基于灰色关联分析的多网络接入系统模型

针对传统网络选择算法无法满足服务质量的不足,提出了一种基于灰色关联分析的多网络接入算法.设计了多网络接入系统模型,确定了吞吐量、接入代价、接入损耗以及负载均衡等网络参数并构建了多网络接入的参数矩阵,结合权重向量,运用灰色关联分析算法确定最佳网络.对该算法进行了实验仿真,并与单网络及传统TOPSIS算法进行对比分析,其结果表明,该多网络接入算法可以明显提升网络性能,为用户提供满意的服务质量.     

基于层次分析法和熵理论的网络选择算法

为了平衡网络之间的负载,针对不同的用户策略和业务类型在QoS需求上的差异,本文提出一种基于业务类型和用户策略的主观属性和网络客观属性协同决策的动态无线异构网络选择算法.利用层次分析法对用户策略和四类业务类型进行了参数相对重要性分析,确定各个属性的主观权重;将熵权引入多属性方案中,确定各个属性的客观权重以消除主观随意性;最后根据接近理想方案的序数偏好方法对候选网络进行加权排序.仿真结果验证了该算法的正确性和有效性,同时实现了异构网络间的负载均衡.     

密集网络下基于Self-Backhaul感知的用户接入负载均衡算法

针对密集异构网络自回程场景中带宽分配不合理引起的负载不均衡问题,提出一种基于self-backhaul感知的用户接入负载均衡方案.首先根据密集异构网络下各个小基站接入与回程资源的负载状态提出一种用户接入负载均衡策略;其次利用Q-Learning算法对各个小基站带内无线接入与回程带宽分配进行学习,用户在不同带宽分配因子下,根据用户接入负载均衡策略进行重新接入,得到不同接入情况下的系统效用,进而得到最优带宽分配策略,保证负载均衡性的同时实现系统效用最大化.仿真结果表明,该方案在密集异构网络自回程场景中提高了网络负载均衡性,同时提升了用户速率体验.     

异构网中基于匈牙利算法的小区接入方案

为改善蜂窝异构网络宏基站边缘用户速率较低及负载不均现象,给出一种基于匈牙利算法的用户选择接入方案。将匈牙利算法与异构网络相结合,以每个宏边缘用户接收到的微微基站下行链路接收信号强度作为匈牙利算法边的权值,构成效率矩阵,据以对宏边缘用户进行小区接入选择。就7小区模型的仿真结果显示,所给算法在提高宏边缘用户信干噪比的同时,可实现基站间的负载均衡。     

基于PSO模糊神经元的异构无线网络接入选择

采用模糊逻辑和神经网络技术进行异构无线网络接入选择的方法未合理考虑网络负载状况,为此提出一种对网络负载具有很好动态适应性的基于粒子群优化(PSO)模糊神经元的接入选择方法. 该方法将可接入网络的接入阻塞率相等作为模糊神经元参数学习的目标,并结合具有全局寻优能力的PSO算法设定参数初值,提高了参数学习精度. 仿真结果表明,该方法能有效实现网络间负载均衡,相对于最大负载均衡算法可降低网络的接入阻塞率.     

基于FAHP的异构无线网络选择

针对如何在多个异构无线网络中选取最优接入网络问题,提出一种基于模糊层次分析法（FAHP）的异构网络选择算法。首先,为了保证各网络的负载平衡,在进入选择算法之前,对各备选网络进行负载分析;接着,通过对影响网络选择的主要因素的分析,建立网络选择决策模型,同时从用户角度和整体网络管理角度分别计算出各网络属性的权重;最后,综合计算选择最优网络。仿真结果验证了本算法的正确性和有效性。     

可再生能源供电异构蜂窝网络中基于拓扑势的用户接入算法

可再生能源供电的蜂窝网络相关研究已经成为绿色无线网络热点研究内容之一. 针对可再生能源供电异构蜂窝网络场景,提出了一种基于拓扑势的用户接入算法,实现基站间能量均衡与负载均衡的折中. 定义用户与基站间拓扑势,综合考虑用户业务量、用户与基站间信道容量、基站可用能量,衡量基站对用户的吸引程度;将基站所接入用户拓扑势总和定义为基站效用值,并给出了基站间效用公平的用户接入最优化问题;提出了一种迭代方法求解最优化问题,通过用户与基站间信息交互与迭代更新完成用户接入基站选择,均衡基站间能量与负载. 仿真结果表明,所提算法在保证基站间负载均衡的同时充分利用了基站收集的可再生能源,实现了基站间能量均衡.     

