一种基于PSWFs的UWB自适应脉冲设计（增刊）

从自适应频谱环境变化和兼容FCC频谱模板的角度出发， 建立了基于频谱感知来动态构建UWB系统自适应辐射掩模的机制。然后，利用PSWFs函数的特性，提出了一种基于多频带的PSWFs函数基的加权线性组合来设计UWB自适应脉冲波形的算法。仿真结果表明，该算法所产生的脉冲波形不仅能满足FCC频谱掩模的要求，而且能自适应掩模的动态变化。     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

基于归一化最小均方算法的自适应核RBFNN

为了使自适应核径向基函数神经网络(RBFNN)有更好的收敛速度和稳态误差,提出了以归一化最小均方为学习算法对自适应核RBFNN进行优化的方法。在梯度下降算法的基础上,通过一个可变的步长因子,对归一化最小均方(NLMS)算法进行推导,并将其作为学习算法对自适应核RBFNN的权系数及偏差进行更新训练。在非线性系统辨识及模式分类中的仿真实验结果表明,使用NLMS学习算法训练自适应核RBFNN相较于其他学习算法下的自适应核RBFNN,具有更快的收敛速度及相对较小的稳态误差。     

基于POMDP强化学习的动态频谱分配算法

提出基于VCG机制的动态频谱分配博弈模型,解决了认知无线网络环境存在的信息约束限制、分布式特性和频谱分配动态、复杂性问题;提出一种基于动态频谱分配的部分可观察马尔可夫决策过程（POMDP）强化学习算法. 认知用户通过对历史信息的观察、统计,为提高竞拍策略的奖赏值而进行不断的学习获取最优竞拍策略. 将POMDP强化学习转变为信度状态马尔可夫决策过程 (belief MDP)最优策略学习. 采用值迭代算法求解信度状态MDP模型的解. 仿真结果表明,基于POMDP强化学习算法可显著改善认知用户的行为,提高动态频谱分配性能.     

一种基于模糊Q学习算法的认知无线电频谱分配策略

认知无线电是一种智能推理学习的通信系统,为了实现认知无线电频谱分配智能学习过程,引入模糊Q学习方法.认知用户通过在线Q学习来调节模糊推理系统,得到最优的频谱分配模糊规则,实现自适应的频谱分配方案.最后将模糊Q频谱分配算法与非智能学习算法(模糊频谱分配算法以及随机分配算法)进行比较,仿真结果证明了该方案能在一定程度上提高系统带宽收益,同时降低系统的冲突率.     

基于VCG机制和POMDP强化学习的动态频谱分配算法

以认知无线网络动态频谱分配问题为研究对象,提出一种通用的动态频谱分配博弈框架,将频谱的动态变化、认知用户的可能影响频谱分配的自私的网络行为、频谱分配中的信息约束限制和分布式特性在动态频谱环境中加以考虑,通过VCG机制的部署和实施,有效的解决动态频谱分配问题,防止自私用户可能存在欺骗行为;为进一步提高认知无线网络中频谱分配方法的性能,提出了一种动态频谱分配的POMDP强化学习算法,通过认知用户依据它们自身历史信息的观察统计和学习,预测当前竞拍策略,通过累积折扣奖赏影响动态频谱分配。仿真结果表明,基于POMDP强化学习算法可以显著的改善认知用户的行为,提高动态频谱分配性能。     

基于径向基函数网络的船舶非线性参数模型建模

船舶在航行中受到各种随机扰动,为了实时控制船舶运动姿态,需建立一个基于航速、海情和航向角实时变化的三维智能化运动模型.文中以某水面舰艇为研究对象,利用典型航速、航向角、海情下水池实验测量的数据算得水动力参数,基于径向基函数神经网络(RBF)算法,逼近三维空间各水动力参数的非线性函数,从而得到随航速、海情和航向角自适应变化的船舶运动非线性参数模型.仿真结果表明,径向基函数神经网络学习算法可以快速、精确地建立非线性参数模型.所建模型误差小于2%,该模型可用于船舶控制,使LQG减横摇控制效果提高41.6%.     

