空间调制信号的QRD-M检测算法及其改进

针对空间调制(spatial modulation,SM)系统中最优检测算法,即最大似然(maximum likelihood,ML)算法存在的高复杂度问题,提出了基于QRD-M(QR-decomposition with M-algorithm,QRD-M)算法的空间调制信号检测算法.该算法运用M算法树搜索策略,每层只计算最优的M个分支,其性能近似最优且运算量较低,有利于硬件实现.但随着发收天线数增多,传统QRD-M算法的检测性能会下降并需要较长的算法执行时间.因此,采用并行检测的思想,提出了PQRD-M(parallel QRD-M,PQRD-M)检测算法.该算法在各个分支上分别独立地进行搜索,提高了执行效率.对所提出的算法进行了复杂度分析,并在不同天线数目和不同保留节点数下对其误码性能进行了仿真,结果表明,相比于QRD-M算法,PQRD-M算法以增加一定的计算量为代价,能显著地改善空间调制信号检测性能,同时还能节约硬件资源.     

低复杂度的多符号差分空时分组编码在快速瑞利衰落信道中的研究

为了降低多符号差分检测(MSDD)算法的高计算复杂度,提出了2个低复杂度的算法,分别是简单化的M算法(SMA)和改进的多符号反馈检测(IMDFD)算法.SMA是在M算法的基础上,通过删除对后续搜索过程不起作用的路径数,来达到和M算法性能相同,但复杂度降低的目的;而IMDFD算法结合了SMA和MDFD算法的思想,通过联合估计最大化值和设置序列长度值的方法,不仅达到低复杂度,而且还克服了MDFD算法的错误传播和低信噪比下低性能的问题.仿真结果显示,这2种算法通过增加观察间隔,都能很好的填补差分检测和相关检测之间的间距,并且随着星座点数的增加,SMA算法和IMDFD算法之间的性能间距在逐渐拉大,相对来说SMA算法具有稍高的复杂度但却有更好的性能.     

基于部分检测相关的OFDM符号同步新算法

在DVB-T(D igitalTerrestrialV ideo B roadcasting)系统中,针对传统ML(M aximum L ikelihood)符号同步算法在多径信道中估计误差大,实现复杂度高的缺点,提出一种新的OFDM(O rthogonal Frequency D ivisionMu ltip lexing)盲符号同步算法———部分检测相关(PMC:Partial M easuring Correlation)算法。该算法基于OFDM信号的自相关性,通过检测OFDM部分循环前缀(CP:Cyc lic Prefix)的自相关结果估计符号同步。相对于传统的最大似然(ML)算法,PMC算法省去了保护间隙(G I:Guard Interval)检测模块,且相关运算量降低;同时,在多径信道下估计误差远小于传统ML算法。通过理论分析和计算机仿真说明了PMC盲符号同步算法的良好性能和低复杂度。     

基于免疫联想记忆的病毒检测算法

针对现有算法只考虑未知病毒检测的片面性 ,论文综合借鉴生物免疫机制中一次反应的非选择思想和二次反应的联想记忆思想 ,提出了一种基于免疫联想记忆的病毒检测算法 ,该算法结合了免疫非选择对未知病毒的识别能力和免疫联想记忆对已识别病毒的学习记忆能力 .基于免疫联想记忆的病毒检测算法除能有效地检测未知病毒外 ,还能快速检测出已知病毒的变种或具有类似行为特征的病毒 .针对典型宏病毒的实验验证了本文算法的检测性能     

RED-PD算法的仿真研究

随机早期检测(RED:Random Early Detection)是IETF推荐的一种基于路由器有效的主动队列管理算法,但是在某些情况下,一些数据量很大的数据流会大量占用带宽,从而导致了各流量之间带宽分配的不公平性,甚至产生拥塞崩溃。对M ahajan提出的一种基于RED分组丢弃历史的AQM(Active Queue M anagem ent)算法RED-PD(RED w ith Preferential D ropp ing)进行了深入研究。该算法通过对被检测出的高带宽流的数据包采用提前丢弃的策略,实现带宽分配的公平性。通过仿真发现了RED-PD算法的自适应性,表明此算法有更高的理论和实用价值。     

基于混合式P2P技术的免疫入侵检测模型研究

提出了基于混合式P2P网络技术的免疫入侵检测算法,构建了基于混合式P2P网络技术的免疫入侵检测模型.定义了免疫细胞的结构,描述了免疫入侵检测的免疫细胞耐受,激活,记忆等过程.实现了记忆免疫细胞的高效生成.仿真实验表明,该算法能有效提高免疫学习效率,提高免疫检测率,降低免疫检测的误检率.     

(N+M)容错系统优化模型求解的父代保留免疫遗传算法

针对(N M)容错系统优化模型复杂非线性的特点,结合免疫遗传算法和父代保留策略,提出了模型求解的父代保留免疫遗传算法。该算法在进行交叉和变异操作后,新产生的个体不覆盖父代个体,扩展种群进行基于矢量距浓度机制的选择操作,这样可避免较优个体的损失,增强种群的多样性,提高算法的搜索能力及收敛性能。算法性能分析揭示了算法性能改善的机理。优化模型求解结果表明,该文提出的算法较免疫遗传算法在寻优精度和收敛速度方面有一定改善。     

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。     

无线传感器网络在气体源预估定位中的应用

基于气体污染源浓度衰减模型,分别采用极大似然预估算法(M LE)、非线性最小二乘算法(NLS)对气体污染源定位进行了研究。仿真实验对比了两种算法在不同的传感器节点以及背景噪声情况下对预估定位误差的影响。结果表明:当环境背景噪声较小时,NLS可以得到比M LE算法更精确的预估结果。当环境背景噪声较大时,M LE算法比NLS算法有着更强的鲁棒性。     

BP神经网络在高层结构体系选择中的应用

提取高层建筑结构选型的主要控制因素 ,以此建立基于 BP(Back- Propagation)神经网络的高层建筑结构体系选择的数学模型 .分别采用传统的 BP算法、改进的带动量自适应学习率 BP算法 ,以及 L- M(Levernberg- Marquart)算法 ,进行高层建筑结构体系选择的研究 .研究结果表明 ,传统的 BP算法和改进的带动量自适应学习率 BP算法 ,无法适应土木工程中大规模的数据结构 .而采用 L- M算法神经网络 ,较传统 BP算法快 10 2～ 10 3倍 ,并且精度高 ,可以较好地解决高层建筑结构体系选型问题 .     

A novel algorithm of artificial immune system for high-dimensional function numerical optimization

Artificial immune system has become a researchhot spot after the neural network, fuzzy logic andevolutionary computation[1,2]. Clone means propagat ing asexually so that a group of genetically identicalcells can be descended from a single common ances tor, such as a bacterial colony whose members arisefrom a single original cell as the result of binary fis sion. The idea has been extensively applied in somefields like computer programming[3,4], system con trol[5], interactive para…     

A novel algorithm of artificial immune system for high-dimensional function numerical optimization

Based on the clonal selection theory and immune memory theory, a novel artificial immune system algorithm, immune memory clonal programming algorithm (IMCPA), is put forward. Using the theorem of Markov chain, it is proved that IMCPA is convergent. Compared with some other evolutionary programming algorithms (like Breeder genetic algorithm), IMCPA is shown to be an evolutionary strategy capable of solving complex machine learning tasks, like high-dimensional function optimization, which maintains the diversity of the population and avoids prematurity to some extent, and has a higher convergence speed.     

基于主体的非均衡人工股市计算模型

对SFI系列基于主体的人工股市计算模型进行了改进,改变了资产定价机制,剔除了均衡定价方法,在学习分类器系统中引入了模糊处理环节,并改变了主体的学习方式,使得人工市场中同时包含具有不同学习速度的主体。基于此构建的新人工股市仿真模型的运行结果具有真实股市数据的形式化特征,通过比较不同学习速度的主体以及零智能主体的表现,发现人工股市计算模型中学习对于主体的财富有决定性作用,学习速度也会影响主体的表现,而且学习存在一个限度问题,过多的累积学习次数反而会削弱主体聚集财富的能力,这在基于主体的人工市场的构建中是一个值得重点关注的方面。     

基于目标进化的aiNet聚类算法研究

针对aiNet算法中没有定义目标函数,记忆抗体网络动态无规律变化等问题对算法进行改进,提出了基于目标进化的人工免疫网络聚类新算法,将人工免疫网络压缩聚类抽象为多目标规划问题,提出了免疫网络的整体进化目标和疫苗注射策略,仿真结果表明,新算法的聚类质量、特征压缩质量、参数敏感性等优于原有aiNet算法。     

一种改进的人工免疫算法在模糊Flow—shop调度问题上的应用

为了克服传统的遗传算法和人工免疫算法的不足，提出一种改进的人工免疫算法。此种算法在进行亲合力计算前利用生成的亲和度矩阵排除相似抗体，大大减少运算量。用此种改进的人工免疫算法优化寻优过程，研究了处理时间不确定并且具有不同交货期窗口的Flow-shop的提前／拖期调度问题。最后，仿真实验验证了算法的有效性。     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

Intrusion detection based on rough set and artificial immune

In order to increase intrusion detection rate and decrease false positive detection rate , a novel intrusion detection algorithm based on rough set and artificial immune ( RSAI-IDA) is proposed. Using artificial immune in intrusion detection , anomaly actions are detected adaptively , and with rough set , effective antibodies can be obtained .A scheme , in which antibodies are partly generated randomly and others are from the artificial immune algorithm , is applied to ensure the antibodies di-versity.Finally, simulations of RSAI-IDA and comparisons with other algorithms are given .The ex-perimental results illustrate that the novel algorithm achieves more effective performances on anomaly intrusion detection , where the algorithm ’ s time complexity decreases , the true positive detection rate increases , and the false positive detection rate is decreased .     

自适应的免疫粒子滤波车辆跟踪算法

针对真实场景中的车辆跟踪问题, 提出一种改进的粒子滤波车辆跟踪算法. 通过免疫重采样框架减少粒子退化, 保证粒子滤波的有效性, 并参照人工免疫算法的思想建立记忆库, 使算法可较长时间地跟踪目标; 利用背景权重直方图和分块判别机制减少因遮挡导致的跟踪偏离, 同时在运动模型和抗体变异过程中加入自适应学习参数, 提高算法的鲁棒性. 实验结果表明, 在光照变化、 运动突变、 目标遮挡等不同条件下, 该算法具有稳定跟踪的能力, 验证了算法的有效性.