基于决策融合的异构网络选择算法

在异构网络重叠覆盖的环境下,为满足用户QoS需求、实现网络负载均衡,提出了一种基于决策融合的网络选择算法,通过融合多种主观赋权法和客观赋权法的赋权结果,利用Kendall一致性系数检验和平均灰色关联度作为一致性准则来确定各权向量的一致性,并结合TOPSIS法决定组合权向量的权重系数。仿真结果表明,该算法能够满足用户QoS需求,平衡各网络负载,有效减少网络乒乓切换次数。     

异构网络中一种基于灰度关联的动态接入选择策略

为了提高异构网络中多模终端选择网络的准确性，提出了一种基于灰度关联和时序多指标判决理论的动态接入选择策略. 通过将接入选择转化为多指标决策问题，从整体上考虑接入选择参数的影响，为用户提供合理的接入选择. 仿真结果表明，该策略能综合考虑多种接入判决指标，并保证移动终端选择最优的网络接入.     

异构网络中一种基于灰度关联的动态接入选择策略

为了提高异构网络中多模终端选择网络的准确性，提出了一种基于灰度关联和时序多指标判决理论的动态接入选择策略. 通过将接入选择转化为多指标决策问题，从整体上考虑接入选择参数的影响，为用户提供合理的接入选择. 仿真结果表明，该策略能综合考虑多种接入判决指标，并保证移动终端选择最优的网络接入.     

超密集网络中基于改进DQN的接入选择算法

在超密集网络环境中,各个接入点密集部署在热点区域,构成了复杂的异构网络,用户需要选择接入合适的网络以获得最好的性能。如何为用户选择最优的网络,使用户自身或网络性能达到最佳,称为网络接入选择问题。为了解决超密集网络中用户的接入选择问题,综合考虑网络状态、用户偏好以及业务类型,结合负载均衡策略,提出了一种基于改进深度Q网络(deep Q network, DQN)的超密集网络接入选择算法。首先,通过分析网络属性和用户业务的偏好对网络选择的影响,选择合适的网络参数作为接入选择算法的参数;其次,将网络接入选择问题利用马尔可夫决策过程建模,分别对模型中的状态、动作和奖励函数进行设计;最后,利用DQN求解选网模型,得到最优选网策略。此外,为了避免DQN过高估计Q值,对传统DQN的目标函数进行优化,并且在训练神经网络时,引入了优先经验回放机制以提升学习效率。仿真结果表明,所提算法能够解决传统DQN的高估问题,加快神经网络的收敛,有效减少用户的阻塞,并改善网络的吞吐能力。     

通用多接入网络选择问题的建模和分析

提出了一种基于通用多目标优化模型的多接入网络选择判决方法. 对接入选择相关的参数进行了系统的分析归类,通过建模将网络选择问题转化为典型的多目标优化问题. 借鉴遗传算法的群体排序思想,结合Hooke Jeeves直接搜索方法设计了优化的多目标决策算法. 仿真结果表明,参数的设置合理有效,在多目标优化问题建模基础上的网络接入选择方案可以在异构网络环境中得出准确合理的判决结果.     

一个新颖的异构无线网络接入选择算法

针对目前已有的异构无线网络接入选择算法缺乏考虑用户之间的竞争性,引入非合作博弈理论对接入选择进行研究.首先考虑了无线网络资源分配方式对用户实际获得数据速率的影响,建立实际数据速率计算公式;然后利用非合作博弈理论描述用户之间自我优化的竞争行为,建立接入选择模型并使用纳什均衡来预测用户的接入选择结果;最后建立适应度函数并利用离散量子粒子群算法求解纳什均衡.通过与遗传算进行比较,得出离散量子粒子群算法具有更好的收敛速度.通过对在不同网络状态下的接入选择结果进行分析,得出本文所提的算法能够适应网络的动态变化,同时该结果也能够合理地解释用户之间以自我优化为目的的竞争行为.     

