基于概率模型的重叠子空间聚类算法

针对现有子空间聚类方法处理类簇间存在重叠时聚类准确率较低的问题,文中提出基于概率模型的重叠子空间聚类算法.首先采用混合范数的子空间表示方法将高维数据分割为若干个子空间.然后使用服从指数族分布的概率模型判断子空间内数据的重叠部分,并将数据分配到正确的子空间内,进而得到聚类结果,在参数估计时利用交替最大化方法确定函数最优解.在人造数据集和UCI数据集上的测试实验表明,文中算法具有良好的聚类性能,适用于较大规模的数据集.

一种获取标签相关信息的多标签分类方法

多标签分类已在很多领域得到了实际的应用。针对多标签分类中存在标签相关性问题,提出一种获取标签相关信息的多标签分类新方法,记为LRI_MLC。该方法主要是通过引入一个概率模型来实现,即对建立的最优化子问题采用交替最大化法进行求解,并给出了求解推到过程,自动地获得标签的相关信息,以达到较好的多标签分类效果。在四个多标签数据集上的实验结果表明,提出的方法得到了较好的分类预测评价值以及其他几种衡量指标值,优于现有经典的多标签分类方法。

基于SAGE的近场信道参数估计方法

在室内无线传播环境中,散射体与接收端之间的距离并不一定满足远场假设,这时到达接收端的多径信号是近场球面波形式,从而会对波达角和角度扩展的估计造成影响。对近场多径信道参数的估计需要同时考虑近场散射体与接收阵列之间的波达角和距离。基于空间交替通用期望最大化(SAGE)算法的基本思想,提出了一种的近场信道参数低复杂度估计方法,可以对近场散射体分量的时延、波达角、多普勒、复幅度等参数与距离参数进行联合估计。仿真实验验证了该算法能够准确地对近场散射体的距离和角度进行联合估计。

毫米波WiFi系统中多目标无源定位与生命体征检测算法

为提高独居老人看护、地震及消防救援等场景下人体目标无源定位和感知精度,基于空间交替广义期望最大化(SAGE)算法,提出了一种室内多目标毫米波无源定位和生命体征检测算法。首先,在毫米波WiFi系统中利用毫米波的高空间分辨率和人体目标固有的特征(即人体呼吸和心跳频率在一定范围内变化),对采集的信道响应在时域上进行滤波预处理,有效提取目标直接反射径;然后,将人体目标位置参数及呼吸心跳频率看作多径信号参数,将多目标无源定位和生命体征检测建模为信道测量的多径信号参数估计问题;最后,利用SAGE算法实现多个静止目标的位置信息和生命体征参数的联合估计。所提算法利用了人体先验信息,并同时对时域、频域和天线空间域的信息进行分析,提高了估计精度,降低了计算复杂度。实验和仿真结果表明,所提算法在微波暗室环境下可以有效估计人体目标的呼吸和心跳频率,其估计精度分别可达97.1%、97.7%;在多目标场景下,与传统基于WiFi的无源定位和感知算法相比,所提算法的定位误差降低约70%,呼吸频率估计精度提高约19%。

5G毫米波频段不同天线形式信道参数测量及对比分析

基于5G毫米波应用频段,开展了全向天线、喇叭天线以及阵列天线的信道测量与信道参数对比分析研究.利用空间交替广义期望最大化(space-alternating generalized expectation-maximization,SAGE)算法提取了多径信道参数,包括多径时延、到达角、多径强度等,基于多径分量距离(multipath component distance,MCD)对多径分量进行了分簇结果的对比,对比分析了相同测量点处不同天线形式得到的信道参数差异.结果表明,同场景下不同天线的信道参数测量结果会有较大差别,全向天线路损指数最小,阵列天线均方根(root-mean-square,RMS)时延扩展和RMS角度扩展均最小,喇叭天线可以得到较多的簇.本文为5G毫米波频段信道建模提供了不同天线形式信道参数结果对比分析数据.

基于GAPSO优化的神经网络无线信道参数预测

针对复杂环境中无线信道参数的预测问题展开深入研究,基于反向传播神经网络(Back Propagation Neural Network,BPNN),提出了遗传算法(Genetic Algorithm,GA)与粒子群优化(Particle Swarm Optimization,PSO)算法联合优化的神经网络预测无线信道参数的方法。在利用QuaDriGa平台生成非视距(Non-Line-of-Sight,NLoS)环境下的信道冲激响应(Channel Impulse Response,CIR)的基础上,结合GA在搜索最优解方面的优势与PSO算法加快收敛的特点,利用优化后的BP神经网络模型对相关信道参数进行学习和预测,解决了学习过程中收敛速度慢、预测精确度有限等问题。仿真结果表明,GAPSO-BPNN模型对NLoS环境下的信道参数的预测有较好的效果,能够在未来适应更多的复杂环境。

用于大规模MIMO系统的SAGE迭代信道估计算法

针对基于导频污染的大规模多输入多输出系统,提出一种空间交替广义期望最大化(SAGE)迭代的信道估计算法。将发送和接收的导频符号形成完备的数据空间集,利用基于导频的最小均方误差估计器初始化信道参数,通过导频符号和软信息迭代改进并更新初始估计数据。实验结果表明,该算法通过一次SAGE迭代即可实现精度收敛,且在高信噪比及导频污染的情况下相比基于导频的估计器具有更高的估计精度及频谱效率。