LDPC编码自适应加载MIMO-OFDM系统性能分析

介绍了LDPC校验阵的构造及编译码算法,采用了随机法构造LDPC校验阵,编码基于高斯消去直接进行译码采用无穷阶量化时的置信传播算法;讨论了OFDM自适应加载技术与多输入多输出技术,结合自适应比特功率分配算法与基于多载波调制的比特分配方案实现了该加载分配技术;给出了LDPC编码的自适应加载MIMO-OFDM系统的模型。经仿真分析得出,二元域上非规则LDPC编码的系统性能优于多元域上的,自适应加载MIMO-OFDM技术大大提高了系统传输速率,有效增强了系统抗衰落性。     

宽带MISO/OFDM传输系统的性能分析

提出了一种自适应比特和功率分配的宽带MISO/OFDM传输系统,建立了宽带MISO/OFDM传输系统的模型,并对该系统的最大子载波信噪比性能进行了分析。仿真结果表明在多径衰落信道下,与没有采用自适应比特和功率分配的传统发射分集OFDM传输系统相比,该系统的误比特性能得到明显的提高。     

一种并行的遗传／神经网络混合学习算法

提出了一种用于多层前馈神经网络训练的新算法，它把遗传算法与自适应共轭梯度学习算法集成起来。这种并行混合学习算法已经在多指令流多数据流（ＭＩＭＤ）平台实现。通过把该算法用于一个图像识别问题，对它的性能进行了评估。文中还显示了所提出的并行混合神经网络学习算法良好的收敛性。     

单用户OFDM系统中一种新的资源分配算法

针对自适应OFDM系统中满足用户QoS(这里主要指用户带宽及误码率这两个指标)要求的资源(比特功率)分配这一问题,提出了一种新的算法。该算法以每次比特分配时,使得每比特(一次可分配多比特信息)的功率代价最小为原则,获得了良好的性能。仿真结果表明:该算法在满足用户QoS要求的情况下,其发射总功率比现有的同类算法小,性能更佳。     

一种改进的SPIHT算法

一种新的嵌入零树小波ECG信号压缩编码算法(简称为改进的SPIHT算法),通过合理分配比特、改进零树集合、完善分类策略等措施能够进一步提高SPIHT算法的工作效率.该算法首先将ECG数据进行离散小波变换,然后对离散小波变换后的系数进行均匀量化,最后用基于上下文的自适应算术编码对量化后的系数进行编码.仿真结果显示,该算法压缩比大,信息损失小,能够较好地恢复原有的信号.     

一种新的自适应神经网络均衡器

根据克服数字通信中码间干扰(ISI)的最佳均衡解一般表达式,提出了一种新的自适应神经网络均衡器结构,然后导出了基于该结构的一种自适应算法和相应的学习规则,最后对这种自适应神经网络均衡器进行了计算机模拟。研究结果表明:文中提出的神经网络均衡器非常有效,比传统线性均衡器和Gibson等人提出的多层感知均衡器(MLPE)性能更优越,更具实用性。     

具有非可微激活函数的神经网络性能分析

神经网络已广泛应用于各类问题，然而ＢＰ算法要求有连续且可微的激活函数，文中提出一种用于训练非可微激活函数的神经网络学习算法。同时，利用相对熵误差测度，算法被完整地导出。实验结果表明，在解决异或问题、编码／解码问题及其补问题时，算法收敛速度非常快，收敛结果也令人满意。     

不精确信道状态信息下的自适应调制算法

提出了一种适用于多输入多输出系统的自适应调制算法,在满足总发送功率和误比特率限制条件下利用不精确的信道状态信息使系统信息传输速率最大化。该算法首先利用拉格朗日方法得到最优化问题在实数域的闭合最优解,然后将其调整为符合多进制正交幅度调制要求的离散比特数,从而获得最终的比特和功率分配结果。仿真结果表明,与传统算法相比,该算法不仅呈现对不精确信道状态信息更加鲁棒的误比特率特性,而且在相同误比特率条件下可以提供更高的频谱效率。     