敏捷制造中面向盟友选择问题的遗传算法

为解决敏捷制造中组建动态联盟的盟友选择问题,在分析传统盟友选择方法局限性的基础上,设计求解敏捷制造中面向盟友选择问题的遗传算法,建立算法模型,论述遗传算法的个体编码及初始群体产生方法、概率淘汰与轮盘赌相结合的选择方法以及编码循环取值的变异算子设计方法,实例分析验证了算法的稳定性、可靠性及高效的收敛速度.验证结果表明算法能给相关研究提供参考,亦可用于动态联盟盟友选择问题的指导.     

OFDMA波束赋形中继系统资源分配

针对采用波束赋形技术的正交频分多址接入放大转发中继系统,提出了一种以最大化比例公平因子为目标的资源分配算法. 该算法基于凸优化理论,对功率分配、子载波配对、中继选择和用户选择进行了联合优化. 理论分析和仿真验证结果表明,所提的资源分配算法能以较低的复杂度实现系统资源分配的公平性,并且可以有效利用波束赋形技术,提高系统容量.     

Deep linear discriminant analysis for two-stage brain-controlled character spelling decoding

In order to make full use of visual and auditory perception channels and realize efficient brain-controlled character spelling, a two-level spelling paradigm based on the region is proposed. In the first level of the paradigm, the target region is selected based on the motion-onset visual evoked potential, and the code division multiple access method is introduced to improve the selection rate. In the second level, the target character is encoded based on the hybrid motion-onset visually evoked potential and auditory P300 to make full use of the visual and auditory hybrid effect to improve the accuracy of target character selection. In order to decode the collected EEG signals effectively, a classification recognition algorithm for EEG signals combined with a deep linear discriminant analysis is proposed. Experimental results show that the average classification accuracy of the deep linear discriminant analysis algorithm in the classification recognition of two-level EEG signals is 61.7% and 74%, respectively, which is obviously higher than that of the traditional method and the two convolutional neural network methods. Therefore, the algorithm can effectively improve the decoding performance of the two-level brain computer interface induced by the audio-visual hybrid.     

Feature selection algorithm for text classification based on improved mutual information

In order to solve the poor performance in text classification when using traditional formula of mutual information (MI),a feature selection algorithm were proposed based on improved mutual information.The improved mutual information algorithm,which is on the basis of traditional improved mutual information methods that enhance the MI value of negative characteristics and feature’s frequency,supports the concept of concentration degree and dispersion degree.In accordance with the concept of concentration degree and dispersion degree,formulas which embody concentration degree and dispersion degree were constructed and the improved mutual information was implemented based on these.In this paper,the feature selection algorithm was applied based on improved mutual information to a text classifier based on Biomimetic Pattern Recognition and it was compared with several other feature selection methods.The experimental results showed that the improved mutual information feature selection method greatly enhances the performance compared with traditional mutual information feature selection methods and the performance is better than that of information gain.Through the introduction of the concept of concentration degree and dispersion degree,the improved mutual information feature selection method greatly improves the performance of text classification system.     

Cooperative RRU selection algorithm for multicast service in C-RAN wireless networks

In the centralized, collaborative, cloud-based and clean wireless access network(C-RAN), the problem of the selection of the RRUs in cooperating group realizing CoMP for multicast service exists. In this paper, we propose an algorithm for RRU selection based on the signal receiving quality of multicast users and immediate load of RRUs. This algorithm adopts the channel capacity and the occupied resources as the optimal objects to establish the objective functions. And we find the optimal solution of the objective functions to achieve the appropriate cooperating RRU group. Contrasting with the selection algorithm based on signal receiving quality and geographical location, simulations show that the proposed algorithm improves the throughput and service fairness of multicast users in the CoMP system, and meanwhile reduces the load of the selected cooperative RRU and balances the system load.