一种降低OFDM误码率及立方度量值的凸优化算法

相比于功率峰均比(PAPR),立方度量能够更加准确地预测功放的功率回退量,因此被认为是更有效的衡量正交频分复用(OFDM)信号包络变化的度量。为了提高功放效率,常用优化方法是直接最小化信号的立方度量值。然而,这样会引入严重的带内失真,造成系统误码率性能的恶化。该文提出了一种在立方度量值约束下最小化系统带内失真的凸优化模型,并设计了内点法定制方案求解此优化问题。仿真结果显示该算法相比现有优化算法能够显著提高系统误码率及立方度量性能。

长期演进项目中基于移动自组织网络的虚拟多输入多输出用户配对算法研究

在长期演进项目的虚拟多输入多输出系统中,为了保证用户公平性的同时得到更大系统容量,在分析移动自组织网络和虚拟多输入多输出系统模型的基础上,提出了一种长期演进项目中基于移动自组织网络的虚拟多输入多输出配对算法。仿真结果表明,该算法得到的系统吞吐量是单输入多输出系统的3倍多,是随机配对策略的2.5倍,相比正交配对策略也平均提高了20%。同时在用户的公平性方面,还保证了低吞吐量用户的公平性。

基于粒子群的无人机蜂群网络拓扑快速构建方法

高稳定性的网络拓扑是无人机蜂群系统分布式联合感知、分布式信息交互与分布式协同控制等集群功能的重要保障。在三维动态应用场景中,快速稳定的网络拓扑构建对于蜂群系统的可靠应用具有重要意义,而当前的拓扑构建方法在此方面研究并不充分。提出了一种基于粒子群优化算法(PSO)的无人机蜂群分布式拓扑快速构建方法,在满足蜂群网络特定的端到端通信时延性能要求下,最大化网络拓扑的维持时间。为实现分布式拓扑构建方法的快速收敛,根据蜂群节点的静态特性和动态趋势进行初值设计,同时基于特征相似度函数优化更新方向与步长。仿真结果表明,在典型应用场景和系统配置下,该方法具有高拓扑稳定性。在蜂群规模为100节点时,传统PSO策略需要平均5.5次迭代才能获得最优解,而该算法在获得相同端到端时延和网络吞吐性能的同时,平均只需2次迭代即可收敛到全局最优解。

基于群体智能算法的无人机蜂群拓扑构型方法

面向特定任务场景,无人机蜂群需要通过拓扑构型自主形成特定的拓扑形状以实现高效群体协同机制。拓扑构型通常包含从初始拓扑到目标拓扑的最佳映射和最优拓扑构型位置这两个问题,它们相互影响并直接关系到无人机蜂群的全局能量消耗。基于全局能耗最小化为目标的无人机蜂群拓扑构型联合优化模型,建立了基于群体智能算法的一般化求解框架,给出了基于灰狼优化算法(GWO)、均衡优化算法(EO)和穷富优化算法(PRO)的具体求解方法,并讨论了基于群体智能算法求解优化模型的加速收敛策略。仿真结果证明了该无人机蜂群拓扑构型方法的有效性。在典型拓扑构型场景下,该优化方法在8次迭代内即可实现算法收敛。

基于XDR数据分析的OTT视频服务感知质量评估方法

互联网电视(over the top,OTT)视频业务逐渐成为最流行的在线业务之一,然而网络视频往往由于网络质量差、服务平台过载等原因,出现播放失败、卡顿次数增加、缓冲时间过长等质量问题,导致用户感知质量(quality of experience,QoE)下降.因此,运营商需要精确评估和掌握用户在使用网络视频业务过程中的质量体验,以便提前发现质量问题,进一步开展网络和业务优化工作.为了解决该问题,提出一种基于用户呼叫/事务/会话记录数据(extend data record,XDR)的无参考网络视频质量评估方法.该方法从大量XDR数据中提取出与视频质量相关性高的少量信息,将大规模、低价值的XDR话单数据转化为高价值、小规模的视频质量特征信息,有利于后续人工智能算法的应用和视频业务质量评价,降低进一步数据挖掘的资源成本,提升机器学习的输入样本质量和QoE评价结果的准确性.实验表明:使用该方法提取后的数据进行QoE预测,得到的预测结果在准确性方面明显优于目前基于原始XDR数据的QoE机器学习评估方法.