TD-LTE系统中ACK复用反馈算法研究

当TD-LTE系统中用户使用ACK/NACK Multiplexing模式进行HARQ反馈时,在PUCCH信道上承载反馈结果,反馈结果的取值存在二义性,使得演进型基站(eNB)无法获取确切的反馈结果。为此,提出一种基于终端(UE)空口质量的ACK/NACK Multiplexing反馈结果判决算法。eNB根据每个UE上报的CQI/PMI/RI等表征UE空口质量的参数,并结合eNB监控的UE数据发送和接收误块率,对上报的CQI参数进行修正,将经过处理后的CQI反馈参数输出至分组调度器。对存在二义性的反馈结果进行判决,以便获取较准确的反馈结果。相应的平台仿真结果表明,该算法能够降低系统误块率,增加系统吞吐量。     

UE速度和CQI时延对LTE/LTE-A系统效率的影响

针对无线信道复杂的时变特性,采用自适应调制编码(AMC)技术进行下行资源的调度,以提高LTE/LTE-A系统的可靠性和系统性能。AMC技术的关键是网络端使用终端反馈的实时信道质量指示(CQI)进行下行调度,但现有LTE/LTE-A系统中,为了简化系统设计,大多并未考虑CQI时延带来的影响。因此,建立LTE/LTE-A系统模型,并结合WINNER II信道模型,对不同信道环境下CQI时延和用户设备(UE)速度对LTE/LTE-A系统的影响进行仿真分析。分析结果表明,LTE/LTE-A系统的效率随着终端速度和CQI时延的增加而降低,并且在恶劣的信道环境下,终端速度和CQI时延对LTE/LTE-A系统效率的影响更严重。     

LTE下行基于QoS的混合业务调度算法

针对现有调度算法不能同时满足多用户多业务的性能需求等问题,提出了一种新的基于服务质量（QoS）的长期演进（LTE）项目下行调度算法。该算法改进了修正的最大加权时延优先（M—LWDF）算法的延时分式,用信道质量指示（CQI）值直接替代用户的瞬时速率,降低了计算复杂度。此外,兼顾了确保比特率（GBR）和QoS等级标识符（QCI）等QoS参数。仿真结果表明,该算法在保证小区的频谱效率的前提下,降低了实时业务的延时,提高了非实时业务的吞吐量,对LTE下行链路是一个很好的选择。     

M-WiMAX中马尔可夫预测的M-LWDF调度算法研究

在M-WiMAX系统中为了获得多用户分集增益,更好地发挥自适应调制编码(AMC)的作用,在改进的最大加权时延优先算法(M-LWDF)基础上设计出一个预测的M-LWDF跨层分组调度算法(Pre-LWDF)来调度系统中的实时业务。M-LWDF调度算法在调度判决表达中以调度时刻瞬时速率作为参数,这会影响调度的稳定性和整体性能,尤其在移动无线通信中更加明显。提出用马尔可夫预测模型来计算下一调度时刻的瞬时速率,平滑当前瞬时速率,减小移动无线信道瞬时速率对调度性能的影响。平滑后的瞬时速率能更好地代表移动信道传输速率的变化趋势。仿真结果表明,该调度算法保证了实时业务流的服务质量,提高了系统的平均吞吐量和公平性。     

一种多用户MIMO系统中有限反馈预编码算法及性能分析

多用户多输入多输出(MIMO)系统中,用户可以通过反馈的方式把信道状态信息(CSI)传递给基站,基站利用该CSI进行预编码或者用户调度,可以有效地提取复用增益。但是传统的反馈方式,反馈量太大,占用过多上行资源。针对收发都是多天线条件的多用户MIMO系统,提出一种基于Grassmannian码本的有限反馈预编码方法,通过对用户信道矩阵进行量化,每个用户仅仅需要反馈一个序号而不是信道矩阵,从而大大减少了反馈量。通过对系统误码率(BER)和吞吐率的仿真,表明了该方法能保证系统性能。同时,由于信道估计存在误差,量化过程存在误差,所以,分析了信道矩阵误差对于新方法性能的影响,得到了系统吞吐率同信道矩阵误差的方差,以及基站发射功率三者的关系,并通过仿真进行验证,从而为评估信道估计和量化过程的优劣提供了理论依据。     

