基于GA-IPF的PCMA信号盲分离算法

针对非合作接收PCMA信号盲分离问题,提出一种遗传改进粒子滤波算法（Improved Particle Filtering based on Genetic Algorithm,GA-IPF）.该算法以粒子滤波的算法框架为基础,建立多个状态空间分布以逼近真实后验概率密度;同时引入遗传算法替代重采样产生新粒子,增加粒子多样性,避免了重采样过程中的粒子耗尽问题.仿真实验表明,该算法载噪比为9 dB时,分离准确率达到95%,与QRD-M Gibbs等算法相比,信号捕获能力提高4 dB,且算法复杂度降低近60%.     

一种高效的分布式爬虫系统负载均衡策略

传统分布式爬虫系统负载均衡方法仅考虑少量的负载影响因素,未对各爬虫节点负载情况进行全面有效的评估,使得任务量的分配不合理。针对该问题,提出一种面向分布式爬虫系统的高效负载均衡策略。分析影响爬虫节点运行时间的因素,采用BP神经网络构建基于多影响因素的非线性分布式爬虫节点运行时间模型。以该模型预测的各子节点运行时间的最小方差为负载均衡策略的目标函数,并利用带约束条件的改进粒子群优化算法求解目标函数,确定负载均衡的任务分配方案。实验结果表明,该负载均衡策略在满足爬虫节点高性能要求的前提下,能有效缩短分布式爬虫系统的运行时间。     

利用粒子流滤波的单通道BPSK信号盲分离算法

由于粒子滤波本身的"粒子贫化"问题,导致基于传统粒子滤波的单通道信号盲分离算法分离性能恶化以及计算量较大,本文提出了一种基于粒子流滤波的单通道BPSK信号盲分离新算法。根据由两路BPSK信号混合的单通道信号,构造了测量方程和状态方程。然后,通过将状态空间中服从先验分布的粒子移动到其对应的后验分布上,实现了粒子更新,其不同于粒子滤波采用重采样来更新粒子,避免了"粒子贫化"现象发生。最后,采用一种基于弱解形式的粒子流滤波器实现BPSK信号的盲分离。计算机仿真结果表明,与粒子滤波算法相比本文算法具有更低的误码率和计算复杂度。     

多径衰落信道下MQAM信号的调制识别

提出了一种在多径衰落信道下基于阵列接收的盲均衡调制识别算法。该方法采用多天线接收的结构,把各阵元接收到的信号进行选择性联合(SelectionCombiner)处理,再利用自适应盲均衡算法的代价函数作为识别特征进行信号识别。仿真表明,该方法在较高信噪比时可以识别多径信道下的MQAM信号。     

粒子滤波在无线通信中的应用综述

粒子滤波是一种基于贝叶斯原理的序贯Monte-Carlo方法。序贯重要性采样（SIS）算法是粒子滤波的核心算法。粒子滤波算法在处理非线性、非高斯系统的状态估计问题上优于其他滤波方法。本文对粒子滤波算法的基本原理及其在无线通信中的应用进行综述,重点介绍其中的几种典型应用：在盲均衡、衰落信道下的盲检测、多用户检测和衰落信道下的空时解码中的应用,并分别给出了每种应用的状态空间模型、权值更新公式和算法应用过程,并从性能、复杂度和适应性的角度分析了粒子滤波的应用优势。最后展望该算法在无线通信领域应用的发展方向。     

基于预测的移动目标跟踪节点协同调度算法

节点调度是分布式传感网降低节点能耗、延长网络寿命的重要手段。针对基于传感网的目标跟踪应用,提出目标运动和节点感知模型,并在此基础上提出一种基于预测的移动目标跟踪节点协同调度算法。算法利用粒子滤波构造节点感知功效函数,利用一种均衡节点剩余能量的方法构造感知能效函数,选举出参与目标跟踪过程的感知组成员。仿真结果表明,该算法具有较高的目标跟踪和定位精度,且可有效平衡节点之间的能耗分布。     

基于混合采样的多模型机动目标跟踪算法

提出了一种新型的基于混合采样的多模型粒子滤波算法,该算法能够有效降低多模型粒子滤波器的采样粒子数. 文中证明了这种基于混合采样的粒子滤波算法是一种多模型粒子滤波算法. 该算法的计算复杂度与单模型粒子滤波算法相当. 仿真实验表明,与已有的多模型粒子滤波算法相比,算法的计算复杂度大幅降低.     

