基于改进SRGAN的OFDM信道估计方法

在正交频分复用(OFDM)系统的信道估计过程中,传统信道插值算法是建立在假设导频附近处的估计值存在关联的基础上,当信道特征因无线信道的时变、频变特性而不连续时,估计结果将不理想.针对这一问题,本文引入超分辨率重建模型SRGAN的改进模型——SRWGAN,替代信道估计中的插值处理.在SRWGAN模型中,将导频处的最小二乘...     

一种改进的OFDM信道估计算法

在无线通信当中,信道估计会受到许多因素的影响,例如噪声、衰减等。如何使得信道估计的准确度提高变成重中之重。通常我们应用的SVD信道估计算法,主要是用循环前缀长度为界来截取的特征值,这种做法的弊端是导致比较大信道噪声。因此,该文的对于这一问题,提出了一种优化的SVD算法,本算法的核心是估计信道的最大多径时延,从而来得到我们所需要的特征值,进而来降低噪声的干扰[1],通过仿真,我们可以看出本算法所体现的优越性。     

一种新的基于遗传算法的盲FIR信道估计

为了改善盲有限脉冲响应FIR(Finite Impulse Response)信道估计性能,提出基于高阶统计协同进化遗传算法的盲FIR信道估计方法。通过协同进化的方法来改善标准遗传算法的搜索机制,并给出利用累积量拟合不同累积量切片的代价函数,通过最小化代价函数来估计信道系数。同时为了提高收敛速度,采用了基于高阶统计量数学关系的初始种群。仿真结果表明,新算法的收敛速度和精度均优于加权片算法和标准遗传算法等经典算法,尤其是在高阶信道中。     

一种改进的DVB-T信道估计算法

针对传统DVB-T系统信道估计算法估计精度低或复杂度高的问题,为了提高信道估计算法整体性能,提出了一种改进的DVB-T信道估计算法;该算法首先采用最小二乘法估计离散导频处频率响应估计值;进而,利用连续导频对信噪比进行估计;最后,将得到的信噪比估计值与预先设定的信噪比阈值进行比较,若估计值小于阈值,则先经过卡尔曼滤波处理,再在时频二维方向上用高斯插值得到全部子载波的频率响应值,否则直接在时域和频域上进行插值;此方法在信道条件较好时关闭卡尔曼滤波过程,从而有效减少滤波次数,提高算法整体运行速度;仿真结果表明,该方法能有效提高系统整体性能,减少在噪声影响较大时的干扰,同时也兼顾了算法整体运行速度。     

OFDM系统中基于训练序列的参数信道估计算法的改进

针对OFDM通信系统中基于训练序列的常规信道估计算法存在矩阵求逆过程,使算法计算量过大的现象,提出了一种基于最优训练序列的信道估计简化算法。该算法通过对训练序列的最优设计,避免了矩阵求逆,大大降低了算法的复杂度和运算量。通过仿真实验,表明优化后的信道估计算法具有更好的性能和实际应用价值。     

基于改进层次遗传算法优化的神经网络信道均衡器

层次遗传算法的性能与评价个体进化优劣的适应度函数密切相关,对适应度函数的参数进行了研究,提出了依据信道零点和单位圆之间距离设定参数值的新方法,降低了函数复杂度,减少了人为因素影响,提高了算法确定RBF神经网络均衡器结构的效率及性能。仿真结果验证了算法的有效性和稳定性。     

基于PN序列的OFDM系统信道估计方法研究

文章介绍了OFDM系统中基于PN序列的信道估计技术,并对基于PN序列的时域迭代相关检测算法进行了改进,即在现有方法的基础上,把得到的信道冲激响应按固定的OFDM长度分块,并对每块符号进行补零、FFT,然后在时频二维平面进行三次样条插值得到每块符号中全部点的频率响应,与改进前及典型块状导频估计算法相比较,提高了估计精度。     

基于NUHT标准的OFDM信道估计

NUHT标准是我国自主提出的超高速无线局域网标准.它可以与IEEE802.11n兼容,物理层峰值速率可达3.86Gbps(80MHz带宽,8×8 MU-MIMO).OFDM系统把高速速率分到多个正交子载波,提高频谱利用率,也增强了抗干扰能力.文章分析了无线信道的特点,重点介绍了IMT-A Urban Micro LoS、IMT-A Urban Micro NLoS、IMT-A Rural Macro LoS和IMT-A Rural Macro NloS四种信道模型.分别体现了城市微小区模型和郊区宏小区模型下存在和不存在直射径场景.基于NUHT物理层协议和这四种信道模型,搭建了本文的OFDM系统仿真平台.最后,研究LS、MMSE、LMMSE-SVD等不同信道估计方法.在理论分析基础上,对不同的信道估计方法仿真对比.     

基于神经网络的MIMO-OFDM信道估计

提出了一种适用于神经网络框架下的MIMO-OFDM系统的信道估计算法。通过对三层神经网络结构的分析,用两层神经网络实现了一种主成分分析（PCA）最小二乘学习算法。通过导频信息得到MIMO-OFDM信道模型初始值,再用神经网络算法对MIMO-OFDM信道的时变状态参数进行跟踪;采用两层神经网络,由隐层输出对最终输出修正,中间实现可变遗忘因子的改进递推最小二乘学习算法。仿真结果表明,该方法与最小二乘（LS）算法相比,在跟踪时变衰落信道时,估计的均方误差有较大提高,从而有效地改善了接收端的符号检测性。     

基于LSTM网络的OFDM系统信道估计研究与分析

长短时记忆神经网络(LSTM)由于其在序列数据处理方面的显著优势,因此在无线通信领域得到广泛地应用.本文面向OFDM系统对基于LSTM网络的信道估计方法进行系统地研究与分析.该方法对输入的训练数据进行离线训练,使其学习到信道变化特征,获取信道状态信息预测结果.仿真结果显示,利用LSTM进行信道估计,其估计性能优于传统信...     

一种基于遗传算法的RBF神经网络优化方法

提出了一种新的RBF神经网络的训练方法，采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化，用递推最小二乘法训练隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中，验证了该算法的有效性。     

基于RBF神经网络和改进遗传算法的货车车锁检测

为实现货车自动检测记录系统，需要根据货车图象检测进站货车的车锁是否存在，为此，提出了一种基于RBF神经网络和改进遗传算法的货车车锁检测方法，该方法首先提取图象的投影特征，边缘图象的线性短特征以及灰度直方图特征，然后用RBF神经网络进行检测和定位，同时引入遗传算法，利用改进后的遗传算法的高并行性和鲁棒性，可以较快地完成全局搜索，而不会陷入局部最优，实验表明，该方法能有效克服车锁种类多，变形大，以及光照变化的影响，具有较高的速度和检测成功率，能满足于实际应用。     

一种基于遗传算法的信道感知顺序设计

认知无线电中,认知用户必须不断对待选频段进行扫描以发现可用频谱用来通信。在感知能力有限的现实环境下,认知用户逐一进行信道的感知带来的问题是,感知信道越多,耗时越长,用于通信的时间就越短。所以合理设计感知顺序将是非常关键的技术。对该问题进行了全面的分析和建模,相比前人工作又引入了空闲概率和信道容量等因素,但是该问题变成了NP难问题。为了在多项式时间内求解该问题,使用了遗传算法。不仅设计了详细的算法过程,使用了精英保留等多种加速算法收敛的技术,而且重点对交叉算子进行了研究,提出了3种可行的交叉算子:单点交叉、多点交叉和编码交叉。在仿真分析中比较了遗传算法和全搜索算法的复杂度和准确度,同时以平均吞吐量和最大吞吐量为准则,对3种交叉算子进行了仿真比较,验证了编码交叉算子的相对优越性。     

基于改进遗传算法的模糊RBF神经网络控制器设计

提出一种改进的优良模式自学习模糊遗传算法,并用来优化设计模糊RBF神经网络控制器。改进的算法主要基于模糊编码、优良模式自学习算子、保留遗传算法和最优串重组。仿真结果表明,改进的遗传算法可实现模糊RBF网络结构和参数的快速、全局寻优,优化后的控制器具有很强的自适应性和鲁棒性。     

基于改进遗传算法的神经网络模型辨识

利用前向神经网络对非线性动态系统建模时存在着很大的缺陷,因此提出采用递归网络(RNN)对非线性动态系统建模。并在权值的修正上,摆脱常用BP算法的束缚,采用改进的遗传算法搜索最优权值。最后对一高阶非线性系统进行建模仿真实验,结果表明该方法是有效的。     

基于波达方向的Steiner多天线信道估计算法

针对多天线OFDM系统中时域信道训练符号采用非正化的数字序列 而导致其矩阵求逆运算计算复杂度高的问题,采用多用户CDMA系统上行链路的信道训练符号设计方法,提出了多天线Steiner信道估计方法。该方法通过时域途径设计的训练符号,使所有发射天线的训练符号矩阵成为一个循环矩阵,从而接收机可用离散傅立叶变换矩阵进行对角化,避免了信道估计矩阵求逆运算。同时,根据Steiner初始信道估计分离出每条路径的有用信息,再用每条路径的空间冲激响应来估计该路径信号的波达方向(Direction of Arrival,DOA),去除天线间接收信号的相干性,有效地利用空间信息提高Steiner信道估计的精度。实验结果表明,通过估计接收信号在每个接收天线上的波达方向角,基于波达方向的Steiner估计算法,在QPSK调制模式下获得了近0.5dB的性能提升,而在16QAM调制方式下可获得近2dB的信噪比增益。     

基于RBF神经网络预测模型的VLSI生产线智能控制算法

为了对半导体生产线进行预测控制,首先研究了利用RBF神经网络对半导体生产线建立预测模型的方法,然后利用马氏决策过程递阶方法的思路,将系统状态分成若干互不相交的区间,系统状态所属区间改变时,根据预测模型的输出,即预测的系统状态,利用所提出的智能控制算法确定将要采取的投料策略和调度策略组合对生产线进行控制．实验表明,该算法的总体性能优于若干其他常用算法．     

基于改进遗传算法的RBF网络的截球策略

在RoboCup2D仿真足球比赛中,球员的底层动作设计的好坏直接影响着比赛的输赢,特别是一些关键的动作,比如截球、传球、射门等动作。鉴于此,提出一种新的截球方法,即改进的遗传算法和RBF神经网络相结合的截球方法。该方法是用改进的遗传算法优化RBF神经网络的结构参数,通过优化,提高了网络的全局搜索效率。实验表明,经过改进遗传算法优化的RBF神经网络的截球成功率比单一的RBF神经网络截球成功率高很多。     

一种基于遗传算法的改进的BP算法

提出一种利用遗传算法对BP算法的改进方案。充分考虑了BP算法的精确性和遗传算法全局寻优的特点．使BP算法摆脱局部极小的困扰,并且所训练的网络能够达到要求的精度。     

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测.仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果.