认知无线网中基于队列博弈的频谱选择算法

针对认知无线网络中分布式分组数据自适应传输问题,提出了一种新的基于队列博弈的频谱选择算法.该算法将数据传输问题建模成频谱选择的潜在博弈,考虑主用户占用频谱的影响,利用排队理论分析并构建用户效用函数,通过自主调整频谱选择策略实现频谱分配及跨层优化传输时延、分组损失率.仿真对比表明,所提出的算法存在纳什均衡,更有效地降低了分组传输时延及数据损失率,更加快速地收敛到策略均衡点,且具有更小的复杂度.     

改进神经网络辅助的GPS/INS组合导航算法

针对全球定位系统(GPS)和惯性导航系统(INS)组合系统中GPS中断时,导航性能会急剧降低的情况,提出了一种改进径向基神经网络结合自适应滤波辅助的组合系统导航算法.该算法探讨了遗传算法参数寻优和最近邻聚类学习算法,解决了径向基神经网络训练中参数合理选取的问题,构建了INS加速度增量、姿态增量与GPS位移增量之间的非线性映射模型.当GPS出现故障时,利用该映射模型和改进的自适应滤波实时预测出GPS伪位置与其对应的协方差,进而计算出预测位置辅助的导航解,利用实测数据对算法进行验证.结果表明:GPS发生故障情况下,改进径向基神经网络算法能够辅助组合系统解算出稳定的次优导航解,其精度明显优于纯INS导航.     

基于自适应模糊系统的径向基高斯函数网络系统辨识方法

提出了一种基于自适应模糊系统的径向基高斯函数系统辨识方法,与传统的系统辨识和仿真方法相比,更具有精确性与智能性。RBF(radial basedfunction)网络在逼近能力、分类能力和学习速度上均有优势。自适应神经模糊推理系统(ANFIS)混合学习算法减少了原始纯反向传播算法搜索空间的维数,故收敛速度非常快。根据ANFIS和RBF的特点,将它们结合起来,形成了基于自适应模糊系统的径向基高斯函数网络的系统辨识方法。     

GA-LSSVM的认知无线电离线学习

针对认知无线电(CR)的智能学习研究需求,提出了一种基于最小二乘支持向量机(LSSVM)的CR学习、决策方法.通过遗传算法(GA)进行超参数搜索,建立适当的基于LSSVM的CR学习模型,利用历史案例进行LSSVM离线训练学习,获得知识来指导未来的决策.仿真结果表明,GA-LSSVM能在较少进化代数内搜索出合适的超参数,并且LSSVM学习决策方法能有效提高CR系统的性能.     

利用自主策略机制实现联合无线资源管理

提出了一种基于案例推理的最优策略产生方法,用于异构无线网络系统自主高效的无线资源管理及优化.该方法利用案例检索与匹配算法,从案例库中寻找最合适的再用策略;利用基于相似度概率的策略再用算法,改进新策略学习的效率和质量;应用贪婪算法,产生没有可用案例情况下的应对策略.此外,该方法在学习的基础上对策略案例库进行实时的更新.仿真结果表明,该算法具有高效的在线学习能力,能够有效提升网络在频谱效用和阻塞率方面的性能,实现自主的无线资源管理.     

基于聚类算法的MOOCs学习者分类及学习行为模式研究

根据MOOCs平台上学习者的学习行为,利用基于离差平方和法的AHC层次聚类算法和K-means非层次聚类算法,对参加MOOCs课程的学习者进行了类别划分.研究和分析了不同类别学习者的学习行为对MOOCs学习效果的影响,并利用卡方检验和单因素方差分析对不同类型的学习者在课程完成率、课程成绩等方面做了详尽的对比分析.针对如何提高学生MOOCs学习效果及MOOCs课程的结构内容设计给出了建议,为进一步在高校中顺利开展MOOCs教育提供借鉴.     

