STBC MC-CDMA系统自适应MBER多用户检测算法

针对MC-CDMA(Multicarrier code division multiple access)系统,描述了其时变多径衰落环境下采用空时分组编码(Space-time block coding,STBC)的同步上行链路模型,提出一种基于最小误比特率(Minimum biter-ror rate,MBER)的多用户检测算法。利用内核密度估计和梯度下降的方法,推导了该算法自适应实现形式。对具有2个发射天线和2个接收天线的STBC MC-CDMA同步上行链路系统进行了自适应MBER检测算法的计算机仿真。结果表明:当系统负荷较小时,该算法误码性能较好;当系统负荷较大时,该算法误码性能有所下降,但仍然优于具有类似计算复杂度的MMSE(Minimum mean squared error)自适应检测算法。     

发射分集MC-CDMA系统空时多用户检测

该文研究了在频率选择性瑞利衰落信道中的同步多载波码分多址(MC-CDMA)系统上行链路,在移动终端处使用两个发射天线,采用基于空时分组码的发射分集,基站采用分集天线接收。考虑对应于子载波的衰落系数是信道冲激响应的离散傅里叶变换,给出了采用发射分集和接收分集的MC-CDMA系统上行链路信号模型。研究了采用发射分集和接收分集的MC-CDMA系统的解相关多用户检测、最小均方误差(MMSE)多用户检测,进行联合的多用户检测和空时码解码。仿真结果验证了上述模型及算法的有效性。     

基于神经网络量子算法的多用户检测器

利用遗传量子算法和Hopfield神经网络,提出了一种融合两种算法优点的神经网络量子算法,并将其应用到CDMA通信系统的多用户检测问题中。所提算法把神经网络嵌入到遗传量子算法的每一代中,可进一步提高量子种群的适应度函数值。通过混合神经网络到GQA中,还可加快GQA的收敛速度进而减少算法的计算复杂度。另外,GQA所提供的良好初值改善了HNN的性能,嵌入的HNN也提高了GQA的性能。仿真结果证明了该方法的抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用智能算法的多用户检测器。     

基于神经网络离散混合蛙跳算法的多用户检测

为进一步提高基于离散混合蛙跳算法（DSFLA）的多用户检测性能,提出一种基于DSFLA和神经网络相结合的神经网络离散混合蛙跳算法,并用于多用户检测。在DSFLA的每一族内更新中,随机选择若干只“青蛙”采用Hopfield神经网络的寻优更新策略,进行快速迭代,寻找全局最优。仿真结果证明,基于神经网络离散混合蛙跳算法的多用户检测器在误码率、收敛速度、系统容量、抗远近能力等方面都优于传统方法和一些应用优化算法的多用户检测器。     

基于克隆粒子群优化算法的多用户检测器

针对经典离散粒子群优化算法收敛性差的缺点,设计了基于新的运动方程的离散粒子群优化算法。为了解决CDMA系统多用户检测这个NP完全问题,基于免疫克隆选择理论和新的粒子群优化算法,提出了克隆粒子群优化算法,其中,由神经元构成的粒子可以进行随机搜索和经验学习。仿真结果表明,在异步和同步CDMA系统上,该检测器的误码率性能都优于传统方法和其他一些多用户检测器,达到最优检测。     

MC-CDMA系统中的自适应半盲多用户检测算法

研究多载波CDMA(MC-CDMA)上行半盲多用户检测技术,对基于Chebyshev逼近算法实现的最小输出能量(MOE)盲多用户检测进行改进,提出MC-CDMA系统下一种基于子空间跟踪和Chebyshev逼近的自适应半盲多用户检测算法。该算法基于MOE线性检测器原理,充分利用小区内所有用户的扩频码,设计了一种基于MOE准则的半盲检测器,很好地消除了多址干扰。为了减少计算复杂度,将修正的PASTd算法应用于Chebyshev逼近算法估计MOE半盲检测器的最优权向量。该算法计算复杂度低,具有较好的抗多址干扰性能和检测性能。仿真结果验证了该算法的可行性和优越性。     

利用人工鱼群算法优化前向神经网络

人工鱼群算法(AFSA)是一种最新提出的新型的寻优策略，文中尝试将人工鱼群算法用于三层前向神经网络的训练过程，建立了相应的优化模型，进行了实际的编程计算，并与加动量项的BP算法、演化算法以及模拟退火算法进行比较，结果表明AFSA具有鲁棒性强，全局收敛性好，以及对初值的不敏感性等特点。     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

引入贪心鱼群的改进人工鱼群算法

针对人工鱼群算法(AFSA)局部寻优不精确等问题,提出一种引入贪心鱼群改进人工鱼群算法(IAFSASF)的方法.贪心鱼群具有不同于普通鱼群的行为策略,在觅食行为中贪心鱼群紧紧跟随在最优适应度的人工鱼的附近进行食物搜索,而不执行追尾和聚群行为,因此,贪心鱼群具有更好的局部寻优能力.实验证明:IAFSASF比原有算法在减少时间复杂度的同时有效提高了求解精度.     

