CN110234092A - 基于多级优化提高车联网传输信号可靠性的方法 - Google Patents
基于多级优化提高车联网传输信号可靠性的方法 Download PDFInfo
- Publication number
- CN110234092A CN110234092A CN201910519097.XA CN201910519097A CN110234092A CN 110234092 A CN110234092 A CN 110234092A CN 201910519097 A CN201910519097 A CN 201910519097A CN 110234092 A CN110234092 A CN 110234092A
- Authority
- CN
- China
- Prior art keywords
- optimal solution
- sequence
- random matrix
- car networking
- transmission signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0261—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Error Detection And Correction (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了基于多级优化提高车联网传输信号可靠性的方法,首先初始化迭代次数t=0,设定迭代次数T=N,将原Q比特序列Q(t)与随机矩阵比较产生可行解c(t),通过初始适应度函数f(t)评估c(t)将最优解存入到cbest(t),然后迭代t=t+1,更新Q(t)与重新产生的随机矩阵与比较产生c(t),使用更新过的f(t)评估c(t)从而选出最优解,找出cbest(t‑1)和c(t)中的最优解c存入cbest(t),再次迭代,直至满足迭代结束条件输出c,然后将c与输入序列相乘,得到最终发送序列;本发明对车联网原始输入信号采用选择映射序列技术对信号进行处理的过程中引入量子理论和多目标优化机制,用U个统计独立向量Xu,(u=1,2,...,U)来表示同一组输入信号,然后选择整体幅度最小的信号进行传输,达到降低系统传输能耗和计算复杂度的目的。
Description
技术领域
本发明属于交通信息工程及控制技术领域,具体涉及基于多级优化提高车联网传输信号可靠性的方法。
背景技术
随着中国汽车产业的发展壮大,车联网这一新兴概念正悄然兴起,并以惊人的速度向前发展,车联网是物联网技术的重要分支,是指装载在车辆上的电子标签通过无线射频等识别技术,实现在信息网络平台上对所有车辆的属性信息静态、动态信息进行提取和有效利用,并根据不同功能需求对所有车辆的运行状态进行有效监管和提供综合服务。
车联网系统中信号传输存在信号幅度过大的问题,当传输信号通过线性区范围有限的放大器时会产生非线性失真,从而降低系统传输可靠性。针对这一问题,已有多种方法,这些方法可分为两大类:失真类技术和无失真来技术。其中,选择映射序列技术因其处理过程不会对原始传输信号造成失真的良好性质而受到广泛关注。选择映射序列技术是用U个统计独立向量Xu,(u=1,2,...,U)来表示同一组输入信号,然后选择整体幅度最小的信号进行传输。这U个不同的序列是由输入数据序列乘上长为N的相位旋转矢量得到的,但随着U的增大,寻找最佳相位旋转序列的计算复杂度会急剧增加,因此如何有效降低计算复杂度是选择映射序列技术的一个难点。
发明内容
为了解决了现有技术中存在的问题,本发明公开了基于多级优化提高车联网传输信号可靠性的方法,在选择映射序列技术中引入量子理论和多目标优化机制来降低计算复杂度。
为了实现上述目的,本发明采用的技术方案是,一种基于多级优化提高车联网传输信号可靠性的方法,具体包括以下步骤:
S1,设定迭代次数t=0,1,2......,M,并设定信号门限A,初始比特序列Q(t)中所有比特为
S2,生成一个随机矩阵并与S1中的初始比特序列Q(t)比较从而得到初始可行解c(t);所述随机矩阵的大小与初始比特序列Q(t)的大小相同,所述随机矩阵元素zik∈[0,1),其中i=1…,pop;k=1…V;
S3,使用初始适应度函数f(t)评估S2所得初始可行解c(t),得到初始最优解将所述初始最优解存入cbest(t),其中,m=1,2,...,V,V为每个Q比特个体的符号长度;
S4,t=t+1,使用量子门Q_gate更新S1中的初始比特序列Q(t),得到更新的比特序列Q(t+1);
S5,重新生成一个更新随机矩阵x′ab,并将所述更新随机矩阵x′ab与S4所得更新的比特序列Q(t+1)比较得到新的可行解c(t+1);所述更新随机矩阵的大小与更新的比特序列Q(t+1)大小相同,更新矩阵元素x′ab∈[0,1);
S6,更新适应度函数为f′(t),评估S5所得新的可行解c(t+1)得到新的最优解
S7,找出S5所得c(t+1)与前述步骤中的最优解,作为新的最优解cbest(t);
S8,重复S4~S7进行迭代得出最终最优解,将所述最终最优解保存,迭代次数等于M或最终最优解对应的信号值小于等于信号门限A,执行S9,否则返回S4;
S9,将S8所得最终最优解与输入序列相乘,得到最终发送序列。
在S1中Q比特序列定义为为提供相位因子序列个数,Q比特个体的定义为式中i=1,2,…,pop;k=1,2,...,V,V为每个Q比特个体的符号长度,α和β表示该Q比特趋于‘0’状态与‘1’状态的概率,α和β满足关系|αik|2+|βik|2=1。
