传统分布式多输入多输出正交频分复用(Multiple Input Multiple Output-Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统定时同步算法中,帧同步算法都是通过直接选取经验值作为阈值进行帧头捕获,而当发射天线数改变时同步...传统分布式多输入多输出正交频分复用(Multiple Input Multiple Output-Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统定时同步算法中,帧同步算法都是通过直接选取经验值作为阈值进行帧头捕获,而当发射天线数改变时同步度量值变化较大,这将大大增加漏捕获和误捕获的概率.针对这一问题,通过对传统度量函数进行统计特性分析,提出一种修正的定时同步度量函数,推导了其统计特性,并且基于‘3σ’阈值选取准则,形成一种新的基于计算阈值的帧同步(Frame Synchronization Algorithm based on Computed Threshold,CTFS)算法.进行了大量的仿真实验,在不同MIMO发射天线数目下,比较了提出的CTFS帧同步算法与传统的不等周期同步(Unequal Period Synchronization Pattern,UPSP)方案和正交变周期同步(Orthogonal Variable Period Synchronization Pattern,OVPSP)方案的帧同步性能,实验证明相较传统算法,提出的算法大大提高了同步度量值及同步性能的鲁棒性,解决了传统同步度量函数在发射天线变化时出现的问题.展开更多
传统多目标优化算法(Multi-objective evolution algorithms,MOEAs)的基本框架大致分为两部分:首先是收敛性保持,采用Pareto支配方法将种群分成若干非支配层;其次是分布性保持,在临界层中,采用分布性保持机制维持种群的分布性.然而在处...传统多目标优化算法(Multi-objective evolution algorithms,MOEAs)的基本框架大致分为两部分:首先是收敛性保持,采用Pareto支配方法将种群分成若干非支配层;其次是分布性保持,在临界层中,采用分布性保持机制维持种群的分布性.然而在处理高维优化问题(Many-objective optimization problems,MOPs)(目标维数大于3)时,随着目标维数的增加,种群的收敛性和分布性的冲突加剧,Pareto支配关系比较个体优劣的能力也迅速下降,此时传统的MOEA已不再适用于高维优化问题.鉴于此,本文提出了一种基于邻域竞赛的多目标优化算法(Evolutionary algorithm based on neighborhood competition for multi-objective optimization,NCEA).NCEA首先将个体的各个目标之和作为个体的收敛性估计;然后,计算当前个体向量与收敛性最好的个体向量之间的夹角,并将其作为当前个体的邻域估计;最后,通过邻域竞赛方法将问题划分为若干个相互关联的子问题并逐步优化.为了验证NCEA的有效性,本文选取5个优秀的算法与NCEA进行对比实验.通过对比实验验证,NCEA具有较强的竞争力,能同时保持良好的收敛性和分布性.展开更多
文摘传统分布式多输入多输出正交频分复用(Multiple Input Multiple Output-Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统定时同步算法中,帧同步算法都是通过直接选取经验值作为阈值进行帧头捕获,而当发射天线数改变时同步度量值变化较大,这将大大增加漏捕获和误捕获的概率.针对这一问题,通过对传统度量函数进行统计特性分析,提出一种修正的定时同步度量函数,推导了其统计特性,并且基于‘3σ’阈值选取准则,形成一种新的基于计算阈值的帧同步(Frame Synchronization Algorithm based on Computed Threshold,CTFS)算法.进行了大量的仿真实验,在不同MIMO发射天线数目下,比较了提出的CTFS帧同步算法与传统的不等周期同步(Unequal Period Synchronization Pattern,UPSP)方案和正交变周期同步(Orthogonal Variable Period Synchronization Pattern,OVPSP)方案的帧同步性能,实验证明相较传统算法,提出的算法大大提高了同步度量值及同步性能的鲁棒性,解决了传统同步度量函数在发射天线变化时出现的问题.
文摘传统多目标优化算法(Multi-objective evolution algorithms,MOEAs)的基本框架大致分为两部分:首先是收敛性保持,采用Pareto支配方法将种群分成若干非支配层;其次是分布性保持,在临界层中,采用分布性保持机制维持种群的分布性.然而在处理高维优化问题(Many-objective optimization problems,MOPs)(目标维数大于3)时,随着目标维数的增加,种群的收敛性和分布性的冲突加剧,Pareto支配关系比较个体优劣的能力也迅速下降,此时传统的MOEA已不再适用于高维优化问题.鉴于此,本文提出了一种基于邻域竞赛的多目标优化算法(Evolutionary algorithm based on neighborhood competition for multi-objective optimization,NCEA).NCEA首先将个体的各个目标之和作为个体的收敛性估计;然后,计算当前个体向量与收敛性最好的个体向量之间的夹角,并将其作为当前个体的邻域估计;最后,通过邻域竞赛方法将问题划分为若干个相互关联的子问题并逐步优化.为了验证NCEA的有效性,本文选取5个优秀的算法与NCEA进行对比实验.通过对比实验验证,NCEA具有较强的竞争力,能同时保持良好的收敛性和分布性.