LTE MAC层低计算量的下行调度及资源分配

针对现有调度算法不能同时满足多用户的实时和非实时业务的性能需求及算法的计算量大等问题,提出了一种新的基于服务质量（QoS）的长期演进项目（LTE）下行调度算法。该算法在修正的最大加权时延优先（M-LWDF）算法的基础上引入了平衡因子,并利用用户上报的信道质量指示（CQI）值直接替代瞬时速率。仿真结果表明,该算法在保证公平性的前提下,降低了计算复杂度,当小区用户数达到45时,业务的丢包率下降了6.71%,系统整体的吞吐量提高了12.91%。     

MIMO-OFDM系统中的自适应DWT-CQI反馈压缩算法

针对多用户MIMO-OFDM系统中信道质量指示(CQI)反馈信息量较大的问题,提出一种基于离散小波变换(DWT)的压缩算法.为了进一步降低反馈信息开销,根据天线间相关性、子载波间相关性以及小波变换本身的特点设计了一种自适应方案.仿真结果表明,在V-BLAST+OFDM系统中,本压缩算法在BER性能下降较小的前提下可减少大量反馈信息,能灵活地实现系统性能和反馈开销之间的折中.     

科技动态

正安捷伦率先推出LTE-Advanced Up link 4×4MIMO信号生成解决方案2014年3月31日,北京——安捷伦科技公司(NYSE;A)日前推出业界首个LTE-Advanced eNode B接收机的性能,该解决方案通过N7624B/25B     

一种改进的LTE上行信道估计方法研究

信道质量指示与混合自动重传请求应答是3GPP LTE系统中重要的反馈信息,在物理上行控制信道PUCCH中的传输采用联合编码和单独编码方式。当上行控制信息UCI单独编码时,CQI参考信号中嵌入ACK比特,减少了用于信道估计的参考信号并且降低了信道估计性能。针对此问题提出一种改进的上行信道估计解决方案,仿真结果表明了该算法在高速多普勒频移环境下依然具有较好的性能,该算法已应用于TD-LTE无线综合测试仪表的开发中。     

基于优先级分类的工业无线网络确定性调度算法

确定性调度技术对于工业无线网络数据的实时性和确定性传输有着重要意义.本文针对工业无线网络数据流本身存在优先级分类属性的情况,基于多信道时分多址接入(TDMA)技术,在分析高优先级数据流对低优先级数据流造成的链路冲突延时和信道竞争延时基础上,对网络进行调度预处理,进而排除参数不合理的网络,并向网络管理者反馈.对于通过预处理的网络,调度算法优先为高优先级数据流的链路分配时隙和信道资源,而对属于同一类优先级的数据流,提出一种基于比例冲突空余时间的调度方案,在满足可调度性条件的前提下,根据各链路的比例冲突空余时间值从小到大依次分配时隙和信道资源.实验结果表明,所提出的调度算法可以取得较高的网络调度成功率.     

基于小波变换与支持向量机的短期电力负荷预测

利用多分辨分析的小波变换对短期电力负荷序列进行分解处理，将负荷序列投影到不同的尺度上，对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测，最后把各预测的结果叠加得到完整的负荷预测结果。算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力。     

基于遗传神经网络的超混沌时间序列预测

研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在保证预测精度的基础上消去部分隐节点以降低网络复杂性,利用遗传算法具有的全局寻优能力重新训练网络,利用具有局部寻优能力BP算法再次训练该网络。对Mackey-Glass时滞混沌系统预测实验结果表明,改进算法的泛化性能优于经典BP网络,归一化预测精度提高10倍多,能够较好地解决超混沌系统的预测问题。     

Financial forecasting using ANFIS networks with Quantum-behaved Particle Swarm Optimization

