智能反射表面的主被动联合波束成形分组模型优化算法

针对智能反射面(IntelligentReflectingSurface,IRS)联合主动和被动波束成形优化中计算复杂度过高的问题,该文基于经典的半正定松弛算法和交替优化算法提出了一种对本地IRS进行分组的新模型,通过降低每个IRS信道矩阵的秩来降低优化算法的复杂度。具体的,首先通过已知的IRS相位得出BS(Base Station)的次优发送波束,其次通过BS的发送波束计算得出分组后各IRS面的次优相位,经过不断交替迭代上述两步优化得出最优发送波束的结果。仿真结果表明,合适的IRS分组数量、分组方式与交替优化迭代次数可以在几乎不影响原算法性能的情况下,大大减少交替优化算法的复杂度。

基于L0优化的网格曲面特征线提取算法

基于网格曲面特征线的稀疏分布,提出一种优化的特征线提取算法。对于给定的网格,在每个面上计算一个值或向量作为输入。对输入的度量建立 L 0 优化模型,使其在网格边上的跃变尽可能少且优化前后的变化较小。给出基于变量分裂技术与罚函数方法的交替方向优化算法,并引入一种迭代的策略提升解的稀疏性,以取得更高质量的特征线。实验结果表明,该算法能有效提取网格曲面的特征线,与Crest lines算法、变分算法等相比,提高了特征线提取的质量和带噪数据的鲁棒性。

基于智能超表面的电磁涡旋能量效率最大化

针对电磁涡旋通信系统能量效率受限的问题,提出了基于智能超表面的电磁涡旋通信的传输方案。建立了基于智能超表面的电磁涡旋通信的系统模型,基于该系统模型推导了能量效率的数学表达式。为实现能量效率最大化,采用了一种交替优化算法进行求解,考虑到目标函数和约束条件的非凸性,问题被分为2个子问题,即通过分别优化基站的功率分配和智能超表面的相移系数来实现能量效率最大化。数值仿真结果表明采用智能超表面可以提高电磁涡旋通信系统的能量效率,并且所采用的优化算法可以有效地实现能量效率最大化。

智能反射面辅助的MU-MISO车联网毫米波通信联合波束赋形

近年来,车联网通信系统提出了大规模数据传输,通信连接稳定等需求。高频段通信凭借超高传输速率,低时延的特点被引入了该系统,但是,高频段通信仍面临着阻塞问题的挑战。因此,智能反射面作为一种可解决高频段通信阻塞问题的技术,成为车联网高频通信的热点议题。智能反射面由超材料构成,其表面的多个无源反射单元均匀排布形成阵列,所有反射单元的反射系数均可通过智能控制器实时调节,控制反射波束的方向和形状,来实现对无线传输环境的智能调控,提供增强视距通信、扩展通信覆盖范围等服务。针对MU-MISO车联网毫米波通信场景下,基站与车辆用户视线通信链路因遮蔽,车辆高速移动等因素,面临随机中断的问题,将智能反射面引入该系统,并结合该系统提出了基于半定松弛问题的交替迭代优化算法,以提高通信稳定性。该方法将系统中基站波束赋形矩阵优化和智能反射面相移矩阵优化分解为两个子问题,通过定义半定矩阵变量并适当放松特定的约束条件将两个子问题近似成为半定松弛问题,随后,使用交替优化技术对其进行迭代求解以实现联合优化,通过最大化同时刻通信车辆中的最小信干噪比来确保通信稳定性。仿真结果表明,该方法显著提高了车辆用户的信干噪比和基站的总频带利用率,确保了动态场景中车辆与基站的通信稳定性。

空地协同隐蔽移动边缘计算系统的能耗优化算法

针对实际应用中难以获取看守者准确位置信息的问题,提出了鲁棒的空地协同隐蔽移动边缘计算系统的能耗优化算法。在只知道看守者估计位置信息的条件下,分别从看守者和无人机的角度分析隐蔽性约束,通过联合优化计算任务分配因子、无人机-地面基站关联因子、无人机功率以及飞行轨迹,建立了无人机的加权总能耗最小化问题的数学模型。基于块坐标下降法、S-引理和连续凸近似法,提出了一种带参数的三阶段高效交替迭代优化算法,解决所提出的非凸优化问题。仿真实验结果表明,所提算法在节省能耗的同时,增大了给定隐蔽率约束下的卸载任务量,且具有良好的收敛性。

一种用于多目标定位的MIMO雷达快速功率分配算法

为了满足实际需求,该文提出一种用于多目标定位的功率分配算法,实现MIMO雷达有限功率的快速优化分配。该文首先给出了多目标定位误差的克拉美罗下界,并将其作为代价函数进行功率分配。而后,设计了一种可应用于多目标定位功率分配的交替全局优化算法,通过搜索Pareto解集来实现功率的快速分配。最后,仿真结果表明,所提的算法能快速实现MIMO雷达有限功率的优化分配,明显提升多目标定位精度。

基于自适应图学习的多目标特征选择算法

针对多目标回归中的特征选择问题,提出一种基于自适应图学习的多目标特征选择算法,在单个框架中同时考虑3种关系结构:输入特征与目标输出、不同目标输出以及样本间的相关结构,并基于上述结构信息进行特征选择.首先,在传统稀疏回归模型中对系数矩阵施加低秩约束,利用低秩学习对特征间相关性以及目标间的依赖关系进行解耦学习;然后,构建基于样本局部结构信息的自适应图学习项,充分利用样本间的相似结构进行特征选择;进一步地,引入基于输出相关性的结构矩阵优化项,使模型能够更加充分地考虑目标间的相关性;最后,提出一种交替优化算法求解目标函数,并从理论上证明算法的收敛性.在公开数据集上的实验表明,所提方法相较于现有主流的多目标特征选择方法具有更好的性能和适用性.

