离散Hopfield实现多值信号盲检测

传统神经网络算法局限于二值神经网络,无法解决多值信号盲检测问题。提出了基于离散Hopfield网络直接盲检测多值信号的两种算法,构造了4电平的离散激活函数。本算法不依赖统计量,建立直接盲检测发送信号的优化性能函数,利用离散Hopfield网络直接盲检测多值信号。给出新的适用于多值离散Hopfield神经网络的能量函数和网络权矩阵,理论证明该网络具有很好的稳定性。仿真结果表明本算法能快速收敛到真平衡点,盲检测效果好,适用于随机信道。     

一种基于标准峭度的新型复数盲分离算法

在复值信号的盲分离算法中,经常采用信号的峭度最大化作为代价函数.以复数标准峭度代替复数峭度,将复数信号的标准峭度最大化作为新的代价函数,采用修正的复值拟牛顿迭代算法对代价函数进行优化,并运用该算法对混合QAM信号进行分离.仿真实验结果表明:改进后的算法具有很好的分离效果,相比于峭度最大化为代价函数的分离算法,收敛性能有明显提高.     

基于遗传算法的直接盲信号检测

针对现有的盲均衡遗传算法收敛速度慢,难以准确地收敛到最优解的问题,借助接收数据阵补投影算子对待测发送序列向量的零化作用,把信号盲检测问题转化为整数约束下的二次优化问题,提出了一种基于遗传算法的直接盲信号检测的方法.所用遗传算法的特点是,适应度函数是直接针对被检测序列构造的,编码空间与遗传空间一致,搜索空间是离散、有限的.仿真结果表明,该算法收敛速度快、性能好.     

在线增强型复值混合信号盲分离算法研究

基于二阶统计量，对在线分离复值混合信号法进行了研究．假设源信号是独立的且非常态，信号的伪协方差矩阵能增加约束条件，从而可证明二阶统计量能够完全分离复值混合信号，而且对信号是否平稳不作要求．结合非常态信号的独立性，构造出代价函数，利用梯度下降法推导出在线盲分离算法．通过盲分离算法的仿真试验，发现所提出的盲分离算法能充分利用复值非常态信号的二阶统计量，算法具有鲁棒性好、运算速度快和可在线实现等优点．     

在线复值独立分量分析算法

基于复向量不相关特性和复值非线性函数,提出一种在线复值独立分量分析算法.结合非正则复向量的协方差矩阵和伪协方差矩阵构造出了新的代价函数,进而提出新算法,通过复非线性不相关,从混合信号中提取出复值独立分量.由于充分利用了非正则复向量不相关的特性,获得了更多有用的信息量,因此算法的收敛速度更快、提取效果更好,并且在线方式下算法更加稳定.仿真试验表明,所提出的在线复值独立分量分析算法更具有实际应用前景.     

前馈神经网络复值盲均衡算法的研究

提出了一种新的前馈神经网络(N-FNN)复值盲均衡算法。新算法改变了传统均衡技术大量发送训练序列而降低系统传输的有效信息率,有效地消除码间干扰,提高了通信质量。笔者设计出新的传递函数和代价函数,利用最陡梯度下降法推导出输出层和隐层单元权值的迭代公式。通过对QAM信号进行计算机仿真,笔者提出的新算法与同类算法相比,具有均方误差收敛速度加快、误码率降低、稳态剩余误差减小等优点     

基于Lagrange优化神经网络的盲多用户检测

Lagrange优化神经网络克服传统的基于罚函数的神经网络的缺陷,直接对不等式约束进行处理,降低网络规模和复杂度,是一种新型的优化神经网络.基于这种Lagrang优化神经网络,提出一种盲多用户检测算法,并通过仿真表明,该算法在误码率性能方面有所改善,收敛速度也明显提高.     

一种单通道的周期性信号盲分离算法

提出一种针对周期性源信号的单通道盲源分离方法,该方法首先利用希尔伯特变换将单通道的混合信号表示为复数形式后,并用交叉互验技术来估计谐波分量的阶数,然后通过人工蜂群算法优化用于估计基频的代价函数以获得源数、基频及其谐波长度,最后由一种自适应滤波算法来估算源信号的幅值,从而实现了盲源分离的目的.仿真实验结果表明了该方法思路的可行性,且可达到"全盲"的要求.     

支持向量回归盲检测16PSK信号

鉴于目前信号盲检测算法主要依赖二阶或高阶统计量,均需要大数据量作为基础.而基于小数据量的高阶PSK信号盲检测算法迄今未见.研究了仅依赖小数据量的盲检测16PSK信号算法,采用支持向量回归方法并采用线性ε-不敏感损失函数将16PSK信号盲检测问题转化为无约束优化问题,并采用迭代算法求解该优化问题,进而盲检测16PSK信号.算法验证中采用经典移动通信复数信道进行仿真和分析该方法的性能.     

通信侦察中通信复信号的盲源分离算法

针对目前大多盲源分离算法只适用于实信号,而在通信对抗中处理的一般都是通信复信号这一问题,推导了一种适用于通信复信号的盲源分离算法.该算法以Kullback-Leibler发散度作为信号之间独立性的测度准则.另外由于自然梯度比随机梯度性能更优,因此利用代价函数的自然梯度进行优化,根据白化后信号混合矩阵为正交矩阵的结论,对分离矩阵做正交性约束,推导出了算法的迭代公式.仿真结果表明,即使在有嗓环境下,该算法也能够有效地分离出源信号.     