S2中,初始比特序列Q(t)与随机矩阵的比较产生初始可行解c(t)遵循以下条件:
即当大于对应随机矩阵中元素zik时,当小于对应随机矩阵中元素zik时,将初始比特序列Q(t)中的与zik逐个比较得到其中
在S3中,所述初始适应度函数为
S4中,采用量子门Q_gate更新α和β的概率,并以此更新初始比特序列Q(t),使适应度较差的可行解向适应度较好的可行解方向以Q_gate进行旋转,Q_gate是满足U+U=UU+的可逆矩阵,U+是U的厄米共轭矩阵,Q_gate可由下式表示:
其中,Δθ表示旋转角度参数,其中i=1,2,…pop,k=1,2,…V。
S5中,经过S4更新得到的比特序列Q(t+1)与更新随机矩阵比较产生更新的最优解c(t+1)遵循条件与S2中的条件相同。
S6中更新过的适应度函数f′(·)表示为:
f′(xw)=ωffit(xw)+(1-ω)ΔImprove(xw),
其中m为适应度函数的个数,w为非负整数,ffit(·)为初始适应度函数,ω1和ω2是权重因子满足ω1+ω2=1,pop为可行解的总数,j=1,2,…,pop,l=1,2,…m,sign(x)定义为
与现有技术相比,本发明至少具有以下有益效果:本发明车联网原始输入信号采用选择映射序列技术对信号进行处理的过程中引入量子理论和多目标优化机制,用统计独立向量来表示同一组输入信号,然后选择整体幅度最小的信号进行传输,达到降低系统传输能耗和计算复杂度的目的;与原始输入信号相比,经过本发明的处理,信号幅度明显降低,可以有效降低车联网系统所传输信号对功率放大器线性度的要求,提升射频功率放大器的工作效率,传输系统性能变好,传输信号能耗降低;并且本发明提出的技术与全搜索选择映射序列技术相比,计算复杂度显著降低。
附图说明
图1是本发明的实现流程框图;
图2是本发明与现有方法的传输失真性能比较图;
图3是本发明与现有方法的互补累积误差函数性能比较图;
具体实施方式
下面结合附图以及仿真模拟对本发明进一步阐述:
选择映射序列技术原理为:设输入序列长度为N,X={X0,X1,…,XN-1},定义pop个长度为N的相位旋转序列:
其中是在区间[0,2π)内均匀分布的随机变量,则发送备选序列为
从这pop个序列中选择整体幅度最小的序列发送;经过本发明的所述方法可以找到pop个相位旋转序列中的最优序列c,然后将最优序列c与输入序列相乘,得到整体幅度最小的发送序列。
本发明的技术方案是:首先初始化迭代次数t=0,设定迭代次数为M,生成一个随机矩阵,将初始Q比特序列Q(t)与所述随机矩阵比较产生初始可行解c(t);通过初始适应度函数f(t)评估c(t)得到最优解将所述最优解存入到cbest(t);然后迭代t=t+1,使用量子门Q_gate更新Q(t)得到更新的比特序列Q(t+1),重新产生一个更新随机矩阵与更新的比特序列Q(t+1)比较产生新的可行解c(t+1);更新适应度函数f(t),得到f′(t),用f′(t)评估新的可行解c(t+1)选出最优解;找出c(t+1)和前述步骤中的最优解;再次迭代,直至满足迭代结束条件输出最终最优解;将所述最终最优解与输入序列相乘,得到最终发送序列。
参照附图1,本发明的具体实现步骤如下:
S1,初始化:设定最大迭代次数为M,t=0,生成一个随机矩阵,设定初始Q比特序列Q(t),Q比特序列定义为pop为提供相位因子序列个数,Q比特个体的定义是为式中i=1,2,…,pop;k=1,2,…,V,V为每个Q比特个体的符号长度,α和β表示该Q比特趋于‘0’状态与‘1’状态的概率,α和β之间满足关系|αi|2+|βi|2=1,初始Q(t)中,所有α和β设定为
S2,产生一个随机矩阵与初始比特序列Q(t)比较产生初始可行解c(t),产生的随机矩阵大小与初始比特序列Q(t)的大小相同,所述随机矩阵元素zik∈[0,1),其中i=1…,pop;k=1…V;随机矩阵与初始比特序列Q(t)的比较产生c(t)遵循以下条件:
当大于对应随机矩阵中元素zik时,当小于对应随机矩阵中元素zik时,将Q(t)中的与zik逐个比较得到其中
S3,使用初始适应度函数f(t)评估Q(t)可行解c(t),从中选出最优其中初始适应度函数为
S4,t=t+1,使用量子门Q_gate更新Q(t),采用量子门Q_gate更新α和β的概率并以此更新Q(t),得到更新的比特序列Q(t+1),使适应度较差的可行解向适应度较好的可行解方向以Q_gate进行旋转,Q_gate是满足U+U=UU+的可逆矩阵,其中,U+是U的厄米共轭矩阵,
Q_gate可由下式表示:
其中,Δθ表示旋转角度参数,其中i=1,2,…pop,k=1,2,…V。
S5,再次产生一个更新随机矩阵,并将所述更新随机矩阵与S4更新得到比较产生新的可行解c(t),所述更新随机矩阵的大小与比特序列矩阵Q(t+1)相同,更新矩阵元素x′ab∈[0,1),Q(t)与随机矩阵比较产生c(t+1)遵循条件:
当大于对应随机矩阵中元素zik时,当小于对应随机矩阵中x′ab时,逐个比较Q(t)中的与对应随机矩阵中的元素x′ab,从而得到其中
S6,更新适应度函数为f′(t),评估可行解并选出最优解更新过的适应度函数f′(t)表示为:
f′(xw)=ωffit(xw)+(1-ω)ΔImprove(xw),
其中m为适应度函数的个数,w为非负整数,ffit(·)为初始适应度函数,ω1和ω2是权重因子满足ω1+ω2=1,pop为可行解的总数,j=1,2,…,pop,l=1,2,…m,sign(x)定义为
