引入伯努利-高斯（B-G）分布作为先验分布,利用变量间的隐马尔可夫特性进行因式分解和建模,由用户数据的稀疏特征进行多用户识别;最后,应用消息传递算法对上述模型进行推导,解决NOMA引起的多用户干扰,得到面向IoT环境的联合信道估计和检测接收算法。仿真结果表明,相对于块稀疏单测量向量（BS-SMV）算法和块稀疏自适应子空间求解（BSASP）算法,所提算法能够在不提高复杂度的条件下获得约1 dB的性能增益。     

基于智能天线的多用户MIMO-OFDM联合发送技术研究

提出了一种基于智能天线(SA)的多用户MIMO-OFDM联合发送(JT)方案,给出了系统模型,推导出了权向量和数据发送及检测算法。通过在TD-SCDMA系统应用环境中的仿真和分析,表明基于SA的多用户MIMO-OFDM的JT技术具有比基于多用户MIMO的JT技术更优良的误比特率性能。     

一种噪声抑制的线性共轭多用户检测算法

当权向量受到噪声的影响时,最小输出能量（MOE）检测器的性能将显著下降．针对这一问题,设计了一种噪声抑制的线性共轭MOE检测器．将约束最小均方（LMS）算法应用到新的MOE检测器,提出一种基于约束LMS的盲噪声抑制线性共轭MOE多用户检测算法．该算法消除了权向量中的噪声分量,利用了接收向量的复数共轭,从而提高了系统的输出信干噪比和误码率性能．仿真结果表明所提算法有较好的性能．     

基于Hopfield神经网络和禁忌搜索的软/硬件功耗划分

在目前全球倡导“低碳经济”的背景下,随着嵌入式系统大量而广泛的使用,嵌入式软件功耗已成为嵌入式系统设计的一个关键因素,而软/硬件划分是嵌入式软件功耗优化的一种重要方法。首先在性能约束条件下,建立以嵌入式软件功耗为目标的软/硬件双路划分模型;然后,提出了一种基于离散Hopfield神经网络(HNN)和禁忌搜索(TS)融合的求解算法,采用离散Hopfield算法作为主算法能较快地获得可行解,使用禁忌搜索算法“禁忌”当前解而转移到目标函数的其他极小点,从而可跳出局部最优解而快速趋于全局最优解;最后,仿真实验表明,与同类算法相比,该算法不但具有搜索速度上的优势,而且求得全局最优解的概率更高。     

基于自适应集中性和多样性搜索策略的多用户检测方法

序列扩频系统的性能受到多用户干扰的严格制约。多用户检测方法被证明是限制这种干扰的一种有效方法。本文提出一种自适应Tabu搜索算法，用于序列扩频系统中的多用户检测，其中引入自适应集中性和多样性搜索策略，充分发挥短禁忌周期彻底搜索局部空间的能力。仿真实验表明，这种多用户检测方法具有接近最佳检测的误比特性能和较好的抗远近效应能力，并具有多项式计算复杂度。     

MOE盲多用户检测算法中约束向量的研究

最小输出能量（Minimum Output Energy,MOE）盲多用户检测是一种简单的不用进行信道估计就可直接获得多用户检测器参数的算法,在该算法中,约束向量起着相当重要的作用,它直接影响多用户检测器的最优权矢量。通过对不同约束向量时MOE盲多用户检测算法基本原理的分析,将MOE盲多用户检测算法分为线性约束MOE盲多用户检测算法和鲁棒二次约束MOE盲多用户检测算法两大类。通过仿真实验比较了各种检测器的性能。