输入为Markov序列时的多用户检测算法

考虑当用户序列存在时间相关性时的多用户检测 ,并假设这种相关性可以用 Markov链描述 ,在传统的线性最大似然检测器中嵌入一个隐 Markov模型估计过程。因为输入序列是 Markov链 ,检测器的输出可以看成是被噪声污染的 Markov序列 ,Markov模型估计子用于估计用户序列及其转移概率 ,而估计得到的用户序列用来更新检测器的估计。因此 ,检测器和用户序列可以通过迭代的方式求解。仿真结果显示本文算法能充分利用信道输入的时间相关性 。

中继与队列相结合的电力线通信AMRS的分组传输方法

为减少电力线信道时变性对自动抄表系统(automaticmeter-reading system,AMRS)计量数据传输效率的不利影响,提出了中继路由与分组队列相结合的方法。中继路由将整条通信链路分割成若干子链路,可以有效提高传输效率,但传输效率仍受制于信噪比(signal to noise ratio,SNR)最低的子链路。为充分利用每条子链路的最大传输效率,在中继路由的基础上,引入了分组队列机制。该方法根据接收和发送子链路的信道状况,动态调整分组队列长度,实现了发送子链路和接收子链路独立传输。由基于SNR的3状态Markov信道模型得到分组的平均发送次数,以该次数表示中继路由的分组接收速率和分组发送速率,建立了基于OPNET的M/M/1/K的AMRS分组排队模型。通过分析不同排队强度时的分组队列长度与队列延时等参数,验证了该方法能够提高传输效率。

考虑健康状态的风电机组发电量预测模型

针对现有风电机组发电量预测方法很少考虑机组健康状态的影响,从而降低了预测准确性的问题,提出一种考虑健康状态的风电机组发电量预测模型。首先引入组合权重描述机组多个性能观测序列之间的相关性,建立基于改进多观测序列隐Markov模型(HMM)的健康状态模型,分别用健康状态等级序列与劣化概率描述健康状态劣化过程。采用预处理后的机组风电场数据采集与监控(SCADA)系统风速和功率数据,利用比恩法建立不同健康状态下的风电功率曲线模型。将机组健康状态劣化过程按时间序列融合到风电功率曲线,建立考虑健康状态的风电机组动态功率曲线模型,并结合基于Weibull分布的风速模型实现发电量预测。以SL2000/100风电机组发电量预测为例,验证了该方法的有效性。