基于改进多核学习的语音情感识别算法

提出一种基于改进多核学习的语音情感识别算法.算法以高斯径向基核函数为基准,通过采样不同的样本,采用不同的评价标准并获得不同的参数,来提高分类性能.此外,通过引入多核技术,将得到的高斯核函数构建多核学习的基核,并通过利用松弛因子构建的软间隔多核学习的目标函数改善了学习效率.对比仿真实验结果表明,本文提出的基于多核学习语音情感识别算法有效提高了语音情感识别性能.     

云无线接入网络高能效功率分配和波束成形联合优化算法

针对云无线接入网络(C-RAN)的资源分配问题,该文采用max-min公平准则作为优化准则,以C-RAN用户的能量效率作为优化目标函数,在满足最大发射功率和最小传输速率约束条件下,通过最大化最差链路的能量效率来实现用户发射功率和无线远端射频单元(RRHs)波束成形向量的联合优化。上述优化问题属于非线性、分式规划问题,为了方便求解,首先将原优化问题转化为差分形式的优化问题,然后通过引入变量将差分形式的、非平滑优化问题转化为平滑优化问题。最终,提出一种双层迭代功率分配和波束成形算法。在仿真实验中,将该文算法与传统的非能效资源分配算法和能量效率最大化算法进行了比较,实验结果证明该文算法在改进C-RAN能量效率和提高资源分配公平性方面的有效性。     

联合稀疏信号恢复中的分布式路径协同优化算法

基于融合中心的多观测向量联合稀疏信号恢复算法需要将各个传感节点的数据传输到融合中心(融合中心可能远离各个节点),该方法在节点功率受限以及缺少融合中心的传感网络中并不适用。为了克服上述困难,本文提出了一种分布式路径协同优化算法来解决上述问题。由于采用了分布式计算和路径协同优化,各个传感节点只需与其近邻节点进行少量的数据传输,每个节点所消耗的传输数据功率和所承受的计算复杂度较低。实验结果表明,本文提出的算法的性能能够很好的逼近基于融合中心的联合稀疏信号恢复算法的性能。      

多跳认知水声通信中的分布式稀疏频谱检测算法

水声信道常表现为严重的频率选择性衰落、低的声波传播速度和严重的多径效应等。这些特性使得认知水声通信中的频谱检测变得非常困难。除此之外,水声通信网络通常为自组织网络,缺少融合中心,而基于融合中心的频谱检测算法需要将各个认知用户的感知数据传送到融合中心,因此该方法在认知水声通信中是不可行的。与认知无线电类似,由于低的频谱使用率,认知水声通信中的频谱也是稀疏的。考虑到水声信道的特殊性,基于压缩感知理论,该文对认知无线电中的压缩频谱检测算法进行了改进,提出了两种不同情况下(已知水声信道状态信息和未知水声信道状态信息)的适用于认知水声通信的分布式稀疏频谱检测算法。通过近邻认知用户之间的合作,这两种算法利用空间分集增益和联合稀疏特性来提高算法的频谱检测性能。通过分布式计算和局部优化,新算法使得认知用户与其近邻认知用户之间只需进行少量的数据交互。仿真实验结果证明了该文提出的算法在检测认知水声通信系统中频谱空洞的有效性。     

水声通信网络中的MACA-C介质访问控制协议

介质访问控制协议（Medium Access Control , MAC）是水声通信网络中的一种关键技术。与陆地无线通信系统使用无线电波有所不同,水声通信网络依靠水声进行通信。水声通信网络中的MAC协议设计面临许多挑战面,如:传播延迟大、带宽窄、电池不易更换或充电、节点发射功率受限等。因此,陆地无线通信系统的各MAC协议不能直接应用到水声通信网络。本文提出了一种适用于水声通信网络的MACA（MACA-C）协议,该协议主要将传输数据包和控制包结合使用,在每轮握手的过程中,该协议通过发送列的首数据包和RTS控制包来改善信道利用率。仿真结果也表明MACA-C能够达到较高的和稳定的吞吐量性能,同时在保持低碰撞率的前提下增加信道利用率。