采用自适应GHA神经网络的分类器设计

介绍了一种自适应逼近数据实质维的GHA神经网络学习算法。基于主元子空间分解的思想,给出了基于该算法的分类器刻画方法,对其中的刻画参数给出了详细的界定。该分类器采用监督学习机制进行训练,可以自动学习输入的主元特征子空间维数。在入侵检测领域,利用KDD CUP 1999数据集对该方法进行了仿真。采用正常连接数据训练GHA异常检测分类器,利用拒绝服务攻击数据进行了误用检测训练。并将测试结果与其他入侵检测方法进行了比较。     

基于复合正交神经网络的广义通用模型自适应控制

在自适应逆控制中应用复合正交神经网络具有算法简单、学习收敛速度快等优点,将复合正交神经网络与广义通用模型控制器策略相结合,提出了一种基于神经网络的广义通用模型自适应控制方法。该控制方法中的参考轨迹为一条典型的二阶曲线,控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

基于小波神经网络的服务器预警系统

提出了采用紧致型小波神经网络来构建服务器预警系统,将小波和神经网络直接融合,使网络训练过程从根本上避免了局部最优等非线性优化问题,小波神经元的低相关性,也使得小波神经网络有更快的收敛速度;将服务器中的日志数据数值化后进行网络训练,获得一个基于小波神经网络的入侵分类器。实验结果,表明小波神经网络系统自适应能力强、学习速度快、预警精度高、在入侵检测领域有良好的实用性。     

天气雷达回波数据的并行自适应编码

研究基于小波的并行自适应天气雷达回波数据有损压缩算法。根据回波数据的特点,提出了回波数据的坐标转换算法、矢量场保持算法及标量场滤波算法等有效的预处理算法;利用并行自适应压缩算法对预处理后的雷达回波数据进行压缩实验。实验结果表明,该算法具有较好的并行性和自适应性,在低比特率情况下,能获得较高的功率信噪比值和满意的主观效果。     

BP神经网络的LM算法及其对颗粒碰撞振动阻尼的预测

介绍了一种BP神经网络的改进Levenberg Marquardt(LM)算法原理,用这种方法对颗粒碰撞振动系统的阻尼进行了训练和仿真,并将此改进算法与传统算法进行比较.结果表明,该算法稳定、快捷,预测准确,适合应用于对实时性要求比较高的场合,且预测得到的模型与相关文献中的结果一致.     

一种非线性神经网络自校正调节器

针对一类非线性动态系统,提出了一种新的应用多层神经网络的自校正调节器,分析了基于神经网络的非线性系统自校正调节机理,并利用一种基于同构网络的自适应预测方法解决可能存在于系统的大时延问题。计算机仿真表明,这种神经网络自校正调节器为解决一类复杂非线性系统的自校正调节问题提供了一条可行的途径。     

基于BP神经网络的资产经营绩效评估模型

针对传统资产经营绩效评估模型的缺陷,提出使用BP神经网络对企业的资产经营进行绩效评 估,并对传统的BP网络进行了优化。其中自适应学习机制优化了学习率,动量项加速机制加 速了传统BP网络的收敛速度,遗传算法用于选择BP网络的初始参数。最后,采用500家工业 企业的资产经营绩效数据对模型的有效性进行了初步验证。     

基于遗传神经网络的工程造价估算方法研究

人工神经网络已经成功的运用到工程造价估算方法研究中,高度的鲁棒性和容错能力使它优于多元线性判别分析（MDA）、逻辑回归等方法（Logistic Regression）,针对传统的BP神经网络在工程造价估算方法中存在收敛速度慢和容易陷入局部最小值等问题,提出遗传神经网络的估算方法。将遗传算法和神经网络结合,充分利用两者的优点,使新算法既有遗传算法的全局随机搜索能力,又有神经网络的学习能力和鲁棒性。利用遗传算法的全局搜索能力,针对传统误差反向传播算法的不足,采用染色体编码对神经网络的权值和阈值等主要参数进行优化,通过仿真试验验证其稳定性和有效性,表明该算法在工程造价估算方法中具备较高的实用性。