基于分布式粒子滤波的二进制无线传感器网络目标跟踪

为了提高二进制无线传感器网络跟踪算法的精度和实时性,降低传感器节点能耗,将分布式粒子滤波运用到二进制无线传感器网络中进行目标跟踪。选择信号强度最大的节点作为簇头节点,在簇头单跳通信范围内的所有节点和簇头组成对目标跟踪的动态分簇,在簇头节点进行粒子采样和状态估计,在簇头之间传递粒子及其权值,从而得到了二进制无线传感器网络的分布式粒子滤波跟踪算法。研究了粒子数和网络节点数量对跟踪精度的影响。仿真结果表明,传感器的节点数量会影 响跟踪精度,但是粒子数对跟踪精度的影响更大。同时分布式粒子滤波比集中式粒子滤波具有更好的实时性和更低的能耗。     

分簇传感网络分布式粒子滤波气体释放源定位算法

针对环境监测与污染控制领域中气体释放源定位问题,提出一种动态分簇传感网络分布式粒子滤波定位算法。基于气体扩散模型推导了分布式粒子滤波算法用于实现气体释放源参数并行估计;根据参数估计量协方差的迹和能耗参数构建了网络能耗均衡模型,并对其寻优完成下一个簇集的节点调度与建簇;最终通过迭代运算实现气体释放源定位。仿真结果分析表明,该方法在保证参数量估计和定位精度的同时可有效降低节点能耗平衡网络生命周期。     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

面向C-V2X通信的基于深度学习的联合信道估计与均衡算法

为了在不显著提升计算复杂度的情况下,有效提升通信系统的误码率（BER）性能,利用深度学习在数据处理方面的强大能力,提出一种面向基于蜂窝网络的车联网（C-V2X）通信的基于深度学习的联合信道估计与均衡算法——V-EstEqNet。与传统算法分两个阶段分别进行信道估计与均衡不同,V-EstEqNet将通信系统接收机中的信道估计与信道均衡进行联合考虑,并利用深度学习网络直接对接收数据进行校正和恢复,无须进行显式的信道估计环节即可完成信道均衡。具体而言,首先利用大量的接收数据对网络进行离线训练,使网络学习到叠加在接收数据中的信道特性;然后利用该特性恢复原始的发送数据。仿真实验结果表明,在不同的速度场景下,所提算法可以更加有效地追踪信道特性;同时,相较于传统信道估计算法（最小二乘法（LS）和线性最小均方误差法（LMMSE））配合传统信道均衡算法（迫零（ZF）均衡算法和最小均方误差（MMSE）均衡算法）,所提算法在低速环境下有最高有6 dB的BER增益,在高速环境下最高有9 dB的BER增益。     

复数系统中三、二阶归一化累积量盲均衡算法的研究

采用对称—反对称变换原理,提出了一种基于复数系统三、二阶归一化累积量盲均衡算法,克服了对称信号三阶累积量为零而无法进行信道均衡的缺点。计算机仿真表明,该算法实现简单,收敛效果好,稳态剩余误差小,其性能优于已有的一些同类算法。     

协同系统中基于误比特率的波束成形设计

针对频率选择性信道下放大转发模式的多中继协同系统的波束成形因子设计问题进行研究。以最小化接收端总误比特率(BER)为目标,提出了一种两阶段的波束成形设计方法。所提方法可以有效降低设计的难度和复杂度,并且可以使接收端的总BER最小。仿真结果表明,与现有算法相比,本算法可以显著降低接收端的误比特率。     

基于可信度的加权协作频谱检测算法

协作频谱检测技术可以有效解决认知无线网络本地检测存在的信道衰落、隐藏终端等问题。论文研究了加权协作频谱检测技术,提出一种基于可信度的协作频谱检测算法。每个感知节点基于最大最小值特征值检测完成本地频谱检测,并与融合中心的全局检测结果进行比较估计各自感知节点的频谱检测可信度;融合中心利用切尾平均法计算参与频谱协作检测的可信度门限,并选择可信度大于门限的感知节点参与协作频谱检测。该算法有效降低了认知网络协作检测的复杂性,提高了频谱检测性能,在噪声波动环境下具有良好的鲁棒性。仿真结果表明,算法频谱检测性能要优于其它加权算法1~3 dB,节省系统开销43.75%左右。     

