排序方式: 共有117条查询结果,搜索用时 15 毫秒
21.
22.
23.
针对如何提高信息中心网络的网内缓存性能,提出了一种基于概念漂移学习(concept drift learning,简称CDL)的自适应缓存策略.考虑到节点数据和内容数据的相互感知对缓存性能的影响,将节点和内容的状态数据流作为网络资源,对提取的多维状态属性数据和缓存匹配数据进行分析挖掘,利用学习到的状态属性与缓存匹配之间的函数映射关系,即概念,对未来时期内的节点与内容间的匹配关系进行预测.为提高匹配算法的准确度,在学习过程中,提出了一种基于信息熵的概念漂移识别算法,当根据状态属性的信息熵变识别出漂移后,利用提出的基于概念重现的缓存算法,重新定义函数映射关系.仿真实验结果表明,该策略与CEE,LCD,prob和OPP策略相比,降低了网络运行成本,提高了用户体验质量. 相似文献
24.
25.
26.
27.
28.
29.
针对方向向量偏差会导致最小均方(LMS)算法的性能急剧下降这一问题,提出了一种基于可变对角载入的顽健自适应波束形成算法.采用最陡下降法对信号方向向量进行优化求解,并在每次迭代过程中更新对角载入值,进而求出最优的权重向量,避免了矩阵求逆运算和特征值分解运算,大大降低了计算复杂度.通过建立步长与输入信号的关系得到可变的步长因子,克服了收敛速度和稳态误差之间的矛盾.该算法收敛速度快,抗扰动性强,对信号方向向量偏差具有很强的顽健性,从而改善了阵列输出的信干噪比,使其更接近最优值.理论分析和仿真结果表明与传统自适应波束形成算法相比,所提顽健算法具有更好的性能. 相似文献
30.
阵列指向性偏差会导致线性约束最小二乘恒模算法(LSCMA)的性能急剧下降,为此提出了一种基于二次型约束的鲁棒LSCMA算法。该算法通过对期望信号波达方向附近小区域内的方向向量的误差模值进行约束来构造一种新的代价函数,并在此函数下迭代更新权重向量,以提高算法的鲁棒性。该算法收敛速度快,稳态性能好,能够有效地解决干扰捕获问题,对阵列指向性偏差具有很强的鲁棒性,从而改善了阵列输出的信干噪比,使其更接近最优值。仿真结果表明:与线性约束最小二乘恒模算法相比,所提鲁棒算法提高了输出性能,降低了计算量,易于实时实现,且能适应实际复杂的通信环境。 相似文献