人工鱼群算法的汽轮发电机故障诊断仿真研究

研究汽轮发电机故障准确诊断问题,由于汽轮发电机组故障特征与故障状态间呈现较强的非线性关系,传统的数学模型很难正确识别汽轮发电机的各种故障状态,诊断精度不高。RBF神经网络具有自学习、非线性处理等优,为了提高汽轮发电机故障诊断正确率,建立了一种人工鱼群优化RBF神经网络的汽轮发电机故障模型,充分利用人工鱼的聚群、追尾和觅食行为,对RBF神经网络的参数进行了优化,然后采用优化RBF神经网络对故障进行诊断。仿真结果表明,RBF神经网络可提高汽轮发电机故障诊断准确率。     

人工鱼群算法优化神经网络的网络入侵检测

为了提高网络入侵检测率,提出一种人工鱼群算法（AFSA）优化ELM神经网络的网络入侵检测模型。首先将ELM神经网络参数编码成人工鱼的位置,然后利用人工鱼群算法通过模拟鱼群的觅食、聚群及追尾行为找到最优ELM神经网络参数,最后利用最优参数的ELM神经网络建立网络入侵检测模型,并采用KDD CUP 99数据集进行仿真测试。仿真结果表明,模型不仅提高了入侵检测正确率,而且加快了网络入侵检测速度。     

一种改进的人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法。该文提出一种改进的人工鱼群算法,在觅食行为中让人工鱼直接移动到较优位置,以加快算法的搜索速度,动态调整人工鱼的视野和步长,使其在算法运行初期保持最大值,并逐渐由大变小。该算法较好地 平衡了全局搜索能力和局部搜索能力,提高了算法运行效率和精度。仿真结果表明,改进的人工鱼群算法收敛性能比原有算法提高了1倍 以上。     

基于改进人工鱼群算法的神经网络优化

针对人工鱼群算法的寻优速度慢,后期收敛性差等缺陷提出了一种并行运行方式的改进人工鱼群算法(Improvement Artificial Fish Swarm Algorithm,IAFSA)。进而应用IAFSA算法对BP神经网络初始权值进行寻优,以解决BP网络初始权值选取困难且优化过程中容易陷入局部极值的问题。最后,将IAFSA-BP网络混合算法应用于PID参数的优化,从而克服了PID控制参数难以整定的难题。通过仿真实验,结果表明:改进的人工鱼群算法寻优速度更快,优化值更加合理。应用IAFSA-BP混合算法得到的PID控制参数使得系统响应更快,稳态误差更小,系统性能得到提升。     

基于混沌遗传算子的人工鱼群算法

为提高人工鱼群算法的计算精度和收敛速度,在全局版人工鱼群算法的基础上,利用混沌遗传算子,增加鱼群迭代的混沌扰动以避免局部极值陷阱的同时较大提高了鱼群整体的优化效果和计算精度,加快了算法收敛速度.仿真结果表明,该算法有效可行.     

Multiuser Detection of Synchronous MC-CDMA in Multipath Fading Channels Using Hopfield Neural Networks

Sub-optimum multiuser reception using Hopfield Neural Network for synchronous Multicarrier Code-Division Multiple Access signals in a multipath fading channel is studied with respect to near-far ratio. We have shown that by the appropriate choice of Hopfield Neural Network parameters from the channel state information, the Hopfield network can collectively resolve the multipath fading effects and the multiple-access interference in the system. Moreover, the Hopfield Neural Network demonstrates multiple-access interference resilient performance regardless of the number of paths resolved at the receiver. We have also investigated the bit-error rate performance of the system with respect to channel estimation errors. Results show that performance of the proposed detection scheme is influenced by the correctness of the estimated channel state information.     

基于人工鱼群算法的贝叶斯网络参数学习方法

研究算法改进,提高计算性能,贝叶斯网络是解决不确定性问题的一种有效方法,在很多领域得到了广泛应用。参数学习是贝叶斯网络构建的重要环节,但含隐变量、连续变量的参数学习是非常困难的。为解决上述问题,提出了一种人工鱼群算法的贝叶斯网络参数学习方法,并进一步通过调整人工鱼随机移动速度的方法提高了算法的收敛性能和速度。最后,将参数学习方法在由Noisy-Or和Noisy-And节点组成的贝叶斯网络中进行了仿真,仿真结果表明了参数学习方法,特别是改进后方法的可行性和优越性。     

K-Means聚类算法和人工鱼群算法应用于图像分割技术

提出一种基于K-Means聚类的人工鱼群算法, 该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点, 动态的确定了聚类的数目和中心, 解决了K-Means聚类初始点选择不稳定的缺陷, 在此两种算法融合的基础上进行图像分割处理, 经试验证明该算法效果理想.     

结合人工鱼群的动态克隆选择算法的研究

针对动态克隆选择算法中检测器利用率低、全局性差的问题,提出将人工鱼群算法中具有全局性和快速收敛的追尾、聚群行为应用在动态克隆选择算法的检测器生成阶段,改进算法效率,同时解决由于随机生成检测器而带来的诸多问题.通过仿真实验,证明改进后的算法具备了人工鱼群算法的优势,弥补了自身系统前期收敛慢、检测器生成效率低的问题.     

一种改进的人工鱼群算法

提出一种改进的人工鱼群算法,对其觅食行为、追尾行为与移动策略进行改进,设定特殊觅食行为,约束群聚行为的拥挤度区间,协调移动策略,以保障每条鱼的成功觅食,避免鱼群出现早熟现象,提高全局寻优能力.最后通过实验仿真验证了该算法的有效性与精确性.