筛选和记忆相结合的粒子群算法*

针对粒子群算法优化高维复杂问题出现局部最优的缺陷,提出初始粒子筛选和最差粒子记忆相结合的粒子群算法。利用熵度量粒子分量分布的均匀性,只有各分量满足均匀性要求时,该粒子才被筛选为初始粒子,以控制粒子在解空间的分布。在速度更新过程中引入最差粒子,避免粒子重复搜索曾经找到的最差位置,以提高算法的搜索效率。根据粒子寻优的成功率动态调整权重,以有效平衡深度和广度搜索能力。用本文算法优化6个经典测试函数,与3种改进的PSO算法相比,本文提出的算法不仅可以平衡局部和全局的搜索能力,还可以提高算法的搜索效率和精度。     

基于基因算法的多变量模糊控制器的设计*

本文提出了一种通用的模糊控制器的设计方法，这种方法运用基因算法进行寻优，具有设计速度快、人工干预少，可获得一个基于一定性能指标的次优或最优模糊控制器。它可以对多输入多输出（ＭＩＭＯ）系统进行设计，不需要被控对象的精确数学模型，本文最后以二级倒立摆系统为控制对象给出了一个设计实例和实际控制的结果。     

Improving fairness in IEEE 802.11 networks using MAC layer opportunistic retransmission

This paper introduces DAFMAC (Decode And Forward MAC), a scalable opportunistic cooperative retransmission enhancement for the IEEE 802.11 MAC protocol which operates without the need for additional explicit control signalling. Distributed opportunistic retransmission algorithms rely on selecting a single suitable relay without direct arbitration between nodes. Simulations show that DAFMAC offers a significant improvement in fairness for both throughput and jitter, giving multiple parallel data flows a more equal opportunity to utilise the channel. DAFMAC cooperative retransmissions are shown to reduce node energy consumption for a given throughput. Further, the DAFMAC relay selection algorithm is shown to scale very well in terms of complexity and memory requirements in comparison to other cooperative retransmission schemes.     

基于差异性和准确性的加权调和平均度量的 基因表达数据选择性集成算法

基分类器之间的差异性和单个基分类器自身的准确性是影响集成系统泛化性能的两个重要因素,针对差异性和准确性难以平衡的问题,提出了一种基于差异性和准确性的加权调和平均（D-A-WHA）度量基因表达数据的选择性集成算法。以核超限学习机（KELM）作为基分类器,通过D-A-WHA度量调节基分类器之间的差异性和准确性,最后选择一组准确性较高并且与其他基分类器差异性较大的基分类器组合进行集成。通过在UCI基因数据集上进行仿真实验,实验结果表明,与传统的Bagging、Adaboost等集成算法相比,基于D-A-WHA度量的选择性集成算法分类精度和稳定性都有显著的提高,且能有效应用于癌症基因数据的分类中。     

一种应用于ORBF算法的多权重矩阵选择策略

为了提高多用户MIMO系统下行信道的总速率,提出一种基于正交随机波束形成的多权重矩阵选择算法.在每个时隙中,该算法利用多个权重矩阵生成随机波束,基站利用部分信道信息反馈,依据总速率最大的原则选择本时隙的最优权重矩阵并进行数据发送.该算法可以显著提高多用户MIMO系统的总速率,仿真结果也证明了该算法的有效性.     

多天线阵列中基于矩阵求逆的BLAST和准正交STBC结合的HARQ算法研究

提出了多天线阵列中基于BLAST和准正交STBC结合的HARQ算法,并采用低复杂度的矩阵求逆方法进行解码。推荐的算法不是如传统的ARQ算法那样重传同样的信号,而是将数据组成准正交空时码发射矩阵,重传的时候传输发射矩阵的下一行,并和以前传输数据联合进行空时码解码。所以椎荐的算法可以额外获得空时码的分集增益,而在信道条件好和信噪比高时,由于没有重传的发生而可以获得BLAST的复用增益。对于部分发射矩阵联合空时码解码,本文提出了采用矩阵求逆的解码算法。仿真表明该算法和最大似然算法的性能相近而复杂度下降很多。本算法结合了BLAST和STBC以及HARQ的优势并采用了低复杂度的矩阵求逆算法,是一个既能够提高系统传输速率也能够提高系统抗干扰性能的HARQ方案。特别是本算法在所有接收天线数大于等于发射天线数的多天线阵列中有很强的实用性。     

融合注意力线性特征多样化的DR分级模型

糖尿病视网膜病变(diabetic retinopathy, DR)是目前人类的主要致盲疾病之一。针对DR数据集中样本类间差异小和类分布不均衡等制约分级性能提高的问题,本文提出一种融合注意力线性特征多样化(fusion of attention linear feature diversification, FALFD)的分级算法。该算法首先用改进的Res2Net残差网络作为模型骨干来增大感受野,进一步提高网络捕捉特征信息的能力;其次引入自适应特征多样化模块(adaptive feature diversification module, AFDM)对眼底图像可分辨的微小病理特征进行识别,获得具有高语义信息的局部特征,避免单一特征区域的限制,进而提高分级准确度;再后利用双线性注意力融合模块(bilinear attention fusion module, BAFM)增加可判别区域特征的网络权重占比;最后采用正则化焦点损失(focal loss, FL)进一步提升算法的分类性能。在IDRID数据集上,灵敏度和特异性分别为94.20%和97.05%,二次加权系数为87.83%;在APTO...     

Linear-Dispersion Division Multiple-Access for MIMO systems

Comprehensive study on novel Linear-Dispersion Division Multiple-Access（LDDMA） for multi-user uplink Multiple-Input Multiple-Output（MIMO）systems is proposed.In the new multiplexing scheme,each user’s information symbol is dispersed by a User-Specific Matrix（USM）both in space and time domain and linearly combined at base-station side.And a simple random search algorithm,based on capacity maximization criteria,is developed to generate a bank of USMs.Simulation results are presented to demonstrate the advantages of LDDMA.When the Bit Error Rate（BER） reaches 10^–3,the performance gains are 3dB and 5dB,compared with Time-Division Linear Dispersion Codes（TD-LDC）and BLAST,respectively.     

MIMO的研究与仿真

为了更好的利用MIMO技术,必须对MIMO信道的特性进行研究,建立适合于多天线系统的仿真模型。本文给出了一个完整的MIMO信道的仿真模型,并给出了相关的仿真算法。     

选择策略的集成学习方法研究

差异性是提高分类器集成泛化性能的重要因素。采用熵差异性度量及数据子集法训练基分类器,研究了爬山选择、集成前序选择、集成后序选择以及聚类选择策略选取个体模型的集成学习。实验结果表明,由选择策略选取差异性较大的个体模型,其集成性能表现出较好的优势;从总体角度考虑,爬山选择策略的集成性能优于集成前序选择和集成后序选择的集成性能;另外,由聚类技术选取的集成模型,当集成正确率较稳定时,则模型间的差异性变化较小;簇数也对集成性能与集成模型间的差异性产生一定的影响。