Radio Frequency Fingerprint-Based Satellite TT&C Ground Station Identification Method

This study presents a radio frequency (RF) fingerprint identification method combining a convolutional neural network (CNN) and gated recurrent unit (GRU) network to identify measurement and control signals. The proposed algorithm (CNN-GRU) uses a convolutional layer to extract the IQ-related learning timing features. A GRU network extracts timing features at a deeper level before outputting the final identification results. The number of parameters and the algorithm’s complexity are reduced by optimizing the convolutional layer structure and replacing multiple fully-connected layers with gated cyclic units. Simulation experiments show that the algorithm achieves an average identification accuracy of 84.74% at a –10 dB to 20 dB signal-to-noise ratio (SNR) with fewer parameters and less computation than a network model with the same identification rate in a software radio dataset containing multiple USRP X310s from the same manufacturer, with fewer parameters and less computation than a network model with the same identification rate. The algorithm is used to identify measurement and control signals and ensure the security of the measurement and control link with theoretical and engineering applications.     

基于对信号功率谱拟合特征提取的信号识别方法

针对通信信号业务种类识别问题,提出利用机器学习领域的线性回归算法和多项式拟合模型提取信号功率谱的多项式拟合因子作为信号的统一特征来构建训练集,并在深度学习平台keras上构建了全连接的神经网络分类器模型.相比传统的方法,新方法具有对无线电信号统一表征而无需对业务逐个提取个性化特征的优点.选取实际无线电监测数据中的码分多址（CDMA）上行、CDMA下行、增强型全球移动通信系统（EGSM）上行、EGSM下行、无线局域网（WLAN）以及长期演进（LTE）6种信号的功率谱数据作为数据集,通过验证得到了97%的分类准确率,并证明了该方法的可行性.     

采用强化学习的自治联合会话接纳控制

提出了一种基于强化学习的联合会话接纳控制算法,用于可重配置系统中异构无线接入技术之间分布式自治的联合资源优化。通过将Q学习引入接纳控制算法,并根据各无线技术自身的特性,调整不同会话类型的反馈强化信号,能够驱使各无线接入技术吸纳更适合自己的业务,形成合理的业务分布,从而提高系统的资源利用效率。仿真结果表明,具有重叠覆盖的各无线接入技术通过这种“试错”的在线学习方式,能够收敛到较优化的接纳控制策略,在降低系统的总体呼叫阻塞率的同时获得更低的切换掉话率和更高的收益。     

使用蚁群优化和凝聚层次的混合聚类

为了获得全局最优的高质量层次聚类结果,针对智能蚁群优化算法改进凝聚层次聚类算法,以获得高质量的层次聚类结果,提出一种新的基于蚁群优化和凝聚层次聚类的混合聚类方法.该方法使用改进的凝聚层次聚类算法和新的目标函数生成聚类的系统树图,利用内部指标评估解决方案,用智能蚁群优化算法支持的信息素反馈和信息素挥发机制控制蚁群在解决方案空间中的搜索.由于使用了元启发式优化,加快了搜索过程,避免了局部最优.在加州大学欧文分校多个数据集上的实验结果表明,新方法具备一定的可行性.     

Radio frequency interference suppression algorithm in the spatial domian for high-frequency radars

Radio frequency interference suppression is a very important issue in applications of high-frequency surface wave radar. This paper proposes a new interference suppression algorithm which makes use of RF interference azimuth information on the basis of learning common RF interference suppression algorithms and spatial spectrum estimation. First, we apply the MUSIC algorithm to estimate the interference azimuth and obtains the interference's signal space after the first Fourier transform; next, we use space decomposition to decompose the radar echo and obtain interference components; last, we subtract radio frequency interference components from the original signals. This algorithm can do great amount of RF interference suppression in actual data and get good results.     

认知无线电网络中基于演化博弈的协作频谱感知技术

 提出了一种基于演化博弈理论的认知网络协作频谱感知方法．对协作频谱感知中次级用户的传输时间和吞吐量进行分析,建立协作感知的博弈模型并研究其动态演化特性,基于次级用户吞吐量最大化准则,得到相应纳什均衡解,在此基础上提出一种次级用户自适应分布式学习算法．理论分析和仿真结果表明,这种协作感知方法在保证检测性能的基础上,有效减少了协作通信开销,提高了次级用户吞吐量．