基于免疫粒子群算法的多用户检测技术研究

将免疫系统的免疫机制引入到粒子群优化算法的设计中,模拟免疫系统、群集智能和神经网络的信息处理机制,提出了免疫粒子群优化算法。这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力。然后利用此算法对CDMA系统的多用户检测性能改进问题进行实验研究,证明了本文的方法有较快的收敛速度,并且无论是抗多址干扰能力还是抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

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Hopfield神经网络多用户检测技术的研究

最优多用户检测器的优化问题可以映射为Hopfield神经网络的能量函数的最小化问题。本文对基于典型Hopfield神经网络多用户检测器和基于随机Hopfield神经网络多用户检测器进行了性能分析,计算机仿真表明这两种多用户检测器均具有抗多址干扰和抗远近效应的能力强、运算量小、实时性好等优点。     

基于神经网络离散混合蛙跳算法的多用户检测

为进一步提高基于离散混合蛙跳算法（DSFLA）的多用户检测性能,提出一种基于DSFLA和神经网络相结合的神经网络离散混合蛙跳算法,并用于多用户检测。在DSFLA的每一族内更新中,随机选择若干只“青蛙”采用Hopfield神经网络的寻优更新策略,进行快速迭代,寻找全局最优。仿真结果证明,基于神经网络离散混合蛙跳算法的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优于传统方法和一些应用优化算法的多用户检测器。     

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。     

基于免疫进化规划的多胆馈网络设计

章用一种免疫进化规划来设计多层前馈神经网络．该免疫进化规划在保留传统进化规划的随机全局搜索能力的能力的基础上,引进生物免疫中抗体通过浓度相互作用的机制和多样性保持机制．免疫进化规划的全局收敛性更优,并且具有很强的自适应环境的能力．实验结果验证了免疫进化规划在设计神经网络时的高效能．     

基于遗忘进化规划的Hopfield网学习算法

本文提出了一个基于遗忘进化规划的Hopfield网学习算法.通过遗忘部分个体,算法能避免局部最小.给定不动点、极限环或迭代序列,通过解不等式,算法能同时获得Hopfield网的拓扑结构和权值.该算法克服了进化Hopfield网学习的局限性.它还能找到多个优化解.实验也证明了该算法的有效性.     

基于模糊推理的进化规划用于神经网络设计

将模糊技术和进化计算技术融合,提出一种新的进化规划算法.该方法不仅能够加快普通进化规划算法的收敛性,而且能够有效地保证种群的多样性.将该方法用于神经网络的优化设计,计算机实验结果表明该方法性能稳定并减少了学习时间,较前人的研究成果更为有效.     

基于克隆粒子群优化算法的多用户检测器

针对经典离散粒子群优化算法收敛性差的缺点,设计了基于新的运动方程的离散粒子群优化算法。为了解决CDMA系统多用户检测这个NP完全问题,基于免疫克隆选择理论和新的粒子群优化算法,提出了克隆粒子群优化算法,其中,由神经元构成的粒子可以进行随机搜索和经验学习。仿真结果表明,在异步和同步CDMA系统上,该检测器的误码率性能都优于传统方法和其他一些多用户检测器,达到最优检测。     

基于进化规划的神经网络群的设计方法

提出一种基于进化规划的神经网络群的自动设计方法．该方法不仅使得神经网络群中的个体网络倾向于完成不同的子任务，同时各神经网络个体在进化过程中不断寻找最好的协作关系，而且神经网络群的规模和结构不需预先设定．仿真试验表明，该算法是有效的。     

基于自适应变异规则的一种有效的进化规划

为改善普通进化规划的算法性能，通过学习进化过程中获得的种群整体进化信息，提出进化规划的一种新的自适应变异规则，基于该规则的进化规划不仅能加快算法的收敛速度，而且能有效地保证种群的多样性，用该方法可求解具有多个极值点的函数优化问题，计算机仿真实验结果表明该方法的方法是很有效的。     

一种进化半监督式模糊聚类的入侵检测算法

在入侵检测系统中,未知标签数据容易获得,标签数据较难获得,对此提出了一种基于进化半监督式模糊聚类入侵检测算法。算法利用标签数据信息担任染色体的角色,引导非标签数据每个模糊分类的进化过程,能够使用少量的标签数据和大量未知标签数据生成入侵检测系统分类器,可处理模糊类标签,不易陷入局部最优,适合并行结构的实现。实验结果表明,算法有较高的检测率。     

基于概率神经网络的入侵检测技术

提出一种基于概率神经网络的高效入侵检测技术。对网络数据处理、概率神经网络的训练与检测及其算法进行分析。在网络训练中,提出一种基于实验数据选择概率神经网络关键参数的方法,分析该方法的可行性。实验表明通过此方法能使入侵检测系统具有更高的检测精度和效率。     

NOMA中基于非规则码片映射的稀疏多用户检测算法

针对非正交多址接入系统灵活性不高的问题,基于码片映射码分多址（Chip Mapping-CDMA,CM-CDMA）系统,设计了一种非规则结构的码片映射矩阵。根据不同场景需求,该映射矩阵可为各用户分配不同数量的传输码片,提高了系统灵活性。同时分析了非规则映射矩阵的引入满足压缩感知RIP条件,并对该系统模型进行了验证。仿真结果表明,该系统能够利用压缩感知理论可靠地检测出活跃用户和数据,过载率可达300%,有效提升了频谱利用率。     

基于免疫进化的物联网系统架构优化

随着众多的智能设备成为物联网系统的构件,其系统架构形式和规模呈现出多样化、巨大化的特点.物联网系统的性能取决于其本身的组织架构.因此,物联网系统组织架构方式的优化尤为重要.由于系统架构本质为系统节点的排列组合问题,将系统架构问题转换为系统效能值的优化问题,提出了一种基于免疫进化的求解算法.该算法采用层次编码方式,将系统组织架构转换为整数编码形式,设计了自适应层级交叉算子、小扰动变异算子,并采用个体激励度来引导算法的搜索方向,搜索出满足性能要求的物联网系统结构.实验结果表明:该算法可获得具有高效能值的系统组织架构,在成功率、相对错误率和收敛速度上的表现较优.     

基于灰色神经网络的入侵检测系统研究

将灰色预测和神经网络有机的结合起来,构造出了新的灰色神经网络GNNM,并用于入侵检测系统(IDS)中,仿真结果表明,GNNM算法在较低误报率的基础上达到了理想的检测率,与传统的神经网络算法相比,不但提高了系统的并行计算能力和系统的可用信息的利用率,还提高了系统的建模效率与模型精度.