【摘 要】
：
针对车车通信中快时变无线通信不稳定性和追踪的复杂性,提出一种基于盲信道估计过程中的判决反馈信道估计方法。借助来自接收机端解调器的输出判定符号,利用噪声衰落信道传输数据的统计特性追踪快速变化的信道传递函数;使用时间截断技术对获得的信道估计值进行判决反馈降低噪声影响,对载波间干扰进行消除,从而提高快时变信道的估计精度。仿真表明,相对于传统的信道估计算法,所提出的算法具有更优的误码率和均方误差性能。
【基金项目】
：
国家自然科学基金资助项目(61501186),江西省自然科学基金资助项目(20171BAB202001),江西省教育厅科研项目(GJJ160501),江西省研究生创新资金资助项目(YC2017-S252)
论文部分内容阅读
针对车车通信中快时变无线通信不稳定性和追踪的复杂性,提出一种基于盲信道估计过程中的判决反馈信道估计方法。借助来自接收机端解调器的输出判定符号,利用噪声衰落信道传输数据的统计特性追踪快速变化的信道传递函数;使用时间截断技术对获得的信道估计值进行判决反馈降低噪声影响,对载波间干扰进行消除,从而提高快时变信道的估计精度。仿真表明,相对于传统的信道估计算法,所提出的算法具有更优的误码率和均方误差性能。
其他文献
针对在互联网络服务中,进一步提升网络视频流量预测的精度以优化网络资源配置和满足用户需求的问题进行了研究,并对如何自适应选取网络视频流量时间序列中有效且必需的历史信息进行了探索,提出一种基于生物地理学优化算法优化极限学习机的BBO-ELM预测模型。在ELM预测模型的基础上,将BBO优化算法用于ELM的网络输入变量、隐含层节点的配置及参数、Tikhonov正则化参数的优化选取。为验证所提出方法的有效性
目的：探讨藏母羊妊娠后期补饲时间对其体况和羔羊初生重的影响因素。方法：选择该院2014年4月至2015年4月当地同期发情藏母羊180只研究对象，将其随机分成A组与B组（n=90）。A组中的藏
近邻传播(affinity propagation,AP)算法是一种具有较高准确度的聚类算法,但是其具有较高的时间复杂度,且无法有效聚类结构松散数据。针对这两个问题,提出了一种基于MapReduce的半监督近邻传播算法(MRSAP)。首先利用MapReduce编程框架,在各个数据节点上运行AP算法,得到局部的聚类中心,以及代表每一个局部聚类中心成为全局聚类中心可能性的决策系数;然后综合局部聚类中心
针对软件定义网络(SDN)泛洪攻击导致的上层性能瓶颈和过载问题,提出一种分布式自组织映射(DSOM)结合K-均值聚类的网络流量攻击检测方法。首先,位于应用层的DSOM控制器将现有数据集发送给集成了DSOM扩展包的交换机,在每个交换机上分别训练DSOM映射;然后,在预定时间内合并DSOM映射;最后,DSOM控制器将合并后的DSOM映射发送到所有Open Flow交换机,利用K-均值聚类完成最终的分类
教与学优化算法(teaching-learning-based optimization,TLBO)是一种模仿教学过程的新型启发式优化算法。针对TLBO算法寻优精度低、稳定性差的特点,提出了基于讨论组和自主学习的教与学优化算法DSTLBO(discussion group and self-learning TLBO)。在原TLBO算法的"教"阶段当中加入了小组讨论,随机将全体同学分成若干组,通过
大肠杆菌病作为一种禽类常发疾病，受到养殖者和防疫人员的广泛关注和高度重视。根据实际调查可以发现，大肠杆菌病是严重危害禽类的疾病，能与其它类型的疾病混合交叉感染，常常引发
目的：分析邻苯二甲酸二丁酯对小鼠卵巢功能的影响。方法：采用随机数字表法将2017年3月-2017年5月购买的60只小鼠分为对照组（二甲基亚砜）、低剂量组（4mg／kg）、中剂量组（40mg／kg）、高剂量
常规自适应方向图综合在求解最优权值向量时需经过复杂的广义矩阵求逆运算,计算过程繁琐,占用存储空间大。针对这一问题,提出一种采用二阶锥规划与压缩感知理论的改进自适应方向图综合算法。改进的算法将传统算法中的误差性能函数通过数学变换转换成标准二阶锥规划形式快速求解,同时应用压缩感知理论将大规模阵列权值稀疏化处理,从而得到最优天线阵列权值向量并减少训练时间。仿真结果表明,采用二阶锥规划与压缩感知的改进算法
通常在蛋白质网络中挖掘稠密子图或模块来识别其中的蛋白质复合物,限制了其应用范围和识别的准确性。针对该问题,提出了一种基于加权网络和局部适应度的蛋白质复合物识别算法。该算法综合稠密子图的密度指标和模块性定义了新的局部适应度函数,并基于边聚集系数构建加权的蛋白质网络,根据权值选择边,在加权蛋白质网络中将种子边不断聚类扩展,挖掘综合适应度最大的子图,从而识别出蛋白质复合物。在多个真实蛋白质网络中的实验表
为了进一步提高极限学习机的学习性能,将并行学习的思想引入单层极限学习机,并提出了基于并行学习的多层极限学习机模型。实验结果表明,该模型比传统的单层极限学习机、多层极限学习机以及传统基于误差反向学习的深度学习模型分类准确率高、收敛速度快。