使用串行干扰消除(SIC)方法进行MIMO系统信号检测时,先检测出的信号对后续层信号的检测有很大影响,存在误差传播现象。
针对这一问题,提出一种改进的SIC检测算法。
所提算法在进行SIC检测时,对前层采用穷举搜索,并对所得到的P维信号的累积度量值进行计算和排序,从中取出L组具有最小度量值的信号,再对其后续层利用SIC进行检测。
由于对前P层进行穷举搜索,降低了检测的误码率,从而减少了误差传播,提高了系统的检测功能。
通过调节参数P和L,可以在计算复杂度和检测功能间取得适当的折中。
针对这一问题,提出一种改进的SIC检测算法。
所提算法在进行SIC检测时,对前层采用穷举搜索,并对所得到的P维信号的累积度量值进行计算和排序,从中取出L组具有最小度量值的信号,再对其后续层利用SIC进行检测。
由于对前P层进行穷举搜索,降低了检测的误码率,从而减少了误差传播,提高了系统的检测功能。
通过调节参数P和L,可以在计算复杂度和检测功能间取得适当的折中。
2016/4/18 4:10:28
722KB
1
机载多发多收合成孔径雷达(MIMO-SAR)可以实现高分辨成像,但不可避免的存在运动误差补偿的问题。
对多子带并发的机载MIMO-SAR系统进行研究,首先建立并分析了MI-MO-SAR运动误差模型;然后提出了一种扩展的MIMO-SAR运动补偿距离徙动算法(RMA),通过改进的Stolt映射将距离徙动校正与方位向聚焦分开,并结合两步运动补偿技术对MIMO-SAR回波数据的运动误差进行校正,消除了运动误差带来的影响;最初在空频域对各子带信号进行带宽合成实现了距离向高分辨。
用该算法对散射点目
对多子带并发的机载MIMO-SAR系统进行研究,首先建立并分析了MI-MO-SAR运动误差模型;然后提出了一种扩展的MIMO-SAR运动补偿距离徙动算法(RMA),通过改进的Stolt映射将距离徙动校正与方位向聚焦分开,并结合两步运动补偿技术对MIMO-SAR回波数据的运动误差进行校正,消除了运动误差带来的影响;最初在空频域对各子带信号进行带宽合成实现了距离向高分辨。
用该算法对散射点目
2021/3/18 16:51:04
756KB
1
常规仿射投影算法(APA)收敛较快，但计算复杂度高。
集员仿射投影算法(SM.AP)具有独特的数据选择更新特性，可有效降低算法的执行复杂度，但由于采用标量误差，收敛较慢。
本文把集员滤波的时变步长引入到常规的仿射投影算法中得到一种新的基于集员滤波的变步长仿射投影(VS-APA-SM)算法。
与集员仿射投影算法(SM-AP)相比，该算法使用矢量误差，因此收敛速度更快，并具备了集员滤波(SMF)的数据选择更新特性。
同时，该算法的功能通过系统辨识和回声对消的实验得到了验证。
集员仿射投影算法(SM.AP)具有独特的数据选择更新特性，可有效降低算法的执行复杂度，但由于采用标量误差，收敛较慢。
本文把集员滤波的时变步长引入到常规的仿射投影算法中得到一种新的基于集员滤波的变步长仿射投影(VS-APA-SM)算法。
与集员仿射投影算法(SM-AP)相比，该算法使用矢量误差，因此收敛速度更快，并具备了集员滤波(SMF)的数据选择更新特性。
同时，该算法的功能通过系统辨识和回声对消的实验得到了验证。
2016/11/5 15:31:06
33KB
1
文件中给出案例数据，列代表指标集（输入集x:1-7,输出集y:8）行代表数据集。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
2019/11/18 17:14:58
13KB
1
针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题，提出将具有全局寻优的萤火虫算法，结合BP算法共同训练神经网络。
在本质上，萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练，避开局部极值点，得到优化后的神经网络初始权值后，利用BP算法的局部寻优特性对网络做进一步精细训练。
轴承毛病实验表明，萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升，毛病识别率最高达到99.47%。
在本质上，萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练，避开局部极值点，得到优化后的神经网络初始权值后，利用BP算法的局部寻优特性对网络做进一步精细训练。
轴承毛病实验表明，萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升，毛病识别率最高达到99.47%。
2018/11/10 22:25:45
1.2MB
1
matlab中补充模代码double_binary_search该代码脚本在Matlab中完成了双二进制搜索算法，以驱动光学仿真工具Lumerical来找到模式转换器设备的优化结果。
我们考虑了三个优化参数（传输，回波损耗和耦合）。
我们还添加了这样的功能，即该优化结果对制造误差具有10％的容忍度。
我们考虑了三个优化参数（传输，回波损耗和耦合）。
我们还添加了这样的功能，即该优化结果对制造误差具有10％的容忍度。
2021/9/19 21:14:31
2KB
1
针对FDK算法重建图像异常耗时的成绩,提出了一种极坐标反投影快速重建算法。
根据三角函数对称性,64幅预处理后的投影数据在反投影过程中同时运算;在极坐标反投影数据映射到笛卡尔坐标时,利用像素位置相关参数的对称性,在不使用查表方法的情况下,使双线性插值的计算量大大减少。
实验结果表明,采用这两种措施实现了FDK算法优化,与传统的FDK算法相比,重建速度提高8倍,采用CUDA技术,实现GPU对其加速,速度提高40倍,且均不产生新的误差。
根据三角函数对称性,64幅预处理后的投影数据在反投影过程中同时运算;在极坐标反投影数据映射到笛卡尔坐标时,利用像素位置相关参数的对称性,在不使用查表方法的情况下,使双线性插值的计算量大大减少。
实验结果表明,采用这两种措施实现了FDK算法优化,与传统的FDK算法相比,重建速度提高8倍,采用CUDA技术,实现GPU对其加速,速度提高40倍,且均不产生新的误差。
2016/4/5 16:13:47
1012KB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项；
MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
ARIMA模型根据原序列能否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。
其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项；
MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
ARIMA模型根据原序列能否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。
2017/5/23 20:02:29
2KB
1
-利用灰狼优化算法寻找未知节点到锚节点的实际距离和估计距离之间的最小误差，完成对未知节点坐标的估计-进行了原始Dv-hop定位算法和基于GWO的Dv-hop定位算法的对比-正文很详细
2017/10/12 1:58:38
4KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB