改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于3种典型天线阵列的3D MIMO Kronecker信道建模

在传统的二维多输入多输出(two dimensional multiple input multiple output, 2D MIMO)信道模型基础上,引入仰角因子研究三维多输入多输出(three dimensional MIMO, 3D MIMO)信道模型。推导出基于均匀线形阵列(uniform linear array, ULA)、均匀圆形阵列(uniform circular array, UCA)和均匀矩形阵列(uniform rectangle array, URA)的3D MIMO Kronecker信道模型,并进一步讨论了信号离开角和到达角分别服从高斯分布、拉普拉斯分布和VMF(Von Mises Fisher)分布时的信道模型。仿真结果表明,当信号空间角度服从VMF分布时所建信道模型容量最大,在该角度分布下基于ULA信道模型的容量优于UCA和URA。