To be successful in financial market trading it is necessary to correctly predict future market trends. Most professional traders use technical analysis to forecast future market prices. In this paper, we present a new hybrid intelligent method to forecast financial time series, especially for the Foreign Exchange Market (FX). To emulate the way real traders make predictions, this method uses both historical market data and chart patterns to forecast market trends. First, wavelet full decomposition of time series analysis was used as an Adaptive Network-based Fuzzy Inference System (ANFIS) input data for forecasting future market prices. Also, Quantum-behaved Particle Swarm Optimization (QPSO) for tuning the ANFIS membership functions has been used. The second part of this paper proposes a novel hybrid Dynamic Time Warping (DTW)-Wavelet Transform (WT) method for automatic pattern extraction. The results indicate that the presented hybrid method is a very useful and effective one for financial price forecasting and financial pattern extraction.     

基于ArcObject和GM(1,1)的海岸线预测系统

海岸线变化对海岸带地区的可持续发展有重要的影响作用。该文以 Microsoft C#.NET为软件平台,应用ESRI公司提供的组建对象模型对象库——ArcObjects,利用GM(1,1)模型,通过设置预测原点和侧线,并与海岸线矢量数据进行叠加,得到若干GM(1,1)原始数列,由此计算出海岸线变化的预测点,实现了对海岸线变化的趋势预测,并将该预测系统应用于辽宁省国土资源规划地理信息系统中。     

蚁群算法在需水预测模型参数优化中的应用

为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%;2）预测精度相对误差绝对值分别小于6%、11%和12%;3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。     

CFW的CBR与ART-KNN集成智能预测

结合基于案例推理（CBR）方法和ART-KNN网络，提出了一种黄瓜枯萎病（CFW）的集成智能预测方法。与传统的CBR相似案例检索任务不同的是，该方法用受训ART-KNN网络对新案例分类后根据提出的案例相似性测度来计算相似案例集。对ART-KNN网络的分类性能进行测试，确定了网络的最优相似参量ρ，得到最高平均分类正确率达94.4%。对CFW进行预测，确定了案例相异阈值R的最优范围，得到病株率、病叶率的最优平均预测误差率分别达7.4%、9.3%。综合分析结果表明，提出的CBR与ART-KNN集成预测方法可为CFW的防治提供较为可靠的预测数据以及辅助决策信息。     

支持向量机在天然气企业产量预测中的应用

天然气企业副产品产量受市场的波动影响很大,对于副产品产量的预测,通常都是依靠工作人员的经验,工作量大,效率不高。回归统计分析方法及传统的机器学习方法在这个领域的应用存在着一些局限性,介绍一种新的机器学习算法—支持向量机,以企业为背景,运用支持向量机算法来解决预测问题,实验证明采用支持向量机能够满足企业的需求,得到满意的效果。     

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测.对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量.对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值.仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性.     

Forecasting reservoir monthly runoff via ensemble empirical mode decomposition and extreme learning machine optimized by an improved gravitational search algorithm

Monthly streamflow prediction plays a significant role in reservoir operation and water resource management. Hence, this research tries to develop a hybrid model for accurate monthly streamflow prediction, where the ensemble empirical mode decomposition (EEMD) is firstly used to decompose the original streamflow data into a finite amount of intrinsic mode functions (IMFs) and a residue; and then the extreme learning machine (ELM) is employed to forecast each IMFs and the residue, while an improved gravitational search algorithm (IGSA) based on elitist-guide evolution strategies, selection operator and mutation operator is used to select the parameters of all the ELM models; finally, the summarized predicated results for all the subcomponents are treated as the final forecasting result. The hybrid method is applied to forecast the monthly runoff of Three Gorges in China, while four quantitative indexes are used to test the performances of the developed forecasting models. The results show that EEMD can effectively separate the internal characteristics of the original monthly runoff, and the hybrid model is able to make an obvious improvement over other models in hydrological time series prediction.     

基于IP和GEP算法的股票预测

采用免疫算法和基于基因表达式编程的混合算法建立了股票指数预测模型。实验结果显示,该模型能够以相当高的精度预测股票指数。