基于遗传算法的模糊优选神经网络路面性能评价模型

针对现有路面性能评价方法的不足,在模糊优选神经网络模型的基础上,引入遗传算法,建立了基于遗传算法的模糊优选神经网络的路面使用性能评价模型.该算法采用遗传算法优化神经网络权值,再用神经网络对遗传算法搜索到的近似最优解进行微调,并将模糊优选模型作为神经网络的激励函数,使模型具有明确的物理意义.应用该模型对沈大高速公路部分路段进行评价,与其他模型的对比分析表明:该方法在评价精度和效率方面取得了良好的效果,是一种实用的高速公路路面性能评价方法.     

基于高阶累积量的LCP-GLSTBC-OFDM信号调制识别

提出了频率选择性衰落信道条件下基于高阶累积量的LCP(Linear Constellation Precoding)-GLSTBC (Group Layered Space-Time Block Coding architecture)-OFDM (Orthogonal Frequency-Division Multiplexing) 信号识别算法，用以区分LCP-GLSTBC结构下的多载波信号(OFDM)和单载波信号(MPSK、MQAM)。该算法不需要预先知道信号和信道噪声的先验信息，也不需要对接收的信号进行解调，只需从接收的中频信号直接进行识别处理，分别求出接收信号的2阶和4阶累积量，然后构造特征参数消除信道衰落的影响。仿真结果表明：在SNR高于5dB时，对多载波和单载波信号的识别率大于90%。     

前馈网络构造性设计中基于GP实现神经元激活函数类型优化

讨论了在前馈网络构造性设计中如何基于遗传编程(GP)实现神经元激活函数类型自动优化的问题.首先,提出了典型前馈网络的一种构造性设计方法框架,将整个网络的设计分解为单个神经元的逐个设计;然后,在此框架下提出了基于GP的单个神经元的设计方法,该方法可实现对激活函数类型的优化.仿真实验显示,本文的前馈网络构造性设计方案是可行的,与其他几种不优化激活函数类型的网络设计方法相比,本方法更有效,能用较小的网络规模获得更满意的泛化特性.     

优化神经元激活函数类型的重要性

以典型的前馈网络设计为例,对网络学习中神经元激活函数类型优化的重要性做了进一步的探讨。理论分析和实际算例显示：神经元激活函数类型相当于信号分解中的基函数,如果不对它进行优化,就不能获得理想的泛化性能。特别是外推泛化性能。     

一种新的WSN故障数据挖掘算法

为了有效提高无线传感器网络故障数据的判别能力,在以往的研究基础上,本文结合菌群优化算法提出了一种新的挖掘方法FDMBFO(Fault Data Mining algorithm based on Bacteria Foraging Optimization).该算法首先通过小波变换和关联系数给出了故障数据分布区间的划分方法,建立了目标挖掘函数,同时利用菌群优化算法实现对目标函数的求解.最后,通过实际样本数据进行仿真实验,深入分析了影响FDMBFO算法的关键因素,并对比研究了FDMBFO算法与其它算法之间的性能状况,结果发现FDMBFO算法具有较好的适应性.     

用高阶累积量实现数字调相信号的分级识别

针对BPSK,QPSK,OQPSK和8PSK信号的调制模式自动识别,传统的基于高阶累积量算法无法区分QPSK和OQPSK,因此提出了一种基于差分高阶累积量的识别算法。该算法首先用四阶累积量提取待识别信号和其差分序列的特征参数,然后用决策树分类法实现信号的分级识别。理论分析和计算机仿真结果表明该算法有较强的抗噪声和抗相位抖动能力,在信噪比>3 dB时识别率达95%以上,更适用于较低信噪比下信号的识别。     

MPSK信号的循环平稳特性分析

介绍了循环平稳性的基本概念，分析了实信号与其复包络之间的循环谱的关系，从而得出MPSK信号的循环谱密度函数通式．还研究了MPSK信号的循环谱在传统傅立叶频率和循环频率截面的谱线特征，为在噪声中实现MPSK信号的检测及有关参数估计提供了理论基础，仿真结果证明了所得结论的正确性．     

面向大数据的超启发式SVM的网络安全框架研究

大数据环境下,为了提高支持向量机(support vector machines, SVM)在网络安全应用环境下的性能,提出了面向大数据的超启发式SVM网络安全框架。所提超启发式SVM框架由SVM和超启发式框架组成,超启发式框架的作用是生成配置参数,并将其发送到SVM,SVM使用生成的配置来解决给定的问题,然后将成本函数发送到超启发式框架。超启发式框架分为高层策略和低层启发式,高层策略具有搜索性能,可以控制选择低层启发式并生成新的SVM配置;低层启发式算法构成了一组特定于问题的启发式算法,使用不同的规则实现对SVM配置搜索空间的探索。该框架自适应地集成了基于分解和基于Pareto方法的优点,近似SVM配置的Pareto集,解决了启发式框架的优化问题。实验结果表明,所提框架性能优于其他算法,说明框架的有效性。