S7,找出cbest(t-1)和c(t)的最优解c保存作为最终最优解;
S8,判断迭代次数是否达到上限,若达到上限(t=M)则输出最终最优解,否则返回S4;
S9,最优解c与输入序列相乘,得到最终发送序列。
本发明的效果可通过下面的仿真实例进一步说明,采用本发明所述方法在车联网传输系统中进行仿真实验,仿真内容与结果:图2给出了本发明与现有技术的误码率性能曲线;在图2与图3中曲线“Original”表示原始发送序列,“SLM”曲线表示采用选择映射序列搜索最优解的方法,“CE-SLM”表示采用Cross-Entropy方法搜索最优解的方法,“LC-SLM”曲线表示低复杂度选择映射序列搜索最优解的方法,“proposed”曲线表示使用本方法搜索最优解;可以看出,与原始信号相比,采用本发明所述方法,可以有效改善系统误码率性能,并且本发明所述方法的误码率性能明显优于现有技术,说明本发明所述方法可以大幅提高车联网系统中信号传输的非线性失真性能,图3给出了本发明与现有技术的互补累积误差函数性能比较图,本发明可以有效降低车联网传输信号幅度,提升功率放大器的功率效率,并且与现有技术相比,抑制传输信号幅度的性能更好。
Claims (7)
1.一种基于多级优化提高车联网传输信号可靠性的方法,其特征在于,具体包括以下步骤:
S1,设定迭代次数t=0,1,2......,M,并设定信号门限A,初始比特序列Q(t)中所有比特为
S2,生成一个随机矩阵并与S1中的初始比特序列Q(t)比较从而得到初始可行解c(t);所述随机矩阵的大小与初始比特序列Q(t)的大小相同,所述随机矩阵元素zik∈[0,1),其中i=1,2,…,pop;k=1…V;
S3,使用初始适应度函数f(t)评估S2所得初始可行解c(t),得到初始最优解将所述初始最优解存入cbest(t),其中,m=1,2,...,V,V为每个Q比特个体的符号长度;
S4,t=t+1,使用量子门Q_gate更新S1中的初始比特序列Q(t),得到更新的比特序列Q(t+1);
S5,重新生成一个更新随机矩阵x′ab,并将所述更新随机矩阵x′ab与S4所得更新的比特序列Q(t+1)比较得到新的可行解c(t+1);所述更新随机矩阵的大小与更新的比特序列Q(t+1)大小相同,更新矩阵元素x′ab∈[0,1);
S6,更新适应度函数为f′(t),评估S5所得新的可行解c(t+1)得到新的最优解
S7,找出S5所得c(t+1)与前述步骤中的最优解,作为新的最优解cbest(t);
S8,重复S4~S7进行迭代得出最终最优解,将所述最终最优解保存,迭代次数等于M或最终最优解对应的信号值小于等于信号门限A,执行S9,否则返回S4;
S9,将S8所得最终最优解与输入序列相乘,得到最终发送序列。
2.根据权利要求1所述的基于多级优化提高车联网传输信号可靠性的方法,其特征在于,在S1中Q比特序列定义为pop为提供相位因子序列个数,Q比特个体的定义为式中i=1,2,…,pop;k=1,2,...,V,V为每个Q比特个体的符号长度,α和β表示该Q比特趋于‘0’状态与‘1’状态的概率,α和β满足关系|αik|2+|βik|2=1。
3.根据权利要求2所述的基于多级优化提高车联网传输信号可靠性的方法,其特征在于,S2中,初始比特序列Q(t)与随机矩阵的比较产生初始可行解c(t)遵循以下条件:
即当大于对应随机矩阵中元素zik时,当小于对应随机矩阵中元素zik时,将初始比特序列Q(t)中的与zik逐个比较得到其中
4.根据权利要求2所述的基于多级优化提高车联网传输信号可靠性的方法,其特征在于,在S3中,所述初始适应度函数为
5.根据权利要求2所述的基于多级优化提高车联网传输信号可靠性的方法,其特征在于,S4中,采用量子门Q_gate更新α和β的概率,并以此更新初始比特序列Q(t),使适应度较差的可行解向适应度较好的可行解方向以Q_gate进行旋转,Q_gate是满足U+U=UU+的可逆矩阵,U+是U的厄米共轭矩阵,Q_gate可由下式表示:
其中,Δθ表示旋转角度参数,其中i=1,2,…pop,k=1,2,…V。
6.根据权利要求2所述的基于多级优化提高车联网传输信号可靠性的方法,其特征在于,S5中,经过S4更新得到的比特序列Q(t+1)与更新随机矩阵比较产生更新的最优解c(t+1)遵循条件与S2中的条件相同。
7.根据权利要求2所述的基于多级优化提高车联网传输信号可靠性的方法,其特征在于,S6中更新过的适应度函数f′(·)表示为:
f′(xw)=ωffit(xw)+(1-ω)ΔImprove(xw),
其中m为适应度函数的个数,w为非负整数,ffit(·)为初始适应度函数,ω1和ω2是权重因子满足ω1+ω2=1,pop为可行解的总数,j=1,2,…,pop,l=1,2,…m,sign(x)定义为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519097.XA CN110234092B (zh) | 2019-06-14 | 2019-06-14 | 基于多级优化提高车联网传输信号可靠性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519097.XA CN110234092B (zh) | 2019-06-14 | 2019-06-14 | 基于多级优化提高车联网传输信号可靠性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110234092A true CN110234092A (zh) | 2019-09-13 |
