由于现有的基于最大比合并MRC(Maximum Ratio Combination)的联合搜索定位算法实现复杂度高,为降低其计算复杂度,提出基于网格搜索的加权最大似然代价函数定位算法WMLGS(Weighted ML Grid Search Localization)。仿真结果表明:MRC和WMLG...
详细信息
由于现有的基于最大比合并MRC(Maximum Ratio Combination)的联合搜索定位算法实现复杂度高,为降低其计算复杂度,提出基于网格搜索的加权最大似然代价函数定位算法WMLGS(Weighted ML Grid Search Localization)。仿真结果表明:MRC和WMLGS算法的定位性能近似相等,在无地球表面约束条件下均优于单独时差或频差定位性能,并且逼近克拉美罗联合界,同MRC相比,WMLGS节省了一半左右的计算量,因此更具有实用价值。
针对单用户对双向中继系统中的功率分配问题,提出了一种基于梯度下降法的功率分配方案。该方案在总功率约束的条件下,以最大化和速率为目标函数,通过对中继波束成形矩阵和功率分配矩阵的反复迭代,求解出局部最优的功率分配和中继波束成形矩阵。仿真结果表明:提出方案的误码性能相比于等功率分配有明显提高,在误码率为10-2时,可获得2.5d B^3 d B的信噪比增益;同时,在中高信噪比下,相比于等功率分配,该方案可获得0.3(bit/s)/Hz^0.5(bit/s)/Hz的和速率增益。
数据挖掘中如何根据数据之间的相似度确定簇(Cluster)数一直是聚类算法中需要解决的难题。文中在经典谱聚(Spectral Clustering)算法的基础上提出了一种基于特征间隙检测簇数的谱聚类算法(Spectral Clustering with Identifying Cluster...
详细信息
数据挖掘中如何根据数据之间的相似度确定簇(Cluster)数一直是聚类算法中需要解决的难题。文中在经典谱聚(Spectral Clustering)算法的基础上提出了一种基于特征间隙检测簇数的谱聚类算法(Spectral Clustering with Identifying Clustering Number based on Eigengap,SC-ICNE)。通过构建规范的拉普拉斯矩阵,顺序求解其特征值和相应特征向量,并得到矩阵相邻特征值的间隙,通过判断特征间隙的位置来确定簇数k。最后,通过对前k个特征向量的k-means算法实现数据集的聚类。文中通过仿真分析了高斯相似度函数对SC-ICNE聚类性能的影响,在非凸球形数据集和UCI数据集上进行了性能仿真,并和k-means聚类算法进行了对比,在检测簇数和聚类准确性方面,验证了SC-ICNE算法的有效性。
暂无评论