基于第N佳中继选择的协作频谱感知检测概率分析

为获得最佳感知,系统在n个备选用户中选择最佳中继进行协作感知。但实际系统可能由于各种原因选择了第二佳或乃至更为一般的第N佳中继。为此,提出基于第N佳中继选择的协作频谱感知,推导了其在瑞利平坦衰落下的检测概率,并给出闭合表达式。数值计算表明,随着N的增加,系统检测概率不断下降,乃至低于任意选择;随着n的增加,基于最佳或接近最佳选择的系统检测概率明显提高,而基于最差或接近最差选择的系统检测概率则有所下降。     

新的V-BLAST系统次优天线选择

该文提出新的基于ZF SIC检测的V-BLAST系统次优天线选择准则:最小化信道矩阵伪逆的最大行范数。基于贪婪选择思想,发射天线选择采用使得该范数增加最小的递增选择策略,接收天线选择采用使得该范数减少最大的递减选择策略。仿真表明所提出的新准则明显优于已有的最大第1检测层后处理信噪比准则,且相应的快速选择算法可以获得最优的基于最大最小准则的全搜索选择的大部分分集增益,而复杂度很低。     

检测门限与中继用户配置的快速优化

在基于数据融合的协作频谱感知中,检测门限与中继用户是影响总错误率的主要因素。为避免采用复杂度高的全搜索方法,分别提出检测门限快速优化算法以及中继用户快速优化算法。前者依据总错误率的单调性,采用二分法逐步逼近最佳检测门限;后者根据贪婪思想,渐次选择一个最佳中继用户直至总错误率不再降低。仿真结果表明在保证高频谱感知性能的前提下,两者搜索次数均远低于全搜索方法。     

空时协作系统的中断概率分析和功率分配研究

提出了选择中继协议下最小化系统中断概率的最优功率分配方案,并给出了最佳功率分配的闭式解。根据协作节点间是否存在交互信息,分别通过对系统中断概率的分析,推出了高信噪比下中断概率的理论界。基于理论界,在功率受限情况下,通过拉格朗日乘数法,得到最优功率分配的闭合解。仿真结果表明,所推理论界在高信噪比下与仿真值近似相等,最优功率分配点的系统性能也要优于其它功率分配点。     

基于主题模型的微博评论方面观点褒贬态度挖掘

在新浪微博中,原创微博下存在着很多用户评论。这些评论能反映原创微博的内容,用户的态度以及与其相关的一些话题。因此,对这些评论进行细粒度信息的提取与褒贬态度的分类很有必要。基于上述原因,该文首先提出与原创无关的评论判别方法,通过三个相似度方法得到原创微博与评论之间的相关度,从而判断评论对象是否为原创微博。其次,提出一种用于评论集褒贬态度和方面观点挖掘的新模型,该模型在LDA中加入了表情符号层与文本情感层,实现评论集方面和褒贬态度的同步检测。实验表明: 表情符号情感层的融入能提高新模型褒贬态度识别能力。     

兼顾容量与差错率的V-BLAST系统发射天线选择

针对已有算法仅考虑容量最大或者差错率最小的不足,在采用基于最小均方误差串行干扰抵消检测算法的贝尔实验室垂直分层空时编码系统中提出了一种可以兼顾两者的发射天线选择算法.基于提出的容量增加值与最大检测后均方误差增加值之比最大选择准则,算法渐次选择一根局部最优的发射天线,直到所有天线选择完毕.仿真表明所提算法使得系统既具有较高的信道容量,又具有较低的检测差错率.     

最优认知用户配对与协作感知算法研究

针对协作算法频谱感知和时隙消耗方面的不足,提出一种最优用户配对与协作感知算法。采用接收信噪比最优的认知用户为感知用户且以接收信噪比次优的认知用户为其中继的配对准则,获得最佳频谱感知性能。通过优化设置协作门限,选择性地采用非协作或协作模式,获得更低的时隙消耗。同时,推导了在瑞利平坦衰落环境下该算法的频谱检测概率下界与时隙消耗。数值计算结果表明,与原有算法相比,该算法不仅检测概率更高且时隙消耗更低。     

n-out-of-K融合规则下增量式协作感知算法

该算法把协作中继分为前N个与后K?N个两部分,首先在前N个中继中感知,若不多于mL个中继检测到主用户或不少于mH个中继检测到主用户,则全局判定为存在或不存在频谱空洞;否则继续在后K?N个中继中感知,只有当前后两次感知不少于n个中继检测到主用户时则才全局判定不存在频谱空洞。在满足虚警概率与检测概率的前提下,构建最小化时隙消耗的目标函数,优化参数mL、mH与N。模拟表明,通过合理设置这些参数,在保证感知性能的前提下,所提增量协作算法的平均时隙消耗明显低于传统协作感知。     

基于nRF24L01的电子阅读器设计

提出一种2．4GRFID电子阅读器结构,设计了硬件电路及相关软件,克服被动式RFID阅读器识别距离短、不稳定的缺点。在电子阅读器的设计中,采用低功耗单片机和射频芯片,减小阅读器体积。实验表明,该型电子阅读器具有扩展方便、低功耗、可靠性高的特点。     

频谱检测门限与n-out-of-K融合规则的联合优化

为了减少计算复杂度,提出联合优化检测门限λ和n-out-of-K融合规则的算法.以λ和n为参数建立目标函数,并将参数以二进制形式表示,从而把算法转化为组合优化问题.接着,采用基于样值修改的互熵优化方法渐次逼近最优的参数.仿真表明,该算法在获得与已有算法几乎相当的总错误率情况下,可有效降低平均搜索次数,且随着K的增加搜索次数增加更平缓.