智能反射表面(Intelligent Reflecting Surface,IRS)能够对入射其上的信号进行一定的相位和幅度的变换,从而达到信号的精确传输,提高信号的覆盖和传输效率。但是这种优势都是在已知精确的信道状态信息(Channel State Information,CSI)...智能反射表面(Intelligent Reflecting Surface,IRS)能够对入射其上的信号进行一定的相位和幅度的变换,从而达到信号的精确传输,提高信号的覆盖和传输效率。但是这种优势都是在已知精确的信道状态信息(Channel State Information,CSI)的前提下才能达到。基于IRS元件的无源性,精确的CSI很难得到。针对此问题使用压缩感知(Compressive Sensing,CS)算法结合深度学习(Deep Learning,DL)的方法来解决。使用共链路结构来优化传统的压缩感知算法,能够在更低的导频开销和信噪比(Signal to Noise Ratio,SNR)下获得更好的归一化均方误差(Normalized Mean Square Error,NMSE)。将信道估计问题看作为去噪问题,把优化后的CS算法所得结果看作含有噪声的CSI,使用多重深层降噪块网络对其进一步去噪,得到更加精确的CSI。实验表明,所提算法较对比算法在相同SNR下有更好的精度。展开更多
针对电力行业碳排放量预测问题,在传统人工蜂群算法中引入遗传学习策略进行改进,提出一种基于进化人工蜂群算法优化的随机森林回归预测模型。首先在可拓展随机性环境影响评估模型(stochastic imacts by regression on population afflue...针对电力行业碳排放量预测问题,在传统人工蜂群算法中引入遗传学习策略进行改进,提出一种基于进化人工蜂群算法优化的随机森林回归预测模型。首先在可拓展随机性环境影响评估模型(stochastic imacts by regression on population affluence and technlogy,STIRPAT)模型基础上确定电力行业碳排放量影响因素,将其作为预测模型的输入自变量,继而利用进化人工蜂群算法优化随机森林回归模型,从而避免模型参数主观设置不合理对预测精度的不利影响,最后运用参数优化后的模型对电力行业碳排放量进行预测。实际测算数据验证结果表明,该模型可以准确反映电力行业未来碳排放趋势,并且与其他预测模型相比,预测精度更高、优势更加明显,能够为节能减排政策制定提供参考借鉴。展开更多
文摘智能反射表面(Intelligent Reflecting Surface,IRS)能够对入射其上的信号进行一定的相位和幅度的变换,从而达到信号的精确传输,提高信号的覆盖和传输效率。但是这种优势都是在已知精确的信道状态信息(Channel State Information,CSI)的前提下才能达到。基于IRS元件的无源性,精确的CSI很难得到。针对此问题使用压缩感知(Compressive Sensing,CS)算法结合深度学习(Deep Learning,DL)的方法来解决。使用共链路结构来优化传统的压缩感知算法,能够在更低的导频开销和信噪比(Signal to Noise Ratio,SNR)下获得更好的归一化均方误差(Normalized Mean Square Error,NMSE)。将信道估计问题看作为去噪问题,把优化后的CS算法所得结果看作含有噪声的CSI,使用多重深层降噪块网络对其进一步去噪,得到更加精确的CSI。实验表明,所提算法较对比算法在相同SNR下有更好的精度。
文摘针对电力行业碳排放量预测问题,在传统人工蜂群算法中引入遗传学习策略进行改进,提出一种基于进化人工蜂群算法优化的随机森林回归预测模型。首先在可拓展随机性环境影响评估模型(stochastic imacts by regression on population affluence and technlogy,STIRPAT)模型基础上确定电力行业碳排放量影响因素,将其作为预测模型的输入自变量,继而利用进化人工蜂群算法优化随机森林回归模型,从而避免模型参数主观设置不合理对预测精度的不利影响,最后运用参数优化后的模型对电力行业碳排放量进行预测。实际测算数据验证结果表明,该模型可以准确反映电力行业未来碳排放趋势,并且与其他预测模型相比,预测精度更高、优势更加明显,能够为节能减排政策制定提供参考借鉴。