新的变步长归一化最小均方算法

为了解决最小均方 (L east Mean Square,L MS)算法收敛速度和稳态误差之间的矛盾 ,提出了一种新的变步长归一化 (Norm alized) L MS(NL MS)算法。这种算法根据滤波器系数的梯度计算新的步长。当算法尚未收敛时 ,使用较大的步长 ;随着收敛程度的加深 ,逐渐减小步长。试验显示了该算法具有很好的收敛性能和跟踪性能。与其它的变步长L MS算法相比 ,该算法在标准 NL MS算法基础上增加的运算量和存储量都很少且与阶数无关 ;而且该算法的参数受观测噪声的影响很小 ,在观测噪声强度发生变化的情况下不需要重新调整参数 ,仍然可以保持很好的收敛性能     

独立假设下的最优变步长LMS模型和算法

为了解决LMS(least mean square)算法中收敛速度和稳态误差之间的矛盾, 基于独立假设, 以最小均方误差为准则, 提出并证明最优步长定理, 说明最优步长和均方误差之间存在一一映射的关系; 以此构造最优变步长LMS(optimal variable step-size LMS, OVS-LMS)模型, 确定了变步长LMS算法收敛速度的理论极限; 讨论了最优初始相对步长的选取方法和未知系统跳变时最优步长的计算. 根据导出的两个最优步长迭代式, 提出OVS-LMS算法. 仿真结果表明, 该算法和OVS-LMS模型的学习曲线基本一致, 证明该算法是独立假设条件下的最优变步长LMS算法.     

基于Markov链的最优多播机会路由算法

如何提高网络容量是无线网络领域的重要研究内容之一.无线信道固有的时变与广播特性在传统路由中未被有效应用,机会路由（opportunistic routing）可以利用这些特性,实现分集.另一方面,多播（multicast）可以利用网络中广泛存在的一对多业务,通过单次传输将数据送达多个目标节点,提高传输效率.本文中提出从Markov状态转移的角度研究多播机会路由问题,采用estimated transmission count（ETX）作为度量,设计了最优多播路由算法least ETX multicast opportunistic routing（LEMOR）,证明了利用LEMOR可得到最小的端到端ETX.仿真结果表明,与仅使用机会路由和仅使用多播相比,同时使用机会路由和多播的LEMOR算法能够显著提高网络的吞吐率.     

低延时无线协作视频传输系统中继选择策略

无线视频传输中数据帧长度变化较大,信源数据速率不断变动,根据该特点提出了低延时无线协作视频传输系统。从理论上分析了该系统的延时性能和误码率,提出了系统最小延时传输方案。在该传输方案下,设计了3种不同复杂度的中继选择策略,即穷搜、衍生、排序策略。仿真结果表明:采用系统最小延时传输方案进行视频传输,可以在保证系统延时性能的基础上降低系统误码率。随着可选中继节点数量的增加,系统误码率逐渐降低。3种不同中继选择策略的误码率差距不大。相较于穷搜策略,衍生、排序策略具有更低的算法复杂度,尤其是排序策略的复杂度仅为线性复杂度。     

MANET中TCP拥塞控制方法综述

拥塞控制是MANET(mobile Ad-hoc NETwork)中的关键问题.MANET具有无线信号干扰大、信道衰落严重、多跳路由、链路不对称和网络拓扑动态扩展等特性,这些特性会使传统TCP(transmission control protocol)在发送数据过程中经历丢包率高、应答包在中间节点累计、乱序包多和往返时间抖动大等问题,容易触发TCP作出错误的拥塞控制,进行不必要的超时重传、丢包重传和减小发送窗口大小,最终严重降低端到端的吞吐量.本文调研了近年来针对MANET提出的各种拥塞控制改进方法,按照拥塞产生的原因进行分类总结,详细介绍各个算法的工作原理并比较这些方法的技术特点.发现通过跨层设计获取网络实时状态信息,进而用来辅助拥塞控制,是改进方法的主流实现方式.     

无线MESH网分布式带宽分配算法

为保证端到端的服务质量,无线MESH网常采用虚电路交换技术为业务分配专用带宽资源以避免乱序、拥塞等问题。现有系统常指定唯一的中心节点,统一进行集中式业务分配。为了解决中心节点负载过大、可靠性不高等问题,该文提出一种分布式带宽分配(distributed bandwidth allocation,DBA)算法,可动态地选择执行节点以提高分配效率。DBA算法考虑了业务的端到端延时约束、带宽占用率等要求。仿真表明:DBA算法可有效降低中心节点负担,提高网络吞吐率,增强抗毁性能。在节点数量多、业务繁忙等环境下,DBA算法远优于集中式分配方法。     

步长选择定理及其应用——平行变步长LMS滤波器组算法

从独立假设出发, 基于均方误差最小准则, 提出并证明LMS(Least Mean Square)算法的步长选择定理, 揭示了较优步长和均方误差的关系. 由此构造一种平行变步长LMS滤波器组算法, 并对算法的理论模型进行了详细分析. 仿真结果表明, 该算法模型的理论曲线和最优变步长LMS (optimal variable step-size LMS, OVS-LMS)模型的学习曲线基本重合, 实验曲线也显示了最优的收敛性和很好的跟踪性能. 因而该算法是最优变步长LMS模型的一种较好的实现形式.     

机器人定位中稳健的自适应粒子滤波算法

为了提高粒子滤波算法在机器人定位中的性能,在基本粒子滤波算法的基础上,引入概率回退的方法对机器人的初始状态进行估计,采用窗口滤波更新粒子集合,根据对机器人位置估计的情况动态更新粒子集合的大小,得到一种改进的粒子滤波算法——稳健的自适应粒子滤波算法。仿真结果表明:该算法充分利用了对机器人位置估计的有效信息,在显著提高算法稳健性的同时,降低了运算复杂度,较好地解决了机器人定位这一非线性非Gauss状态在线估计问题。     

最优变步长最小均方模型和实现算法

为了解决最小均方(leastmeansquare,LMS)算法中收敛速度和稳态误差之间的矛盾,在独立假设的条件下,从滤波器系数均方误差的角度,提出了最优步长定理,证明了最优步长和均方误差之间存在一一对应的关系。并以此构造了最优变步长LMS(optimalvariablestep-size,OVS-LMS)模型。推出了最优步长的递推式,讨论了最优初始化相对步长的选取方法。综合以上的分析结果,提出了该模型的实现算法。计算机仿真证明了该算法和OVS-LMS模型的学习曲线是非常相近的,因而该算法在独立假设条件下是最优的变步长LMS算法。