多用户间干扰下IRS辅助毫米波波束赋形研究

为解决IRS辅助毫米波通信系统中的干扰问题,提出了一种基于最大化系统总传输速率的联合波束赋形方案。该方案采用分数规划和二次型变换等技术,通过交替优化算法进行连续相移的联合波束赋形设计。针对实际硬件实现中的反射相移离散问题,进一步提出了一种离散相移的交替优化算法。仿真结果表明,该算法能够有效提高系统总传输速率,并且离散相移方案的总传输速率与连续相移方案趋近。

基于实例与目标相关性的多目标稀疏回归算法

针对传统多目标回归算法无法处理输入与多输出间的非线性关系,且忽视了数据点在输入与输出之间的结构信息,导致算法泛化性能受限、缺乏稳健性等问题,提出一种基于实例与目标相关性的多目标稀疏回归(multitarget sparse regression with instances and targets correlations, MTR-ITC)算法.首先,通过嵌入潜变量空间来对复杂的输入与输出以及输出间的关联结构解耦,并利用核技巧和稀疏回归学习输入输出间的非线性关系和输出间的相关结构;然后,引入流形正则化项探索不同实例在输入与输出变量间的相关性,确保模型输出与真实结果在局部和全局结构的一致性,以提升模型泛化性能;最后,提出一种交替优化算法来对目标函数进行求解,使其能快速收敛至全局最优.在基准测试数据集上的实验表明,所提算法在不同MTR数据集上均具有较好的测试性能.

基于多光谱吸收的交替迭代优化算法

基于模拟退火算法的吸收光谱技术可以实现高温气体温度浓度的二维分布重建。但其计算效率过低,不适合于大规模的场反演计算。针对于该问题,提出了一种基于多光谱吸收的温度场和浓度场重建的交替迭代优化算法。首先对浓度场的计算提出了线性化方案,将原系统半线性化,从而弱化了原系统的非线性;其次对待测温度场、浓度场提出了交替迭代方案,每一步迭代降低一半的未知变量个数;最后用优化技术引入惩罚项来克服重建过程的病态性,在每一步迭代时能自动调整正则化参数,保证了迭代解收敛于精确解。仿真和实验结果表明该算法具有较强的抗噪声能力,在保持重建精度的前提下,能够显著的缩短计算时间,适用于大规模的场反演计算。

基于AO⁃CCP的双智能反射面辅助的鲁棒性波束设计

5G在带来更多通信场景的同时,使得硬件布置成本和功耗急剧上升。智能反射面(Intelligent Reflecting Surface,IRS)作为一项新兴技术,因其在重塑无线通信环境、降低系统功耗及设备开销等方面的潜力而备受关注。为提高网络的鲁棒性和能效,在非完美的信道状态信息(CSI)前提下提出了双IRS辅助的点对点毫米波(mmWave)无线通信算法。建立了一个在用户服务质量(QoS)、IRS相移约束下的功耗最小化优化模型。采用交替优化(AO)方法对发射波束赋形矢量(TBFV)和反射波束赋形矢量(RBFV)解耦,引入松弛变量和凸凹过程(CCP)方法对非凸问题进行转换分解,最后使用CVX工具求解。仿真结果表明,与最大比传输(MRT)点对点通信的方案相比,所提优化模型使AP的功耗降低25%,同时降低了10%的中断概率,验证了在能量利用率、鲁棒性、覆盖范围等方面的实际优势。

基于功率的双向AF MIMO中继系统收发器设计

针对多用户对双向放大转发多输入多输出中继系统中用户和中继的收发器联合设计问题,基于节省功率的目的,提出了在满足每个用户均方误差约束的条件下最小化用户和中继总功率的优化问题。由于所形成的优化问题是非凸的,难以求得全局最优解,因此将原问题分解为3个便于处理的子问题,对这3个子问题分别进行求解,在此基础上提出了一种基于交替优化的迭代算法去求解原问题。仿真结果表明,所提算法相较于其他算法可以有效地节省用户和中继的总功率。

基于结构正则化方法的半监督降维研究

提出了一种鲁棒的半监督降维算法——同时降维和学习数据的结构特征,亦称之为结构正则化半监督降维算法.首先,通过交替方向优化算法和聚类发现数据的结构(包括内部结构分布和数据分割),实现数据结构化学习;然后把内部结构和数据分割作为降维的正则化项来学习降维映射;在迭代过程中,降维的结果也影响数据的结构化学习,基于数据结构学习和降维映射之间的相互作用,得到更精确的数据结构,降到最合适的维度.实验结果证明了所给方法的有效性.

基于交替迭代的车辆主动悬架LQG控制器设计

针对主动悬架线性二次高斯控制(linear-quadratic-Gaussian control,LQG)控制器,提供一种快速确定其最佳控制加权系数及最优控制力的方法。通过车辆行驶平顺性评价指标分析,利用无量纲归一化思想建立主动悬架最优控制目标函数,给出平顺性加权系数与控制加权系数间的关系;根据主动悬架力学模型,利用Newmark-β显式积分法,建立平顺性加权系数仿真分析模型。以路面不平度作为输入激励,以轮胎动位移和悬架动挠度为约束条件,借鉴交替迭代思想建立交替迭代优化算法,建立主动悬架LQG控制加权系数及控制力的优化方法。通过与现有LQG控制器设计方法的对比分析,对本设计方法的先进性和可靠性进行仿真验证,结果表明设计的LQG控制器能够显著改善车辆的乘坐舒适性。