CN110234092B CN110234092B (zh) | 2022-04-29 |
Family
ID=67859350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910519097.XA Active CN110234092B (zh) | 2019-06-14 | 2019-06-14 | 基于多级优化提高车联网传输信号可靠性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110234092B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115161A (zh) * | 2021-11-30 | 2022-03-01 | 福州大学 | 考虑能耗的增材制造slm不相同并行机调度方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1190278A1 (en) * | 2000-03-09 | 2002-03-27 | STMicroelectronics S.r.l. | Method and hardware architecture for controlling a process or for processing data based on quantum soft computing |
US20130096698A1 (en) * | 2011-10-14 | 2013-04-18 | PronetLabs Ltd. | Self-organizing quantum robust control methods and systems for situations with uncertainty and risk |
CN104700160A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种车辆路径优化方法 |
CN106372725A (zh) * | 2016-07-29 | 2017-02-01 | 南京信息工程大学 | 基于混沌量子遗传算法的随机共振微弱信号检测方法 |
CN106792963A (zh) * | 2016-12-06 | 2017-05-31 | 淮阴工学院 | 一种基于粒子群优化的车联网分簇车‑车多跳路由方法 |
CN108597246A (zh) * | 2017-12-11 | 2018-09-28 | 武汉大学 | 一种解决路径选择实时性问题以避免局部拥堵的方法 |
CN108990016A (zh) * | 2018-08-17 | 2018-12-11 | 电子科技大学 | 一种多车协同的计算任务卸载与传输方法 |
CN109190978A (zh) * | 2018-09-01 | 2019-01-11 | 哈尔滨工程大学 | 一种基于量子鸟群演化机制的无人机资源分配方法 |
CN109379321A (zh) * | 2018-11-13 | 2019-02-22 | 长安大学 | 基于车联网系统中提高车载终端信号交互有效性的方法 |
-
2019
- 2019-06-14 CN CN201910519097.XA patent/CN110234092B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1190278A1 (en) * | 2000-03-09 | 2002-03-27 | STMicroelectronics S.r.l. | Method and hardware architecture for controlling a process or for processing data based on quantum soft computing |
US20130096698A1 (en) * | 2011-10-14 | 2013-04-18 | PronetLabs Ltd. | Self-organizing quantum robust control methods and systems for situations with uncertainty and risk |
CN104700160A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种车辆路径优化方法 |
CN106372725A (zh) * | 2016-07-29 | 2017-02-01 | 南京信息工程大学 | 基于混沌量子遗传算法的随机共振微弱信号检测方法 |
CN106792963A (zh) * | 2016-12-06 | 2017-05-31 | 淮阴工学院 | 一种基于粒子群优化的车联网分簇车‑车多跳路由方法 |
CN108597246A (zh) * | 2017-12-11 | 2018-09-28 | 武汉大学 | 一种解决路径选择实时性问题以避免局部拥堵的方法 |
CN108990016A (zh) * | 2018-08-17 | 2018-12-11 | 电子科技大学 | 一种多车协同的计算任务卸载与传输方法 |
CN109190978A (zh) * | 2018-09-01 | 2019-01-11 | 哈尔滨工程大学 | 一种基于量子鸟群演化机制的无人机资源分配方法 |
