高维调制系统的低复杂度迭代多用户检测

提出了一种可用于高维调制系统的低复杂度迭代接收机算法. 此算法分为2步,首先采用迫零（ZF）检测算法获得软符号信息;然后将此软符号信息,在软入软出(SISO)多用户检测器和SISO信道译码器之间迭代,逐步提高检测可靠性. 由于SISO多用户检测器基于线性最小均方误差（LMMSE）滤波实现了一种新的软干扰消除技术,使此检测器不限于检测二相移相键控（BPSK）符号,而复杂度只随检测的码字个数呈多项式关系增长. 仿真表明,所提迭代算法经2次迭代即可逼近单码最大似然检测（MLD）的性能.     

一种改进的VI CFAR检测器

为得到不同杂波背景下的良好检测性能,给出了一种改进的VI CFAR检测器.该检测器主要利用均值类可变性指示（MLVI）CFAR检测器和有序统计类可变性指示（OSVI）CFAR检测器的各自优点以及VI CFAR的以背景均匀程度自动选择不同检测器思想.理论分析和仿真结果表明：该检测器在均匀背景下性能基本与MLVI CFAR重合;多目标背景下具有较强的抗多目标能力;杂波边缘背景下有较好的虚警概率控制能力且运算量小,是一种稳健的检测器.     

一种等效的变步长盲多用户检测算法

为提高判决反馈Sato盲多用户检测器和最小输出能量MOE盲检测器的性能，通过控制Sato算法的反馈系数，提出了一种新的盲多用户检测算法．该检测器等价为一种判决反馈变步长MOE盲检测器．既保持了MOE检测器全局收敛性，又具有最小均方误差MMSE检测器高输出信干比的优点．计算机仿真结果表明该算法的收敛性能和误码性能均优于MOE和Sato检测器．     

衰落信道下多用户检测器的研究

论述了在瑞利衰落信道下ＣＤＭＡ多用户信号检测技术,分析了此情况下,最佳多用户检测器系统模型．提出了一种次最佳多用户检测器,并对其系统性能进行了分析比较．结果显示,随着分集数的增加,该检测器性能随之提高,且其性能优于传统检测器．     

基于最小四阶矩准则的RLS空时多用户检测算法

为了解决常用高阶准则存在局部极小点问题。提出了一种约束最小四阶矩（LMF）盲多用户信号检测准则。它是最小均方准则（LMS）的一种高阶改进形式，通过Hessian矩阵对LMF目标函数的凸性分析,证明这种检测准则拥有全局收敛的特性,将此检测准则与最小二乘迭代方法相结合，在空时多径CDMA系统中构造出自适应RLS-LMF多址检测算法,继承了前者的稳态解相关性能和后者的计算有效性，在多径CDMA信道和直扩超宽带（DS-UwB）空时信遒下的仿真实验表明，该算法在保证高收敛速度的同时，拥有优异的稳态检测性能。     

CORBA技术在WCDMA网管系统中的应用

公共对象请求代理体系结构（CORBA）是对象管理组织（0HG）为解决分布式处理环境（DCE）中硬件和软件系统的互连而提出的一种解决方案。在电信系统中,基于CORBA技术的WCDMA（WidebandCDMA）网管系统（W-NMS）很好地满足了WCDMA网络的管理要求。本文主要对COR队技术在WCDMA网管系统中的应用做一些研究。     

Weibull杂波背景下的双参数CFAR检测器

针对单参数CFAR检测器在Weibull杂波下需事先估计杂波的形状参数,而双参数CFAR检测器如Log-t CFAR等则存在虚警损失较大的问题,基于有序统计（OS）CFAR检测器,结合反馈控制理论,提出了一种适用于Weibull杂波模型的双参数CFAR检测器.理论分析与仿真表明,该检测器无论在均匀背景还是非均匀背景下都具有较好的检测性能.     

加权分数傅里叶辅助的上行NOMA隐蔽通信

针对一个具有两阶段检测器的上行非正交多址接入系统，提出了随机功率分配和加权分数傅里叶变换来实现隐蔽通信。在该非正交多址接入系统中，存在一个可靠用户和隐蔽用户传输信息给基站，同时存在一个监听者企图侦察隐蔽用户的通信行为。设计了一种两阶段检测器，包括能量检测阶段和相似度检测阶段。通过相似度检测阶段为能量检测阶段提供先验概率，降低检错概率。针对所设计的两阶段检测器，提出了一种随机功率分配和加权分数傅里叶变换方案去掩盖隐蔽用户的传输，其中可靠用户采用随机功率分配而隐蔽用户采用加权分数傅里叶变换。给出了期望最小检错概率、可靠用户及隐蔽用户的中断概率的闭合表达式，并进行了仿真。在隐蔽约束和可靠约束下研究了最大期望隐蔽速率，以优化可靠用户的功率分配。研究表明，所设计的检测器有更低的期望最小检错概率，并改进了系统的隐蔽性能。     

一类新的分布式CFAR检测器及其性能分析

在似然比检验意义下，提出了一类基于比值加权平均（RWA）的分布式CFAR检测器．在该类检测器中，利用各传感器信噪比来确定权值，从而可实现各传感器在不同信噪比下，仍保持CFAR特性．在此基础上，对有序统计比值加权平均（OSRWA）和删除均值比值加权平均（CMLRWA）两种检测方法进行了研究，导出了相应的解析式．理论和数值分析结果均表明，该类型检测方法不受各传感器信噪比需相同的限制，且可获得较好的检测性能．     

2种高性能的空频OFDM检测器

提出了两种高性能的串行迭代的基于线性最小均方误差（LMMSE）估计的空频正交频分复用（OFDM）检测器。第一种检测器利用了已调信号的有限字母特性，通过后验概率的计算更新先验信息；第二种方法结合了判决反馈技术。通过分析和仿真表明，所提的算法在可接受的复杂度下，相对于已有的干扰消除器有效地消除了空频OFDM系统在频率选择性多径信道下的误码平层。     

基于遗传算法与经验误差最小化的SVM模型选择方法

支持向量机（SVM）的推广能力依赖于核函数形式及核参数和惩罚因子的选取,即模型选择.在分析参数对分类器识别精度的影响基础上,提出了基于遗传算法和经验误差最小化的支持向量机参数选择方法.在13个UC I数据集上的实验表明了本文算法的正确性与有效性,且具有良好的推广性能.     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.     

迅速崛起的机器学习技术--支持向量机

支持向量机(support vector machine，简称SVM)是近年来在国外发展起来的一种新型机器学习技术，由于其出色的学习性能，该技术已成为当前国际机器学习界的研究热点．与传统的人工神经网络(artificial neural network，简称ANN)不同，SVM是基于结构风险最小化(structural riskminimization，简称SRM)原理，而ANN是基于经验风险最小化(empirical risk minimization，简称ERM)原理．理论和实验表明，SVM不但结构简单，而且具有较好的泛化能力，尤其是对于小样本问题，成功地克服了ANN学习过程中的“过学习”和可能会陷入局部极小问题．另外，SVM算法是一个凸二次优化问题，能够保证极值解是全局最优解．就SVM理论进行了详细综述，旨在引起广大研究的重视．     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

基于支持向量机的设备振动信号趋势预测

详细分析了支持向量机用于趋势预测的理论基础,通过Lorenz仿真信号的单步、多步预测证明,支持向量机由于采用了结构风险最小化准则表现出优秀的推广能力,预测区间较长且精度较高.工程应用实例也表明支持向量机在设备趋势预测中可以满足实际需要,具有很好的应用前景.     

基于支撑矢量机的TD-SCDMA系统多用户检测器

基于多用户检测的分类模型，提出了一种基于支撑矢量机的非线性多用户检测器，利用TD-SCDMA系统的Midamble来训练支撑矢量机，逼近最优检测器．与已有的其他检测器相比，支撑矢量机多用户检测器是基于结构风险最小化原理构造的，其推广能力较好且所需训练样本数较少；另外，支撑矢量机多用户检测器的非线性特性可以比线性检测器更好地逼近最优检测器．利用TD-SCDMA系统多径环境下的仿真结果验证了该检测器的可行性和有效性．     

基于支持向量机的鲁棒波束形成

针对传统的最优波束形成对基阵的微小扰动非常敏感,使得最优波束形成器在导向向量存在误差时性能下降。为了改善最优波束形成器的鲁棒性,在对基于结构风险最小化原理的支持向量机(Support Vector Machine,SVM)算法分析的基础上,通过纳入附加的不等式约束来修改传统的线性约束最小方差价值函数,提出基于支持向量机的鲁棒波束形成方法。同时,为了减轻二次规划技术所带来的高计算成本,凸优化过程采用迭代重加权最小二乘算法来实现。与传统的最优波束形成算法相比,新方法能够提高最优波束形成对误差的鲁棒性。数值仿真实验表明:在无失配的理想情形和有失配的实际情形下,基于支持向量机的波束形成算法在期望信号阵列响应误差方面增加了鲁棒性,特别是在高信噪比或干扰信号数目较多的情况下,取得了满意的效果,为提高波束形成器的鲁棒性提供了一种新的有效途径。     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

并行式时空二维融合路段交通量预测

提出了一种基于支持向量机(SVM)的并行式时空二维融合路段交通量预测方法,对时间SVM和空间SVM分别在两个并行的操作系统模型中进行,以此降低时间成本.并将时间维SVM预测、空间维SVM预测与基于SVM的数据时空二维线性融合预测结果进行了对比,通过对比表明,时空二维线性融合预测的误差很明显比其它两种方法预测的结果误差要小得多,因此本文提出的时空二维融合可大大的提高预测精度.尤其是当有突发因素(如:交通事故发生)时,本文所提出的方法可在很大程度上避免一维时间源数据融合的结构性系统误差.     

基于最小二乘支持向量机的时用水量预测模型

针对神经网络存在结构较难确定,训练易陷入局部最优以及容易过学习等问题,提出将最小二乘支持向量机用于预测时用水量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.根据时用水序列具有周期性和趋势性的特点,建立了基于最小二乘支持向量机的时用水量模型.实例分析表明,与基于BP网络的时用水量模型相比,基于最小二乘支持向量机的时用水量模型具有更强的预测能力.