Turbo码及其译码算法研究

介绍Turbo码的编译码原理,以及Log-MAP,SOVA译码算法。通过基于MATLAB的仿真实验,比较分析不同译码算法的性能。仿真结果表明,Log-MAP算法能够准确的实现译码,但需以增加译码延时为代价。而SOVA算法的译码速度更快,译码复杂度更低,译码算法更简单,在实际的系统中易于实现。     

一种格缩减辅助MIMO检测的非线性量化算法

针对格缩减辅助MIMO检测中,采用格缩减技术后导致星座畸变,引起变换域信号非线性联合量化复杂度高的问题,提出了一种排序反馈的非线性量化算法。该算法同时考虑了变换星座的边界和各元素之间的相关性,且根据量化误差的大小选择信号元素量化判决的顺序,依次量化判决信号的各个元素。仿真证明,基于该算法的格缩减辅助MIMO检测其性能要优于无排序反馈量化和逐元素独立量化的格缩减辅助MIMO检测,且能很好的逼近最大似然检测的性能,在平坦块衰落信道下,算法复杂度为多项式复杂度。     

离散变量结构形状优化设计的拟满应力遗传算法

为了弥补遗传算法局部寻优能力差的缺点,将拟满应力算法嵌入到遗传算法中构成一种结合二者优点的混合遗传算法,并将该算法应用于离散变量结构形状优化设计问题.将形状设计变量和截面设计变量统一考虑,编码表示在同一染色体中.既解决了两类变量间耦合上的困难,同时也避免了将两类变量分开考虑只能求得局部最优解的问题.算例的结果表明,该方法用于离散变量结构形状优化是有效的.     

基于遗传算法的神经网络油水层识别

文章研究了基于遗传算法的神经网络油水层识别方法,针对神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,提出了基于粗集属性约简方法降低了输入信息的空间维数、减少了运算量和简化了神经网络的拓扑结构,利用遗传算法提高神经网络的训练速度。实验结果表明：将混合智能计算方法应用于油水层识别中效果显著,其学习训练速度和拟合精度远优于传统BP神经网络算法。     

图像阈值自动选取算法的C＋＋实现

图像分割是运动目标检测与跟踪技术必须要解决的问题,在很多时候它涉及到图像阈值的选取。文章采用的算法首先计算图像中不同区域的灰度均值,结合最小差值条件,反复修订由计算所得的阈值,从而达到自动选优的目的。在此基础上,文章进一步给出了用C＋＋语言实现算法的关键代码。测试表明此方法选择阈值简便实用,图像的二值化效果良好。     

关于AOE网中关键路径求解算法的研究

介绍AOE网中关键路径的相关概念,通过算法描述和实例,探讨基于拓扑排序求解、P矩阵的求解和广度优先搜索遍历（BFS）方法三种算法,求解AOE网中关键路径的实现过程,并进一步从算法的时间复杂度、数据结构形式及实现的容易程度等几方面分析三种求关键路径算法的优劣。     

基于PSO算法的电力系统稳定器参数优化

针对电力系统稳定器的参数优化问题,提出一种基于微粒群优化算法的整定方法。算法选择Δω作为输入信号,以ITAE指标作为微粒群优化算法的目标函数,对电力系统稳定器增益Ki和时间常数T1i、T3i三个参数进行优化设计。仿真结果验证了算法的有效性和优越性。     

多目标资源受限项目调度的多种群蚁群算法

为实现资源受限项目调度的多目标优化,通过改进传统蚁群算法,提出适用于多目标优化的多种群蚁群算法.该算法基于串行进度生成机制,每个蚁群具有各自的目标函数、与目标函数相匹配的不同搜索策略以及各自的信息素更新机制.各蚁群独立进行搜索决策,但各蚁群之间存在信息素的相互作用,从而实现加速搜索.针对多目标资源受限项目调度问题设计新的精英策略.在目标规划基础上构造一系列多目标项目调度算例,经系统测试表明,所提出的多种群蚁群算法能够有效优化资源受限项目的资源配置,实现多目标优化.     

基于改进粒子群算法的体绘制传递函数设计

为降低体绘制过程中人机交互的复杂性,提出一种体绘制传递函数的自动设计方法.该方法把对传递函数的抽象评价转变为对绘制图像的显式评价,然后将传递函数的设计转变为一个多参数优化问题,并使用改进的粒子群算法进行自动寻优.图像的评价使用图像信息熵、差分熵、边界熵和主观评价的融合方法.针对粒子群算法易于陷入局部最优的缺点,结合遗传算法的思想对粒子群算法进行改进.该方法在体绘制应用中,具有更好的全局搜索能力和更高的收敛速度.实验结果表明,在一般体绘制应用中,本文的方法可以在1.0～2.0min内完成传递函数设计,实现用户满意的体绘制效果.     

基于V-detector算法的滚动轴承故障诊断方法

针对实值阴性选择(RNS)算法的检测器尺寸不能自适应变化的问题,提出基于变检测半径的RNS算法(V detector)的轴承故障诊断方法.将计算轴承振动信号局域波分解后各基本模式分量的关联维数作为特征向量,并根据故障模式将其划分为多个自体样本集,采用V detector算法训练多个检测器集,用其对轴承故障进行诊断.结果表明：自体半径过小则误诊率高,自体半径过大则检测器灵敏度低,这都将导致准确率减小;覆盖率越高,则准确率越高、计算花费越大,当覆盖率≥95%时,覆盖率对准确率的影响远小于其对计算花费的影响;相对于基于RNS的诊断方法,V detector算法具有同样高的准确率,且计算花费显著减小、稳定性更高,可有效地识别轴承故障.