针对已有的层流信道模型不能直接应用于存在目标的复杂层流信道的问题,提出一种基于模型驱动的信道建模方法.研究了存在目标的层流扩散信道的系统模型,在无目标平流模型的基础上加入参数,考虑层流和目标对接收分子的影响.结合仿真结果,...针对已有的层流信道模型不能直接应用于存在目标的复杂层流信道的问题,提出一种基于模型驱动的信道建模方法.研究了存在目标的层流扩散信道的系统模型,在无目标平流模型的基础上加入参数,考虑层流和目标对接收分子的影响.结合仿真结果,将有目标的复杂层流信道近似为两个稳定的层流信道,建立有目标的点源-接收机层流扩散信道模型.结合神经网络使用Levenberg-Marquardt算法对信道模型参数进行学习和预测,同时提出基于数据和模型驱动结合(combination of data and model driven, CDMD)的检测方法对目标进行检测.结果表明:通过公式数据与仿真数据对比验证了其信道模型的准确性,所有数据的相关系数为0.999 15,该神经网络模型具有可行性;使用神经网络二分类算法验证提出的目标检测方法,检测准确率达到98.8%时,提出的CDMD检测方法所需数据量约为基于数据检测方法的1/6.展开更多
文摘针对已有的层流信道模型不能直接应用于存在目标的复杂层流信道的问题,提出一种基于模型驱动的信道建模方法.研究了存在目标的层流扩散信道的系统模型,在无目标平流模型的基础上加入参数,考虑层流和目标对接收分子的影响.结合仿真结果,将有目标的复杂层流信道近似为两个稳定的层流信道,建立有目标的点源-接收机层流扩散信道模型.结合神经网络使用Levenberg-Marquardt算法对信道模型参数进行学习和预测,同时提出基于数据和模型驱动结合(combination of data and model driven, CDMD)的检测方法对目标进行检测.结果表明:通过公式数据与仿真数据对比验证了其信道模型的准确性,所有数据的相关系数为0.999 15,该神经网络模型具有可行性;使用神经网络二分类算法验证提出的目标检测方法,检测准确率达到98.8%时,提出的CDMD检测方法所需数据量约为基于数据检测方法的1/6.