基于RBF神经网络的LTE-R切换算法优化

在LTE-R越区切换中,基于A3事件的越区切换算法在列车高速运行时容易出现乒乓效应和无线链路连接失败的问题。为此,提出基于RBF神经网络的越区切换优化算法。采集列车运行在特定环境中不同速度时切换效果较好的hys和ttt参数,并将其发送到RBF神经网络进行训练,得到不同速度下hys和ttt的非线性表达式,根据列车接收到的参考信号质量,加入自矫正项对hys和ttt进行二次调整和优化。在Matlab上进行的仿真实验结果表明,该算法能够降低掉话率和乒乓切换率,提高列车在高速运行环境下的切换成功率及鲁棒性。     

位置功率联合判决的高铁通信越区切换算法

随着我国铁路运输现代化进程的加快,高铁列车对通信信息技术的需求日益提升。越区切换是高铁无线通信移动性管理的重要部分,对提高通信质量和运营效率、确保运营安全具有重要意义。针对高铁列车切换性能差、乒乓切换率高的问题,提出一种位置功率联合判决的越区切换算法。以切换阈值作为约束条件并借助信道模型和测量信息计算得到最佳切换带,利用高铁列车的单向移动特点简化位置信息并优化切换流程,以有效避免乒乓切换现象。考虑到车载多中继节点对切换触发位置的判决误差之间存在相关性,构建代价函数筛选最优的预测参数,采用加权统计线性回归方法预测判决误差并加以纠正,使得切换位置收敛于最佳切换点。仿真结果表明,相对A3算法、距离触发算法,该越区切换优化算法能有效降低乒乓切换率,在列车速度为350 km/h时越区切换成功率达到99.5%以上,其能够提高通信系统的可靠性,推动列车提速并保障行驶安全。     

高速场景下基于位置信息的切换优化算法

高速场景下速度优化算法在提高切换成功率的同时，存在乒乓切换触发率急剧增加的问题。为了解决这一问题，通过分析迟滞余量和切换位置对乒乓切换率和切换成功率的影响，提出高速场景下基于位置信息的切换优化算法。该优化算法将迟滞余量与终端位置建立一次减函数关系，利用迟滞余量随终端远离源基站呈递减的趋势，解决在重叠带不同位置使用相同迟滞余量时所引发的乒乓切换触发率提高或切换成功率降低的问题。仿真结果表明，所提出的基于位置信息的切换优化算法与速度优化算法相比，可以实现在提高切换成功率的同时避免乒乓切换率增加。     

TD-SCDMA基于UE移动速度的小区切换算法

首先介绍TD-SCDMA系统中切换的基本概念。在当前交通工具多样化、无线通信环境复杂化的背景下,引出分层小区结构（HCS）的概念。在此基础上介绍TD-SCDMA基于UE移动速度的切换算法及其流程。最后给出切换成功后的防乒乓机制及切换失败的惩罚机制。     

一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

基于GSM-R铁路无线通信系统的越区切换分析研究

列车和无线闭塞中心在多数情况下通信处于正常状态,但是在实际通信过程中可能出现以下几种引发故障因素:传输数据出错、连接丢失、越区切换、端到端传输延时.主要考虑了高速列车在移动闭塞区间条件下GSM-R无线通信系统的越区切换的可靠性,采用计算机仿真的方法得到GSM-R通信系统在通信故障情况下的越区切换成功概率.结合随机Petri网理论对于铁路无线通信系统GSM-R中的越区切换事件进行了建模和分析,给出了随机Petri网表示的列车与无线闭塞中心通信的越区切换模型,并使用TimeNET仿真工具分析了GSM-R越区切换的可靠性.     

CTCS-3列控系统RBC切换的形式化建模、分析与验证

针对影响RBC切换质量的列车速度、RBC切换时间等诸因素,以及澄清对RBC交接协议安全性在认识上的一些误区,利用随机Petri网形式化描述工具,建立了CTCS-3列控系统RBC切换模型.通过理论分析和仿真实验,验证了不同速度条件下高速列车越区运行RBC交接协议A、B的可靠性、安全性和合理性.交接协议B作为协议A的冗余措施,由于考虑了RBC切换过程中通信中断时间,从RBC切换成功概率上讲,并不存在安全上的问题,但降低了RBC切换效率,对行车效率有所影响;列车速度进一步提高时,RBC切换的可靠性下降,可考虑适当增加RBC重叠覆盖区域、场强和列车间隔时间裕量.     

CTCS-3列控系统RBC切换的形式化建模、分析与验证

针对影响RBC切换质量的列车速度、RBC切换时间等诸因素, 以及澄清对RBC交接协议安全性在认识上的一些误区, 利用随机Petri网形式化描述工具, 建立了CTCS-3列控系统RBC切换模型。通过理论分析和仿真实验, 验证了不同速度条件下高速列车越区运行RBC交接协议A、B的可靠性、安全性和合理性。交接协议B作为协议A的冗余措施, 由于考虑了RBC切换过程中通信中断时间, 从RBC切换成功概率上讲, 并不存在安全上的问题, 但降低了RBC切换效率, 对行车效率有所影响; 列车速度进一步提高时, RBC切换的可靠性下降, 可考虑适当增加RBC重叠覆盖区域、场强和列车间隔时间裕量。     

移动IPv6越区切换算法的研究与仿真

分析移动IPv6中的TCP拥塞控制机制和移动检测技术,讨论一个改进的越区切换算法,并采用OPNET网络仿真软件对其进行仿真.仿真结果表明,该算法有效地抑制了由于移动节点的越区切换而导致的拥塞控制机制的启动,增强了移动网络的通信能力.     

TD-SCDMA集群通信系统切换算法研究*

为了快速准确地选择切换目标小区和提高切换成功率,本论文首先给出了一种基于灰色关联分析方法的目标小区确定方法,并对其进行仿真验证;其次,由于移动速度对切换的影响,本文对基于移动速度的切换算法进行改进,然后对改进算法和传统算法进行仿真比较;最后从接收信号强度和切换次数两方面评估,得出改进算法比传统算法性能更优。     

遗传算法在电站锅炉燃烧优化中的应用

提出了一种新的RBF神经网络的设计方法,采用遗传-K均值聚类算法对RBF神经网络的隐层节点中心值进行优选,用遗传算法训练RBF神经网络的权值。以锅炉燃烧为实例,通过从现场采集的数据建立神经网络模型,并用遗传算法寻找最优输入变量组合,实现锅炉燃烧优化。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

基于FOA优化GRNN的船用柴油机涡轮增压系统故障诊断

为了及时有效的发现并排除船用柴油机涡轮增压系统的故障,文中采用果蝇优化算法（FOA）对广义回归神经网络（GRNN）的分布密度SPREAD进行优化选取,提出了一种果蝇优化算法和广义回归神经网络相结合的故障诊断新方法。收集某型号船用柴油机的样本集,采用相同的训练样本分别对FOA优化GRNN和RBF神经网络进行训练,并用相同的测试样本对以上两种模型进行验证。结果表明,与RBF神经网络故障诊断方法相比,FOA优化GRNN对柴油机涡轮增压系统故障模式的识别准确率更高。     

关于无线传感器网络定位算法仿真

针对无线传感器网络(WSNs)节点定位的问题,提出了一种通过构建粒子群机制的量子神经网络模型优化距离矢量跳跃(DV-HOP)的定位算法(PSO-QNN),根据传统DV-HOP所得到的平均距离和实测节点距离构建量子神经网络模型,并通过粒子群算法对平均距离进行训练,从而得到较优平均值,实现了对DV-HOP算法的优化.算法缩短了传统人工神经网络的训练时间,并且加快了收敛速度.仿真结果表明:与传统DV-HOP算法相比,所提出的PSO-QNN算法能够减少约20%的定位误差,定位精度显著提高.     

Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization

Radial basis function (RBF) networks are widely applied in function approximation, system identification, chaotic time series forecasting, etc. To use a RBF network, a training algorithm is absolutely necessary for determining the network parameters. The existing training algorithms, such as orthogonal least squares (OLS) algorithm, clustering and gradient descent algorithm, have their own shortcomings respectively. In this paper, we propose a training algorithm based on a novel population-based evolutionary technique, quantum-behaved particle swarm optimization (QPSO), to train RBF neural network. The proposed QPSO-trained RBF network was tested on non-linear system identification problem and chaotic time series forecasting problem, and the results show that it can identify the system and forecast the chaotic time series more quickly and precisely than that trained by the particle swarm algorithm.     

基于狼群算法的RBF神经网络模拟电路故障诊断

提出了一种新的方法来进行模拟电路故障诊断。该方法包括Haar的小波分解,对数据的归一化处理,以及用狼群算法优化RBF神经网络。用Haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,使用狼群算法来优化训练RBF神经网络,以提高网络训练稳定性与诊断成功率。通过两个电路的诊断实例,来论述这些方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

Research on an online self-organizing radial basis function neural network

A new growing and pruning algorithm is proposed for radial basis function (RBF) neural network structure design in this paper, which is named as self-organizing RBF (SORBF). The structure of the RBF neural network is introduced in this paper first, and then the growing and pruning algorithm is used to design the structure of the RBF neural network automatically. The growing and pruning approach is based on the radius of the receptive field of the RBF nodes. Meanwhile, the parameters adjusting algorithms are proposed for the whole RBF neural network. The performance of the proposed method is evaluated through functions approximation and dynamic system identification. Then, the method is used to capture the biochemical oxygen demand (BOD) concentration in a wastewater treatment system. Experimental results show that the proposed method is efficient for network structure optimization, and it achieves better performance than some of the existing algorithms.     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。