Feedforward neural network for blind equalization with PSK signals

Most of the cost functions used for blind equalization are nonconvex and nonlinear functions of tap weights, when implemented using linear transversal filter structures. Therefore, a blind equalization scheme with a nonlinear structure that can form nonconvex decision regions is desirable. The efficacy of complex-valued feedforward neural networks for blind equalization of linear and nonlinear communication channels has been confirmed by many studies. In this paper we present a complex valued neural network for blind equalization with M-ary phase shift keying (PSK) signals. The complex nonlinear activation functions used in the neural network are especially defined for handling the M-ary PSK signals. The training algorithm based on constant modulus algorithm (CMA) cost function is derived. The improved performance of the proposed neural network in both, stationary and nonstationary environments, is confirmed through computer simulations.     

快速协方差交叉融合算法及应用

针对分布式传感网络系统中存在互协方差未知的情形, 融合系数的科学设计对于融合性能至关重要. 本文以各节点估计方差矩阵逆的迹的倒数作为计算融合系数的中间变量, 设计了一种序贯快速协方差交叉融合算法, 可以显著减少各个融合节点的计算量, 能够保证各融合节点融合结果相同. 在给定系统的误差方差上界约束与优化指标前提下, 该融合算法结合粒子群优化算法, 能够给出对分布式系统中各个节点的传感器精度要求. 工程实践中, 可为传感器的选型提供理论依据. 最后, 给出了一个分布式网络传感器精度选型的算例及快速协方差交叉融合算法在雷达网中的应用实例.     

适用于高阶QAM信号的多模混合盲均衡算法

为了提高高阶QAM信号的盲均衡性能,本文提出了一种新的多模混合盲均衡算法.该算法首先对加权多模盲均衡算法进行改进,提出了新的加权因子选取方法;然后将其与判决引导算法有机结合,构造出新的多模混合盲均衡代价函数对均衡器系数自适应更新.与其他盲均衡算法相比,该算法不仅降低了均衡后的稳态误差,增强了对不同调制阶数的适应能力,而...     

坐标变换并行软切换盲均衡算法及其DSP实现

针对超指数迭代盲均衡算法(SEI)均衡高阶非常模QAM信号时均方误差较大甚至失效的缺陷,提出了一种坐标变换指数迭代并行软切换盲均衡算法(CTSEI-DD)。该算法将坐标变换引入到超指数迭代盲均衡算法中,并与判决引导DD算法结合,以软切换方式并行运行,充分发挥了坐标变换、超指迭代数算法及DD算法的优点,收敛速度快、均方误差小,适合于对高阶非常模QAM信号进行有效均衡。在利用Matlab工具对该算法性能进行验证并获得该算法中各参数值的基础上,在集成开发环境(CCS)中,编写C语言代码并进行调试,在TMS320VC5509芯片实现了该算法。     

奇对称误差函数变动量因子盲均衡算法

在分析奇对称误差函数判决反馈盲均衡算法（OFA-DFE,Odd symmetry error Function blind equalization Algorithm based Decision Feedback Equalizer）基础上,提出了基于奇对称误差函数变动量因子判决反馈动量盲均衡算法（VMFMOFA-DFE,Variable Momentum Factor Momentum OFA-DFE）。该算法采用具有奇对称性的误差函数来减少均衡器的均方误差,利用变因子的思想对动量项进行控制,并把变动量因子引入到判决反馈算法中,对判决反馈的前向权进行调整,以进一步提高算法的性能。水声信道的仿真结果表明,该算法具有较快的收敛速度和较小的均方误差。     

Hybrid simplex genetic algorithm for blind equalization using RBF networks

The purpose of this paper is to derive a hybrid simplex genetic algorithm for nonlinear channel blind equalization using RBF networks. Most of the algorithms for blind equalization are focused on linear channel models because of their simplicity. However, most practical channels are better approximated by nonlinear models. In order to find an effective method for nonlinear channel blind equalization, here, the equalizer based on RBF networks which is constructed from channel output states instead of the channel parameters is considered. Using the Bayesian likelihood cost function defined as the accumulation of the natural logarithm of the Bayesian decision variable, the problem becomes to maximize the Bayesian likelihood cost function with the dataset which composes the RBF equalizer’s center. For this high dimensional complex optimal problem, the proposed hybrid simplex genetic algorithm solves it by incorporating the simplex operator with GA, and obtains a good convergence characteristic and satisfied equalization result.