CN109379321A (zh) * | 2018-11-13 | 2019-02-22 | 长安大学 | 基于车联网系统中提高车载终端信号交互有效性的方法 |
Non-Patent Citations (3)
Title |
---|
KUK-HYUN HAN 等: "Quantum-Inspired Evolutionary Algorithm for a Class of Combinatorial Optimization", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
MICHAËL DEFOIN PLATEL 等: "Quantum-Inspired Evolutionary Algorithm: A Multimodel EDA", 《 IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION 》 * |
葛显龙: "面向云配送模式的车辆调度问题及算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115161A (zh) * | 2021-11-30 | 2022-03-01 | 福州大学 | 考虑能耗的增材制造slm不相同并行机调度方法及系统 |
CN114115161B (zh) * | 2021-11-30 | 2024-03-29 | 福州大学 | 考虑能耗的增材制造slm不相同并行机调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110234092B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aoudia et al. | End-to-end learning of communications systems without a channel model | |
Yu et al. | Cryptography based on delayed chaotic neural networks | |
CN106506430A (zh) | 一种基于压缩感知技术的补偿峰均比非线性失真的新算法 | |
CN102006148B (zh) | 基于宽度优先树形搜索的mimo信号检测方法 | |
CN101026434A (zh) | 一种低复杂度的迭代检测译码方法及装置 | |
CN110234092A (zh) | 基于多级优化提高车联网传输信号可靠性的方法 | |
CN106130689A (zh) | 一种非线性自反馈混沌神经网络信号盲检测方法 | |
CN107241167A (zh) | 一种基于大规模mimo系统bp检测的改进方法 | |
CN103888391A (zh) | 基于双Sigmoid混沌神经网络的信号盲检测方法 | |
CN116782296A (zh) | 一种基于数字孪生的车联网边缘计算卸载多目标决策方法 | |
Yeh | Search for all d-mincuts of a limited-flow network | |
CN111464469A (zh) | 基于神经网络的混合数字调制方式识别方法 | |
CN111162828B (zh) | 一种大规模mimo系统的低复杂度信号检测方法 | |
Guo et al. | Periodic oscillation for discrete-time Hopfield neural networks | |
Nguyen et al. | Impact of communication erasure channels on control performance of connected and automated vehicles | |
CN101330378A (zh) | 混沌序列产生方法 | |
CN102035769B (zh) | 基于复数离散全反馈神经网络的相移键控信号盲检测方法 | |
CN106533524A (zh) | 一种最大化分布式天线系统能量效率的波束赋形方法 | |
Wong et al. | Deep Learning for Channel Estimation and Signal Detection in OFDM-Based Communication Systems | |
CN105846962A (zh) | 一种基于分类学习的联合信道状态检测和译码算法 | |
Yin et al. | Echo state network based symbol detection in chaotic baseband wireless communication | |
CN102868653B (zh) | 一种基于双谱和稀疏矩阵的数字调制信号分类方法 | |
CN108063648A (zh) | 一种rcm编码矩阵的构造方法 | |
Bedoui et al. | A deep neural network-based interference mitigation for MIMO-FBMC/OQAM systems | |
CN106789822A (zh) | 降低多用户大规模mimo‑ofdm系统峰均功率比的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |