基于免疫算法的Hopfield神经网络多用户检测器

提出的基于免疫算法的Hopfield神经网络多用户检测器，将扰乱的Hopfield神经网络多用户检测器的输出作为免疫算法的初始种群，利用了免疫算法的全局收敛的特点，从而克服了Hopfield易收敛到局部能量最小点的缺点。理论分析和仿真结果表明：该检测器具有良好的抗多址干扰和抗远近效应的能力。     

免疫克隆算法在SCDMA多用户检测器中的应用

多用户检测技术在一定程度上解决了CDMA系统的远近效应,但无论是线性还是非线性多用户检测器,都存在一定的不足和缺陷。将免疫克隆算法应用到多用户检测技术中,并且在同步CDMA系统中进行了仿真。仿真结果表明采用免疫克隆算法的多用户检测器的性能与其他几种算法相比有明显改善。     

一种神经网络多用户检测器

本文提出采用Ｈｏｐｆｉｅｌｄ神经网络实现ＣＤＭＡ多用户通信系统中多用户信号的检测。利用基于检测序列最大后验概率最佳多用户检测器的似然函数与Ｈｏｐｆｉｅｌｄ神经网络的能量函数的对应关系,构造一种离散Ｈｏｐｆｉｅｌｄ神经网络多用户检测器。研究表明,这种多用户检测器具有优良的性能,其计算复杂度低于最佳多用户检测器、抑制多址干扰和克服远近效应能力又大大优于传统检测器。     

基于随机Hopfield神经网络的最优多用户检测器

Hopfield神经网络检测器与传统检测器相比具有独特的魅力,但存在局部收敛问题.随机Hopfield神经网络通过对状态变量引入噪声,从而避免局部收敛,进而达到最优检测.本文给出了CDMA移动通信系统中基于随机Hopfield神经网络的最优多用户检测器的统一框架,该检测器利用随机Hopfield神经网络对最大似然函数进行优化从而得到最优检测性能.在三种典型信道中对这些检测器性能进行比较,结果表明该检测器比传统检测器的性能更好.     

基于改进的自适应克隆选择粒子群优化算法的多用户检测

为了提高多用户检测技术的性能，改善粒子群算法的局部搜索能力，将克隆选择算法（CS）和传统离散粒子群算法（DPSO）相结合，文中提出一种改进的自适应克隆选择粒子群优化算法（ACSPSO），并用于多用户检测。仿真证明，这种基于ACSPSO的检测器在误码率和收敛速度上都比DPSO和CS得到明显改善。     

基于免疫算法的多用户检测

本文提出了基于免疫算法的多用户检测方法，这种方法大大降低了最佳多用户检测器的计算复杂度，同时达到了次最佳的检测效果。     

基于进化算法的多用户检测器

粒子群算法PSO遗传算法(Particle Swarm Optimization)是由Kennedy和Eberhart于1995年提出的一种新的进化算法,PSO能够以一种更简便、快速的方式来完成和遗传算法(GA)一样的功能。本文在PSO算法思想的基础上提出了两种新的多用户检测算法： BEP(Binary Evolution Programming)算法, BPSO(Binary PSO,BPSO)算法。分别基于这两种算法构造了新的多用户检测器。仿真结果表明,这两种新的多用户检测器的抗误码性能比传统多用户检测器和基于遗传算法的多用户检测器都好,并且新的检测器的收敛速度明显比遗传算法检测器快。     

基于SRM检测算法的量子多用户检测研究

量子多用户检测为经典多用户检测最优解这一NP难解问题提供了一种有效的解决方法。本文利用量子多址通信模型,设计量子SRM检测算子,进行基于SRM检测的量子多用户检测算法的仿真及性能分析,提出了该算法的简化方法,并对各种可能影响算法性能的因素加以讨论。仿真结果表明,基于SRM算法的量子多用户检测方法具有很好的检测性能,简化后的算法计算复杂度大幅下降,算法的实用性得以增强。     

量子克隆进化算法

本文在量子进化算法的基础上结合基于克隆选择学说的克隆算子，提出了改进的进化算法——量子克降进化策略算法(QCES)．它既借鉴了量子进化算法的高效并行性又利用克隆算子来代替其中的变异和选择操作，以增加种群的多样性，避免了早熟，且收敛速度快．本文不仅从理论上证明了该算法的收敛，而且通过仿真实验表明了此算法的优越性．     

基于基因算法的盲多用户检测器

基于基因算法的盲多用户检测器通过新构造的代价函数，结合遗传学中生物进化机制 和盲多用户检测理论，提供了一种对下行链路 CDMA 系统中特定用户信号进行盲检测的新思路。经过 基因构造且迭代进行父母选择、交叉、变异以及族群的重组等运算，这种检测器能收敛到代价函数意义 上的全局最优检测器，且具有所需信息少、计算简单、数值稳定性高等优点。仿真证明，这种检测器具有 近似于盲 MMSE 检测器的误码性能以及良好的抗远近能力。     

基于遗传算法和神经网络的多用户检测器

利用两种方法的优点,并将它们应用于CDMA多用户检测中,提出一种基于并行遗传算法和递归神经网络的多用户检测器。该检测器中,遗传算法首先给神经网络提供较好的初始值,然后神经网络实时快速地获得最优解。计算机模拟结果表明:本文所提出的检测器在误码率和抗“远近”效应方面均具有良好的性能。     

基于自适应人工鱼群算法的多用户检测器

将智能优化算法应用到多用户检测器(MUD)问题中,是近年来改善MUD性能的一个研究方向。人工鱼群算法(AFSA)是一种新的智能优化算法,该算法具有一些遗传算法和粒子群算法不具备的特点。但是用其解决离散优化问题时,该算法保持探索与开发平衡的能力较差,且在算法运行后期搜索的盲目性较大,从而影响了该算法搜索的质量和效率。为了克服这些缺点,本文对该算法进行了改进,得到两种自适应人工鱼群算法(AAFSA_FP和AAFSA_SP),并首次用其构建了新的多用户检测器。仿真结果表明,该方法与基于遗传算法的多用户检测器和基于粒子群算法的多用户检测器相比,在误码率、抗远近效应的能力和收敛速度等方面都有明显的改善。     

基于免疫克隆与核匹配追踪的快速图像目标识别

为了避免核匹配追踪通过贪婪算法在基函数字典中寻找一组基函数的线性组合来逼近目标函数的计算量大的缺陷,本文利用免疫克隆选择算法全局最优和局部快速收敛的特性,加快对核匹配追踪算法每次的匹配过程进行优化,提出了一种免疫克隆核匹配追踪图像目标识别算法,该算法有效降低了核匹配追踪算法的计算量,对UCI数据集和遥感图像进行的仿真实验结果表明,相比标准核匹配追踪,该算法保持相当识别率情况下可以明显缩短一次匹配追踪的时间,尤其当字典规模较大时效果更为明显;同基于遗传算法优化相比,本文方法目标识别速度快,精度高。     

基于免疫算法的文本特征选择方法

文本的特征选择可以被看成是组合优化问题,而遗传算法是求解此类问题的较好方法。在遗传算法的基础上,提出了一种新的算法-免疫算法,用于文本的特征选择,通过免疫算子的构造,减轻了遗传算法后期的波动现象,提高了收敛速度。     

基于改进遗传量子算法的FIR数字滤波器设计

采用改进遗传量子算法(IGQA)进行FIR数字滤波器的优化设计,将滤波器的过渡带样本值作为变量进行优化,解决了传统方法(查表法)不能保证数据最优的问题。针对遗传量子算法(GQA)在优化连续多峰函数时易出现早熟的问题,提出一种改进遗传量子算法(IGQA),典型函数测试表明,IGQA的性能优于GQA和其它几种遗传算法,收敛速度快,全局寻优能力强,能有效地克服早熟现象。采用IGQA优化设计的FIR数字低通和带通滤波器的性能较查表法得到了很大改善。     

基于免疫记忆克隆选择算法设计低复杂整型数字滤波器

文章提出了一种基于免疫记忆克隆选择算法设计整型数字滤波器的方法，可获得频率特性很好的数字滤波器，克服量化系数引起的滤波器性能降低问题，而且可降低滤波器实现的复杂度。设计结果表明所提出的设计方法是可行有效的。     

基于自适应投影学习算法的RBF神经网络多用户检测方法

自适应投影学习算法是一种简单有效的构造和训练径向基函数神经网络的方法,该方法能迭代地确定径向基函数的个数,中心的位置以及网络的权系数。本文将基于自适应投影学习算法的径向基函数神经网络应用于CDMA系统多用户检测,仿真表明:这种方法对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。