降低OFDM系统峰均比的SI-PTS算法

针对正交频分复用系统的高峰均功率比问题,在传统子块交织和部分传输序列(partial transmit sequence,PTS)算法的改进基础上提出了联合SI-PTS算法。算法中提出了1个新的子块交织方案,其中的每个子块相互交织。另外,还提出了1个新的相位因子优化方案,方案中的相位因子只有两相序列,迭代次数等于子数据块的数目,极大地降低了计算复杂度。所提算法基于传统PTS算法,利用新的优化方案优化部分传输序列,并结合新的子块交织技术,打乱原正交频分复用(orthogonal frequency division multiplexing,OFDM)信号序列,以降低其相关性,并进而降低OFDM系统的PAPR值。仿真结果表明,SI-PTS算法与传统PTS、SLM算法相比,能有效地改善OFDM系统的PAPR性能,并在保持系统误码率性能的前提下,有效地降低计算复杂度;SI-PTS算法对PAPR的抑制能力随着子载波数目的增加而下降,随着分组数的增加而提高。     

一种新的MIMO-OFDM信道估计的低复杂度设计方法

针对多输入多输出-正交频分复用(MIMO-OFDM)系统信道估计导频损耗和算法复杂度问题,提出了一种低复杂度的MIMO-LS算法设计方案,它要求每根发射天线中的导频序列为等间隔排列,而不同天线间的导频序列相互相移正交。当在OFDM导频符号中选取一个合适的导频间隔时,对比传统的最优导频设计方法,提出的MIMO-LS算法在基于最小均方误差-峰值平均功率比(MSE-PAPR)双准则的前提下,最大程度降低导频损耗和算法复杂度。计算机仿真验证了此算法的有效性。     

基于改进人工鱼群算法的空间桁架结构优化研究

以工程应用为目标,针对基本人工鱼群算法在优化过程中存在的很多不足,对人工鱼的搜索视野和移动步长进行了改进,提出了一种改进的自适应人工鱼群算法,并结合对一个25杆空间桁架结构进行形状优化设计,比较详细的介绍了运用该方法进行优化的思想和策略,表明了改进的鱼群算法的可行性。     

降低OFDM系统PAPR的改进PTS算法

提出了1种基于改进布谷鸟算法的相位因子搜索算法,首先构造鸟巢代表相位因子,然后根据布谷鸟的产卵特性,在搜索区域范围内寻找其他鸟巢,并向邻域位置内寻找更优的产卵鸟巢,从而搜索相位因子最优值。分析和仿真实验结果表明,在相同的条件下,所提出的算法能更加准确地搜索出相位因子,从而使正交频分复用系统中的峰均功率比降低0.3~0.7dB。     

粒子群-鱼群混合算法在桁架结构优化设计中的应用

群智能算法由于其优异的搜索性能被广泛应用于结构优化设计,人工鱼群算法和粒子群算法都是基于动物群体行为的智能优化随机算法.本文介绍了人工鱼群算法和粒子群算法的基本原理,并提出了粒子群和鱼群杂交混合的一种新方法:粒子群-鱼群混合算法,将粒子群-鱼群混合算法应用到四个桁架结构的重量优化设计,包括平面桁架结构和空间桁架结构,通过比较粒子群-鱼群混合算法、人工鱼群算法、粒子群算法的优化结果,发现改进的粒子群-鱼群混合算法具有收敛精度高、收敛速度快等特点,同时具有较好的稳定性,可用于结构优化设计.     

基于改进人工鱼群算法的协作频谱感知用户选择策略

选择次用户是协作频谱感知的一个关键环节。针对次用户选择问题的特点,在基本人工鱼群算法AFSA基础上,通过取消鱼群密度、取消人工鱼的随机游动、改变公告板记录规则、保留每次迭代最优位置、增加最优人工鱼的觅食次数并缩小视野提出改进的人工鱼群算法次用户选择策略。仿真结果表明,对于最优次用户组选择问题,本文提出的修正AFSA在寻优成功率和运行时间等方面优于传统的AFSA。     

AVO岩性参数反演的改进人工鱼群算法研究

为及时获取地震岩性参数,提出了基于动物自治体模型的人工鱼群算法进行参数反演。该方法对鱼群算法采取分阶段策略进行改进,并增加了跳跃与吞食行为,从而使鱼群更容易跳出局部最优得到性能优化。对振幅随炮检距变化(AVO)的实际数据参数反演的结果表明,与标准人工鱼群算法相比,改进的鱼群算法的反演精度与寻优时间都得到很大改进,表现出更强的寻优泛化能力。     

基于微人工鱼群算法优化RBF神经网络

在人工鱼群算法的基础上提出了一种新的优化算法--微人工鱼群算法,作为径向基神经网络(RBFNN)的训练算法.微人工鱼群算法利用两个鱼群(寻优鱼群和库存鱼群)来寻优,寻优鱼群使用人工鱼群算法来寻找全局最优解,库存鱼群保证了寻优鱼群的多样性,微人工鱼群算法使RBFNN的隐中心位置和相应的宽度值同时得以优化,提高了RBFNN的泛化能力.将微人工鱼群算法优化后的RBFNN应用于双螺旋和IRIS分类,试验结果表明,相对于K-means以及人工鱼群算法,本文方法在泛化能力上得到提高.     

改进的粒子群-模拟退火算法在桁架结构优化设计中的应用

由于粒子数目多,维数大,用粒子群算法求解多约束问题的迭代求解过程需耗费大量时间。受达尔文的优胜劣汰自然法则启发,在粒子群算法中引入淘汰择优机制。使算法随着迭代次数增加,适应能力较差的粒子逐步被淘汰。最后留下的最优粒子需要较低的温度进行退火求解,寻得全局最优解。多峰值函数测试表明,改进后的算法能够高效率跳出局部最优寻得全局最优解。将改进的算法用于空间桁架结构优化,经算例表明,改进后的粒子群模拟退火串行算法降低了算法的求解复杂度,具有较好的稳定性和较优的收敛性,适用于空间桁架结构截面尺寸优化设计。     

全局人工鱼群优化BP神经网络在火灾探测中的应用

针对传统的火灾探测器存在火灾报警准确性低、有延迟等问题,提出了利用全局人工鱼群算法优化BP神经网络的预测算法。该算法以温度、烟雾浓度和CO浓度为BP神经网络的输入,火灾的3个等级作为输出,融合了鱼群算法全局搜索能力强和鲁棒性强的特点。对BP神经网络的初始化权值和阈值进行优化,得到最优人工鱼后,用最优的权值和阈值进行神经网络训练,选取40组数据作为训练组,10组数据作为测试组。从仿真结果看,BP神经网络的训练和预测的误差分别为0.091 4和0.458 4,优化后的分别为0.045 2和0.088 2,且收敛速度变快,迭代次数减小,应用在火灾探测中有更多的优势。