Efficient Integration of Multi-hop Wireless and Wired Networks with QoS Constraints
多目标遗传算法
Abstract: In this paper we propose the use of the genetic algorithm (GA) as a tool to solve multiobjective
optimization problems in structures. Using the concept of min-max optimum, a new GA-based multiobjective optimization technique is proposed and two truss design problems are solved using it. The results produced by this new approach are compared to those produced by other mathematical programminቤተ መጻሕፍቲ ባይዱ techniques and GA-based approaches, proving that this technique generates better trade-o s and that the genetic algorithm can be used as a reliable numerical optimization tool.
英语翻译新算法自动双明亮的多波束边缘斐索干涉条纹骨架化使用傅里叶变换的边缘模式分析方法
新算法自动双明亮的多波束边缘斐索干涉条纹骨架化使用傅里叶变换的边缘模式分析方法默罕默德·a . EL-Morsy1 21物理系,学院科学和人道主义研究,萨尔曼·本·阿卜杜勒阿齐兹大学Al-Kharj,KSA;2物理系,理学院,收住曼苏拉大学,科新杜姆亚特,埃及。
电子邮件:elmorsym@收到5月18日,修改后的6月20日,2012;2012;2012年6月29日,接受文摘多波束斐索干涉的干涉图条纹技术起着重要的作用,研究光纤的光学特性,因为这干涉图给我们提供有用的信息可以用于确定光纤的色散曲线示例。
一个常见的问题在任何干涉图分析的准确性定位边缘中心(条纹骨架)。
计算机辅助的算法有很多,取决于干涉图类型,用于各种数字干涉图条纹骨架提取。
本文据我所知,一个新颖的条纹骨架提取算法的双明亮的多波束边缘斐索干涉条纹。
该算法基于傅里叶变换使用不同的顺序和derivative-sign 二进制图像。
也该算法已经成功地测试了使用计算机模拟边缘和一个实验模式。
结果与原始干涉图和显示一个好的协议。
关键词:自动边缘分析;多波束斐索干涉条纹;傅里叶变换1。
介绍如今,莱塞密集的进步发展的来源和光学元素挑战科学家使用干涉法作为一种重要的诊断工具,准确和总实地测量的各种现象。
这些挑战导致accu-rate测量在几乎所有的工程领域。
例如在化学工程、材料科学和物理领域,fre-quently需要折射率测量。
有许多非侵入性的干涉tech-niques测量折射率剖面和其他相关纤维光学性质[1 - 4]。
所有这些技术都有自己的优点和缺点。
这些干涉技术的主要优势,对完善技术的灵敏度、准确性,和非接触性特征。
此外,干涉tech-niques在其他技术中最重要的是,他们是细致的,即信息字段中的所有点可以同时记录和观察。
所有的干涉技术基于波的相位差异”的字段,这是相关的各种物理性质,可观察到的强度变化。
换句话说,一种干涉技术的直接结果通常边缘模式或干涉图。
多频段多系统MR合并，预测频率重耕后5G多频组网覆盖效果
I G I T C W技术 分析Technology Analysis54DIGITCW2024.020 引言移动通信网络普遍使用MR 测量进行网络覆盖评估，传统的MR 覆盖评估方法一般仅使用同频MR 数据，对单系统网络评估结果较为准确，但对于多频段多系统组网的网络，受不同频段及异系统互操作驻留策略影响，存在“幸存者偏差”问题，只能评估用户在当前网络上的覆盖水平，较高的驻留门限会导致覆盖评估结果不准确，不能呈现真实的网络覆盖情况。
此外，传统的方法只能评估已建成的网络，不能预测频率重耕后5G 多频组网下的覆盖情况，不能精准指导网络规划及建设。
针对传统MR 评估方法存在的问题，根据MR 测量原理，本文提出了一种基于多频段多系统的MR 测量（同频、异频、异系统）数据进行网络覆盖评估的方法，通过合并异频、异系统MR 测量数据，弥补驻留策略导致的MR 覆盖评估数据缺失的不足，可以对单一频率覆盖进行还原，有效避免了目前同频MR 覆盖评估存在的“幸存者偏差”问题，提高了网络覆盖评估准确性，并可以提前对频率重耕后的5G 多频组网覆盖效果进行预测，提供数据支撑网络规划与建设。
通过在中国联通L900M ＋L1800M 网络及5G 网络中按本方法进行评估并进行实测验证，实测结果基本与MR 评估结果一致，证明了本方法的准确性。
1 整体方案概述（1）通过采集L900M 同频MR 数据、L1800M 异频MR 测量L900M 数据，进行数据处理和栅格数据合作者简介：田 超（1978-），男，安徽马鞍山人，中级工程师，学士，主要从事无线网规划和建设工作。
戴 廷（1983-），男，江苏徐州市人，中级工程师，学士，主要从事无线网运营管理工作。
多频段多系统MR合并，预测频率重耕后5G多频组网覆盖效果田 超，戴 廷（中国联合网络通信有限公司安徽省分公司，安徽 合肥 230071）摘要：传统MR覆盖评估方法只能评估现网单系统网络的覆盖效果，无法评估频率重耕后的多频段网络覆盖效果，而且存在“幸存者偏差”问题，导致评估数据不完整。
CV_Chi_Harold_Liu
Chi(Harold) Liu55, West Kensington Court+44(0)78-0968-2396, chiliu@ London, W14 9AA, U.K. /~chiliu P ROFILE:•Four-year international research experience in telecoms industry, strong collaborations in UK, USA, and EU. •Two-year team leading experience for network simulation (OPNET), to support various projects and products. •Proven problem solving and analytical skills in modelling wireless networking problems.•Extensive technical presentation experience for international projects reviews and conferences. •Knowledge of working in an international corporate environment as a team player.R ESEARCH I NTERESTS:•Cross-layer design and optimization of multi-hop wireless ad hoc/mesh/sensor networks•Algorithm and protocol designs for distributed scheduling, QoS routing, and admission control•Network management and operations for Quality of Information (QoI), and middleware•Mobile control theory for inter-domain communications•General artificial intelligence, MDP/POMDP, data ferry, and data collection problemsE DUCATION:Imperial College, London, U.K. 2006 – Jan. 2010 (Exp.) Department of Electrical and Electronic Engineering Ph.D. in Electrical Engineering •Supervisor: Prof. Kin K. Leung•Thesis: Cross-Layer Design for Multi-Hop Wireless Networks•Participated in European Union FP6 MEMBRANE mesh network and US Army-UK MoD co-funded ITA sensor network research projects and led some collaborations•Published more than 20 conference, journal papers, deliverables, and technical reportsTsinghua University, Beijing, China 2002 - 2006 Department of Electronic Engineering B.Eng. in Electronic and Information Engineering •Supervisors: Prof. Xin Su and Prof. Jing Wang•Achieved overall 88.5/100 score with equivalence to first-class degree•Demonstrated excellent analytical skills that achieved average math/physics 95.0/100•Demonstrated excellent pragmatic skills that lab reports are used as grading samplesH ONOURS AND A WARDS:•Scholarship of US Army-UK Ministry of Defence co-funded ITA Project 2008 - 2009 •Scholarship of EU-Funded FP6 MEMBRANE Project 2006 - 2008 •Scholarship of Electrical Engineering Department, Imperial College, U.K. 2006 - 2009 •Analog Device Inc. Scholarship, Tsinghua University, China 2005 •First-class Scholarship, Tsinghua University, China 2004 •Second Prize of Hardware Design Contest, Tsinghua University, China 2003 •Champion of the 7th Scientific Award for Young Pioneers, Beijing, China 2002 •Champion of the Mathematical Modelling Contest, China 2001, 2002 P ROFESSIONAL E XPERIENCES:IBM’s T. J. Watson Research Centre, Hawthorne, USA June 2009 – September 2009 Research Intern US Army-UK MoD ITA Project •Mentors: Dr. Ting He and Dr. Kang-Won Lee (Manager)•Contributions: WCNC2010, MobiHoc2010, IBM Tech Rep.•Investigated the interoperability issues of heterogeneous wireless networks and systems, by using unmanned, sensor-mounted data ferries to maintain the inter-domain communications.•Proposed a complete mathematical model using partially observable Markov decision process (POMDP);investigated the optimal policy and various suboptimal heuristics through analytical analysis; proved two tight upper bounds and one tight lower bound for these algorithms.•Performed extensive both synthetic simulations and human mobility trace studies using Matlab/C++. Imperial College, London, UK October 2006 – September 2009 Research Assistant EU FP6 MEMBRANE Project •Collaborators: Dr. Athanasios Gkelias, Dr. Yun Hou, and Prof. Kin Leung•Contributions: ICOIN08, VTC-Spring08, ISWPC08, WiMob08, PIMRC08, Globecom09, IEEE Trans. on Networking, Springer Wireless Personal Comm.•Investigated cross-layer design for multi-hop wireless mesh networks.•Proposed a multi-constrained QoS routing algorithm, a distributed, proportional fair scheduling algorithm for long-term QoS provision, and a connection admission control for grade of services guarantees.•Proposed a unique generic admission control methodology for all packet networks, wired/wireless, transparent to lower protocol layers, by modelling the whole network as a black box to estimate thetime-vary network capacity through real-time performance measurements.IBM’s T. J. Watson Research Centre, Hawthorne, USA October 2008 – December 2009 Industry collaboration under US-UK ITA Project•Collaborators: Dr. Chatschik Bisdikian and Dr. Joel Branch•Contributions: SPIE DSS09, ACITA09, SECON 2010, MobiCom 2010 IBM Tech Rep.•Developed a QoI-aware sensor network management framework for multi-task operations, where an adaptive negotiation process is proposed between task QoI requirement and sensor network resources.•Investigated the fundamental tradeoffs among task QoI requirements, sensor network lifetime, and traffic models, on a comprehensive intruder detection user scenario using Matlab/C++.•Investigated distributed duty-cycling schemes to achieve global optimization optimum.•Participated regular conference calls, initiated and won bi-annual research grants, gave technical presentations, and drafted quarterly research deliverables and newsletters to meet the deadline.•Developed problem solving skills against military requirements in a pragmatic approach, applying innovative design methods where appropriate.CEFRIEL-Politecnico di Milano, Milan, Italy February 2007 - October 2008 Industry collaboration under EU-FP6 MEMBRANE Project•Collaborators: Sara Grilli Colombo, Dr. Erwu Liu, and Giovanni Paltenghi•Contributions: SimuTools09, UKSim09, 4 Deliverables•Led OPNET simulation campaign among a group of five researchers•Developed a complex cross-layer simulation platform that covers TCP/IP, MAC and PHY layers for wireless mesh networks, fulfilling project requirement; enhanced standard OPNET PHY layer pipelinestages to include Rayleigh fading channel, adaptive modulation and coding schemes and directional antenna.•Initialized and leaded the collaborations, managed timeliness and set up milestones.Tsinghua Unisplendour Corporation Ltd., Beijing, China June 2005 - August 2005 Summer Technical Intern•Supervisor: Zhuo Chen•Designed automatic highway accident alarming systems and weighing systems that have been transformed into commercial products.•Improved fast-learning, self-motivating, team working and communication skills in industry.Peer Reviewers:2007 - present •Journals: Int’l J. of Comm. Networks and Information security (IJCNIS), IEEE Trans. on Comm., IEEE Comm. Letter, IEEE Trans. on Wireless Comm. EURASIP J. on Wireless Comm. and Networking •2010 Conferences: Infocom, WCNC, VTC-Spring.•2009 Conferences: WCNC, VTC-Spring, VTC-Fall, Globecom, PIMRC, ACITA.•2008 Conferences: ISWPC, GlobeCom, IWCMC, WiMob.A CTIVITIES:Technical University of Delft, Delft, the Netherland September 2008 IDEA League Summer Workshop•Organized EU IDEA League summer workshop aiming to draft research agendas on "Next Generation ICT for the Next Generation"; fostered collaborations among 50 PhD students in EU.•Proposed a human-interactive mobile sensor environment for elderly people, delivered elevator pitch and final presentations, won second prize.Imperial College, London, U.K. 2007-2009 Student Helper•Helped annual graduation award ceremonies and annual alumni reunion event at Royal Albert Hall.•Student caller to help raise annual funds for Imperial College.Tsinghua University, Beijing, ChinaStudent Helper July 2005 •Helped organizing 1st Tsinghua International Forum for PhD students, ChinaChief Radio Presenter2002 - 2004 •Hosted and presented popular music series and awarded best presenter for two years.•Being university ambassador of P&G, IBM for product marketing in advert slots.C OMPUTER AND O THER S KILLS:•Network Simulator: extensive use of OPNET, some use of NS-2•Languages: extensive use of C/C++, MATLAB, Pascal, some use of Unix shell scripts.•Applications: extensive use of LATEX, MS Office, MS Visual, Windows database.•Statistical Packages: extensive use of SAS, SPSS, C and MATLAB statistical libraries.•Full clean driving licenses in both U.K. and China.•Language: English (fluent), French (intermediate), Chinese (mother tongue).P UBLICATIONS: Full list of publications is attached.R EFERENCES:•Professor Kin K. Leung, Fellow IEEETanaka Chair Professor in Internet Technology E-mail: kin.leung@ Electrical Engineering and Computing Departments, Imperial College, U.K.•Dr. Chatschik Bisdikian, Fellow IEEEResearch Staff Member, Policy and Networking Department E-mail: bisdik@ IBM T. J. Watson Research Center, Hawthorne, USA•Dr. Kang-Won LeeManager, Wireless Networking Research Group E-mail: kangwon@ IBM T. J. Watson Research Center, Hawthorne, USA•Academician Hequan Wu E-mail: wuhq@ Vice President of Chinese Academy of Engineering, ChinaChi(Harold) LiuJ OURNAL P APERS:1. C. H. Liu, K. K. Leung, and A. Gkelias, “A Generic Admission Control Methodology for Packet Networks,”submitted to IEEE/ACM Trans. on Networking.2. C. H. Liu, A. Gkelias, Y. Hou, and K. K. Leung. “Cross-Layer Design for QoS in Wireless Mesh Networks,”Springer Wireless Personal Communications, Special Issue on Cross-Layer Design for Future GenerationWireless Networks, 2009.3.J. Cheng, C. H. Liu, S. Zhou, and Y. Yao. “Linear Precoding based on Sub-channel Permutation inPost-combining MIMO-HARQ Systems,” IEICE Transactions on Communications, Volume E89-B, No. 11, pp.3139-3142, 2007.C ONFERENCE P APERS:1.T. He, C. H. Liu, K. W. Lee, K. K. Leung, and A. Swami, “Flying in the Dark: Dynamic Control of MobileGateways,” submitted to ACM MobiHoc 2010, Chicago, USA.2. C. H. Liu, C. Bisdikian, J. Branch, and K. K. Leung, “QoI-Aware Wireless Sensor Network Management forDynamic Multi-Task Operations,” submitted to IEEE SECON 2010, Boston, USA.3. C. H. Liu, T. He, K. W. Lee, K. K. Leung, and A. Swami, “Dynamic Control of Data Ferries under PartialObservations,” in IEEE WCNC 2010, Sydney, Australia.4. C. H. Liu, K. K. Leung, and A. Gkelias, “Route Capacity Estimation Based Admission Control and QoS Routingfor Mesh Networks,” in IEEE GlobeCom 2009, Hawaii, USA.5. C. H. Liu, J. Branch, C. Bisdikian, and K. K. Leung “A QoI-aware Middleware for Mission-oriented Applicationsin Wireless Sensor Networks,” in ACITA 2009, Maryland.6. C. H. Liu, S. G. Colombo, E. Liu, A. Gkelias, and G. Paltenghi. “Efficient Cross-Layer Simulator for PerformanceEvaluation of Wireless Mesh Networks,” in ACM/ICST SIMUTools 2009, 2-6 March, Rome, Italy.7. C. H. Liu, S. G. Colombo, A. Gkelias, E. Liu, and K. K. Leung. “An Efficient Cross-Layer SimulationArchitecture for Wireless Mesh Networks,” in IEEE UKSim 2009, UK.8. C. H. Liu, K. K. Leung, C. Bisdikian, and J. Branch, “A New Approach to Architecture of Sensor Networks forMission-Oriented Applications,” in SPIE Defence, Security, and Sensing 2009, 14-17 Apr., Orlando, USA.9. C. H. Liu, A. Gkelias, Y. Hou, and K. K. Leung. “A Distributed Scheduling Algorithm with QoS Provisions inMulti-Hop Wireless Mesh Networks,” in IEEE WiMob 2008, pp. 253-258, 12-14 Oct., Avignon, France.10. C. H. Liu, A. Gkelias, and K. K. Leung. “Connection Admission Control and Grade of Service for QoS Routing inWireless Mesh Networks,” in IEEE PIMRC 2008, pp. 1-5, 15-18 Sept., Canne, France.11. C. H. Liu, A. Gkelias, and K. K. Leung. “A Cross-Layer Framework of QoS Routing and Distributed Schedulingfor Mesh Networks”, in IEEE VTC Spring 2008, pp. 2193-2197, 11-14 May, Singapore.12. A. Gkelias, B. Federico, C. H. Liu, and K. K. Leung, “MIMO Routing with QoS Provisioning”, in Proc. of IEEEISWPC 2008, pp. 46-50, 7-9 May, Santorini, Greece.13. C. H. Liu, K. K. Leung, and A. Gkelias. “A Novel Cross-layer QoS Routing Algorithm for Wireless MeshNetworks”, in IEEE ICOIN 2008, pp. 1-5, 22-25 Jan., Busan, Korea.DELIEVERABLES AND REPORTS (Joint Contributions):1. C. H. Liu, C. Bisdikian, J. Branch, and K. K. Leung, “QoI-Aware Operations and Management inMulti-Task-Oriented Wireless Sensor Networks,” IBM Res. Tech. Rep. RC24840, August, 2009.2. C. H. Liu, K. K. Leung, C. Bisdikian, and J. Branch, “A New Approach to Architecture of Sensor Networks forMission-Oriented Applications,” IBM Res. Tech. Rep. RC24765, March, 2009.3. C. H. Liu et al. “D4.2.3: Further Extensions and Performance Studies of Routing and Scheduling Algorithms forthe MEMBRANE Network”, EU-funded MEMBRANE project annul report, 30 Sep. 2008.4. C. H. Liu et al., “D4.3.2: Network Simulations of the Overall Wireless Multihop Backhaul IP Network”,EU-funded MEMBRANE project annul report, 31 Jul 2008.5. C. H. Liu et al., “D4.2.2: Performance Studies of the New Routing, Scheduling and Power Control Algorithms bySimulation and/or Mathematical Analysis”, EU-funded MEMBRANE project annul report, 31 Dec. 2007.6. C. H. Liu et al., “D4.3.1: Network Simulations of the Overall Wireless Multihop Backhaul IP Network”,EU-funded MEMBRANE project annul report, 31 Dec. 2007.7. C. H. Liu et al., “D4.2.1: Joint Routing, Scheduling and Power Control Algorithms”, EU-funded MEMBRANEproject annul report, 31 Dec. 2007.。
基于边界约束粒子滤波的多UUV纯方位协同目标跟踪
基于边界约束粒子滤波的多UUV纯方位协同目标跟踪
韩博;徐红丽;邱少雄;张文睿;茹敬雨
【期刊名称】《水下无人系统学报》
【年(卷),期】2024(32)2
【摘要】面向海上跨域协同中多无人水下航行器(UUV)协同探测水面目标需求,针对现有纯方位目标跟踪算法所面临的滤波器初始化困难和水声数据传输丢包问题,提出了一种基于边界约束粒子滤波的多UUV协同纯方位目标跟踪算法。
首先提出了主从式协同探测模型,利用跟随者向领航者上报状态估计结果进行数据融合。
其次,基于UUV传感器和目标的先验信息设计了初始阶段可靠粒子生成方法和更新阶段的指标函数粒子权重优化方法。
最后提出了基于灰色预测的分布式融合算法,得到目标预测结果。
仿真实验将所提算法和其他常见算法进行对比,在通信丢包以及噪声干扰情况下验证了算法的有效性和可行性。
【总页数】10页(P250-259)
【作者】韩博;徐红丽;邱少雄;张文睿;茹敬雨
【作者单位】东北大学信息科学与工程学院
【正文语种】中文
【中图分类】TJ634;U674.941
【相关文献】
1.改进高斯混合粒子滤波的纯方位目标跟踪算法
2.基于改进粒子滤波算法的纯方位目标跟踪
3.邻域迭代重采样粒子滤波的纯方位目标跟踪
4.新型粒子滤波算法及其在纯方位目标跟踪中的应用
5.基于改进遗传粒子滤波的纯方位机动目标跟踪
因版权原因，仅展示原文概要，查看原文内容请购买。
llm大语言模型量化方法
llm大语言模型量化方法LLM大语言模型量化方法是一种新的语言模型量化方法，它使用深度学习技术，在处理自然语言时能够大幅提高计算效率和准确率。
目前，LLM大语言模型量化方法已经被广泛应用于机器翻译、语音识别、自然语言处理等领域，并且取得了显著的成果。
量化是指将一个连续的数值空间转化为一个离散的数值空间。
在深度学习中，由于参数的数量极多，如果使用传统的精确计算方法，计算复杂度将会极高，从而导致计算时间过长，无法满足实时计算的需求。
因此，如何有效地降低计算复杂度成为一项关键技术。
LLM大语言模型量化方法就是一种高效降低计算复杂度的方法。
其基本思路是通过对神经网络中权重和激活输出的数值空间进行硬件友好的离散化处理，从而将实数域上的计算转化为整数域上的计算，从而降低计算复杂度，提高了计算效率。
具体来说，LLM大语言模型量化方法可分为三个步骤：第一步是量化网络的参数。
在此步骤中，通过对网络的参数进行离散化处理，将实数值离散化为整数值。
这样做可以有效地降低网络的存储空间，并且加速运算速度。
第二步是量化网络的输出。
在此步骤中，对网络的输出进行离散化处理，将实数域的输出转化为整数域的输出。
这样做可以大幅降低计算复杂度，提高运算速度，并且保持了原始网络的输出准确度。
第三步是训练量化网络。
在此步骤中，通过对离散化嵌入层的训练，可以提高网络的分辨率和准确性，使其更好地适应任务的要求。
同时，网络中的量化参数也可以被训练，以提高网络的分类精度。
总之，LLM大语言模型量化方法是一种高效的深度学习方法，其优点在于可以大幅降低计算复杂度，提高计算速度，并且保持了原始网络的输出准确度。
所以，LLM大语言模型量化方法在深度学习领域中有着广泛的应用前景，将为我们的生活带来更多的便利和创新。
多天线感知通信一体化系统低相关性波形设计
第 21 卷 第 12 期2023 年 12 月太赫兹科学与电子信息学报Journal of Terahertz Science and Electronic Information TechnologyVol.21，No.12Dec.，2023多天线感知通信一体化系统低相关性波形设计张智博，常青*，赵娜，徐昊(北京航空航天大学电子信息工程学院，北京100191)摘要：为实现多天线无线系统中感知和通信的一体化波形设计问题，提出一种基于加权优化的目标函数，在完成数据通信的同时，降低各天线波形之间的互相关性。
利用梯度投影法设计了最优通信波形并作为初始迭代点，而后利用最大化最小化算法得到一体化波形设计结果。
仿真结果表明，设计的一体化波形实现了通信性能和感知性能的权衡，可用于多天线感知通信一体化系统之中。
关键词：感知通信一体化；波形设计；加权优化；梯度投影法；最大化最小化算法中图分类号：TN914 文献标志码：A doi：10.11805/TKYDA2021347Low-correlation waveform design for multi-antenna Integrated Sensing AndCommunication systemsZHANG Zhibo，CHANG Qing*，ZHAO Na，XU Hao(School of Electronic and Information Engineering，Beihang University，Beijing 100191，China)AbstractAbstract：：To realize Integrated Sensing And Communication(ISAC) in multi-antenna wireless systems, the design of integrated waveform is studied. A weighted objective function is proposed toreduce the correlation between waveforms while enabling data communication. The gradient projectionmethod is employed to obtain the initial iteration points, and then the maximization-minimizationalgorithm is applied to get the waveform design results. Simulation results show that the designedintegrated waveform achieves the tradeoff between the performance of communication and sensing, andcan be applied to actual wireless systems.KeywordsKeywords：：Integrated Sensing And Communication；waveform design；weighted optimization；gradient projection；maximization-minimization随着第六代移动通信(6G)技术的逐步演进，6G基站和终端将逐步具备感知环境和数据通信两种功能，演化出通信感知一体化(ISAC)技术[1]。
空分复用传输用掺铒光纤研究进展
0引言随着科技发展，未来网络社会万物互联、VR 虚拟现实、超高清视频等应用对网络速率的要求越来越高。
由于标准单模光纤的非线性克尔效应，光纤通信系统容量存在非线性香农极限［1］，这限制了标准单模光纤传输容量的进一步提升。
而基于多芯、少模光纤的空分复用（SDM ）技术，能进一步提高单根光纤的传输容量。
基于多芯、少模光纤的空分复用传输系统要实现大容量、高速率、长距离传输，必然离不开光纤放大器补偿传输损耗，而空分复用掺铒光纤是光纤放大器最核心的组件，所以少模、多芯掺铒光纤设计与制备是空分复用传输系统走向实用化的关键技术。
2011年，英国南安普顿大学首次拉制了2种支持2个LP 模式的少模掺铒光纤［2］。
2011年，OFS 公司首次拉制出7芯单模掺铒光纤［3］。
随后，关于少模、多芯的掺铒光纤及其相应的光纤放大器研究成果大量涌现。
文章第1部分介绍了少模掺铒光纤及其相应光纤放大器的研究进展，第2部分介绍了多芯掺铒光纤及其相应光纤放大器的研究进展，第3部分介绍了少模多芯掺铒光纤及其相应光纤放大器的研究进展，最后空分复用传输用掺铒光纤研究进展Review of Erbium-doped Fiber for Space-Division Multiplexing Transmisison关键词：多芯掺铒光纤；少模掺铒光纤；增益；噪声指数；模式相关增益doi ：10.12045/j.issn.1007-3043.2018.06.018中图分类号：TN929.11文献标识码：A文章编号：1007-3043（2018）06-0077-06摘要：掺铒光纤放大器（EDFA）的诞生是光纤通信领域革命性的突破，它使长距离、大容量、高速率的光纤通信成为可能。
基于多芯、少模光纤的空分复用（SDM）技术要实现长距离传输必然离不开相应光纤放大器。
系统综述了空分复用传输用掺铒光纤的研究进展，包括少模掺铒光纤、多芯掺铒光纤、少模多芯掺铒光纤及相应光纤放大器性能参数，并对未来研究做了展望。
融合协同过滤的神经Bandits推荐算法
第62卷 第1期吉林大学学报(理学版)V o l .62 N o .12024年1月J o u r n a l o f J i l i nU n i v e r s i t y (S c i e n c eE d i t i o n )J a n 2024d o i :10.13413/j .c n k i .jd x b l x b .2022439融合协同过滤的神经B a n d i t s 推荐算法张婷婷1,2,欧阳丹彤1,2,孙成林3,白洪涛1,2(1.吉林大学计算机科学与技术学院,长春130012;2.吉林大学符号计算与知识工程教育部重点实验室,长春130012;3.吉林大学白求恩第一医院内分泌与代谢科,长春130021)摘要:针对数据稀疏性和 冷启动 对协同过滤的限制以及现有的协同多臂老虎机算法不适用于非线性奖励函数的问题,提出一种融合协同过滤的神经B a n d i t s 推荐算法C O E E N e t .首先,采用双神经网络结构学习预期奖励及潜在增益;其次,考虑邻居协同作用;最后,构造决策器进行最终决策.实验结果表明,该方法在累积遗憾上优于4种基线算法,推荐效果较好.关键词:协同过滤;多臂老虎机算法;推荐系统;冷启动中图分类号:T P 301 文献标志码:A 文章编号:1671-5489(2024)01-0092-08N e u r a l B a n d i t sR e c o m m e n d a t i o nA l go r i t h m B a s e d o nC o l l a b o r a t i v eF i l t e r i n gZ H A N G T i n g t i n g 1,2,O U Y A N G D a n t o n g 1,2,S U N C h e n g l i n 3,B A IH o n gt a o 1,2(1.C o l l e g e o f C o m p u t e rS c i e n c e a n dT e c h n o l o g y ,J i l i nU n i v e r s i t y ,C h a n gc h u n 130012,C h i n a ;2.K e y L a b o r a t o r y o f S y m b o l i cC o m p u t a t i o na n dK n o w l ed g eE n g i ne e r o fM i n i s t r y o f E d u c a t i o n ,J i l i nU n i v e r s i t y ,C h a n gc h u n 130012,C h i n a ;3.D e p a r t m e n t o f E nd o c r i n o l o g y a n d Me t a b o l i s m ,F i r s tH o s p i t a l of J i l i nU n i v e r s i t y ,C h a n gc h u n 130021,C h i n a )A b s t r a c t :A i m i n g a t t h e p r o b l e m s o f t h e l i m i t a t i o n s o fd a t a s p a r s i t y an d c o l ds t a r t o nc o l l a b o r a t i v e f i l t e r i n g a n d t h e i n a p p l i c a b i l i t y o f t h e e x i s t i n g c o l l a b o r a t i v em u l t i -a r m e dB a n d i t a l g o r i t h mt on o n l i n e a r r e w a r d f u n c t i o n s ,w e p r o p o s e dan e u r a lB a n d i t r e c o mm e n d a t i o na l g o r i t h m C O E E N e t ,w h i c hc o m b i n e d c o l l a b o r a t i v e f i l t e r i n g .F i r s t l y ,i t a d o p t e dad u a l n e u r a l n e t w o r ks t r u c t u r e t o l e a r ne x pe c t e dr e w a r d s a n d p o t e n t i a l g a i n s .S e c o n d l y ,w e c o n s i d e r e d t h e c o l l a b o r a t i v e ef f e c t o f n e igh b o r s .Fi n a l l y ,a d e c i s i o n -m a k e rw a s c o n s t r u c t e d t o m a k e t h e f i n a l d e c i s i o n .T h ee x p e r i m e n t a l r e s u l t s s h o wt h a t t h e p r o po s e d m e t h o di s s u p e r i o r t o t h e f o u r b a s e l i n e a l g o r i t h m s i n c u m u l a t i v e r e gr e t ,a n d h a s a g o o d r e c o mm e n d a t i o ne f f e c t .K e y w o r d s :c o l l a b o r a t i v e f i l t e r i n g ;m u l t i -a r m e dB a n d i t a l g o r i t h m ;r e c o mm e n d a t i o n s y s t e m ;c o l d s t a r t 收稿日期:2022-11-16.第一作者简介:张婷婷(1998 ),女,汉族,硕士研究生,从事机器学习和数据挖掘的研究,E -m a i l :t i n g t i n gz 98@163.c o m.通信作者简介:白洪涛(1975 ),男,汉族,博士,教授,从事机器学习和并行计算方法的研究,E -m a i l :b a i h t @jl u .e d u .c n .基金项目:吉林省自然科学基金(批准号:20210101181J C ).随着互联网经济的迅速发展,每天都有海量信息呈现在人们眼前.对于电子商务㊁视频㊁音乐㊁新闻等平台,促进用户消费以将其提供的内容或物品转化为价值至关重要.对于用户,打开某平台就能快速找到自己感兴趣的内容,降低搜寻信息成本,是一种基本需求.基于此,针对个性化推荐[1]的研究备受关注.协同过滤[2-4]作为最常用的传统推荐算法,通过群体中个体的行为特征找出一组与目标用户相似的邻居用户,并利用这种相似性进行推荐,通过持续的协同作用,可获得越来越精准的推荐效果.但协同过滤算法自身存在一些不足,即稀疏性[5-6]和冷启动问题[7-8].在实际推荐场景中,用户和物品规模非常庞大,用户通常只对小部分物品有涉猎(评分),大部分用户之间没有相同评分项或相同评分项很少,这种数据的稀疏性限制了用户间相似性的计算,即使可计算,可靠性也难以保证.冷启动问题本质上也是数据稀疏问题的一种极端表现,即当新用户进入推荐系统后,由于其提供的评分信息有限,因此系统难以找到相似用户从而进行协同推荐.新物品同理,由于用户都未对其进行评分,因此即使确定了相似用户,也无法获知这些用户对新物品的评分情况.除对上述问题的考虑,推荐系统还应尽可能兼顾推荐的多样性和广度,即探索-利用(e x pl o r a t i o n a n d e x pl o i t a t i o n )问题.利用表示对于已知用户感兴趣的物品要尽力迎合,探索则表示推荐给用户其未涉猎过的物品以探索其新兴趣.多臂老虎机(m u l t i -a r m e dB a n d i t )算法[9]是强化学习领域的一个解决探索-利用问题的有效方法,可在每轮推荐中平衡探索与利用的关系.在多臂老虎机算法中,每轮向用户呈现一组物品,通过一定策略选择一个物品并获得相应奖励,问题的目标是最大化累计奖励.传统的多臂老虎机算法未考虑用户和物品特征,且对不同用户均采用相同的推荐策略.为更好利用内容(物品)和用户信息使其适应个人用户,L i n U C B 算法[10]将新闻的个性化推荐建模为上下文多臂老虎机问题,并基于上下文信息计算预期奖励为用户进行推荐,同时根据用户反馈调整选择策略.但L i n U C B 算法假设上下文与奖励呈线性关系,这种假设在现实世界中可能并不正确[11].为学习非线性奖励函数,N e u r a l U C B 算法[12]利用深度神经网络的强大表示能力学习潜在奖励函数,并采用U C B (u p pe r c o nf i d e n c eb o u n d )算法选择臂.不同于N e r u a l U C B 算法,E E -N e t [13]舍弃U C B 算法,采用了一种新的神经探索策略,利用神经网络学习与奖励估计相比的潜在增益.基于上下文的多臂老虎机算法充分适应了用户的个性化需求,但未考虑相似用户在推荐中的重要性.针对该问题,已出现一些融合协同过滤与上下文多臂老虎机算法的研究[14-16].文献[14]基于目标物品动态地对用户聚类,在推荐时进行集体决策,并根据反馈调整用户聚类,但用户聚类在物品间是独立的,针对不同物品需分别计算,在用户和物品规模较大时无法保证实时推荐;文献[16]在L i n U C B 算法基础上加入相似用户的协同作用,并利用当前用户与选定用户的相似性控制协同强度,但受限于L i n U C B 算法对线性奖励函数的假设,无法很好适应非线性奖励的情况.本文基于上述研究,提出一种融合协同过滤的神经B a n d i t s 推荐算法(c o l l a b o r a t i v ee x p l o r a t i o n -e x pl o i t a t i o nn e t ,C O E E N e t ),该算法采用深度神经网络学习潜在奖励函数,并采用探索神经网络学习与奖励估计相比的潜在增益,同时引入协同作用,利用用户特征及历史行为寻找与当前用户相似的邻居用户,进而对目标物品进行集体决策.最后在实验中,从食谱数据集中构建用户㊁菜品特征,采用C O E E N e t 为用户选择菜品进行推荐,并从累积遗憾角度与其他基线算法进行对比,验证了本文算法的有效性.1 预备知识1.1 基于用户的协同过滤假设推荐系统中存在用户集合U 和物品集合I ,用户和物品分别表示为u i (i =1,2, ,n )和i j (j =1,2, ,m ),s c o r e i ,j 表示用户i 对物品j 的评分情况.在每次推荐前,对每个候选物品j ,采用余弦相似度计算当前用户与其他用户的相似程度s i m i ,j :s i m i ,j =u i ㊃u ju i ˑ u j.(1)根据所有用户u ɪU 对目标物品的评分情况,计算当前用户u i 对目标物品的喜爱程度:p i ,j =ðu t ɪUsi m i ,tˑr t ,j ðu t ɪUsi m i ,t,(2)39 第1期 张婷婷,等:融合协同过滤的神经B a n d i t s 推荐算法其中r t ,j 表示奖励.通过计算当前用户对物品集中每个物品的喜爱程度,可对物品进行降序排列,选取评分最高的N 个物品进行推荐.1.2 通用上下文多臂老虎机框架在上下文多臂老虎机算法中,若已知推荐总轮数T [10],则在第t (t =1,2, ,T )轮推荐过程中进行如下操作:1)算法观察用户特征u t 并呈现给用户一组可供选择的臂A t 及它们的特征向量x t ,a ,该特征向量结合了用户特征和臂的特征,这里称为上下文;2)根据一定的选择策略,为用户选择臂a t ɪA t ,并获得真实世界中的实时反馈(奖励)r t ,a t ;3)算法使用新的观测值(x t ,a ,a t ,r t ,a t)改进选择策略.根据选择策略的不同,奖励估计函数也不同,但可以概括为p t ,a t =h (x t ,a t )+ηt ,a t,(3)其中:h (x t ,a t)表示第t 轮中用户u t 选择臂a t 的潜在奖励,该函数可能是线性的,也可能是非线性的;ηt ,a t 表示E (ηt ,a t)=0的噪声参数.T 轮累积遗憾定义为R T =E ðTt =1(p *t ,a t -r t ,a t[]),(4)其中p*t ,a t=a r g m a x a t ɪA tp t ,a t.算法的目标为最小化累积遗憾.2 算法设计算法1 C O E E N e t .输入:用户集合U ={u 1,u 2, ,u n };臂集合A ={x 1,x 2, ,x m };推荐轮数T ;3个网络的迭代次数T 1,T 2,T 3;邻居用户数M ;3个网络的学习率η1,η2,η3;初始化:θ10,θ20,θ3步骤1)f o r t =1,2, ,T d o步骤2) f o r e a c h x t ,i in A d o 步骤3) 计算f 1(x t ,i ;θ1t -1),f 2(∇θf 1(x t ,i ;θ1t -1);θ2t -1)步骤4) 计算c s c o r e t ,i =C S (∇θf 1(x t ,i ;θ1t -1))步骤5) 计算p t ,i =f 3(f 1(x t ,i ;θ1t -1),f 2(∇θf 1(x t ,i ;θ1t -1);θ2t -1)c s c o r e t ,i ;θ3t -1)步骤6) e n d f o r步骤7) x t =a r g m a x x t ,i ɪA tpt ,i 步骤8) 选择x t 并观察真实世界奖励r t 步骤9) θ1t ,θ2t ,θ3t =G r a d i e n t D e s c e n t (θ1t -1,θ2t -1,θ3t -1,{x τ}t τ=1,{r τ}t τ=1,{c s c o r e τ}t τ=1)步骤10)e n d f o r步骤11)p r o c e d u r eC S (∇θf 1,u i )步骤12) f o r e a c h u j in U d o 步骤13) s i m i ,j =(∇θf 1,u i (㊃;θ1)-∇θf 1,u j (㊃;θ1))T (∇θf 1,u i (㊃;θ1)-∇θf 1,u j (㊃;θ1))步骤14) e n d f o r步骤15) N e g i ={}步骤16) 选择T o p -M 用户加入N e g i步骤17) c s c o r e i =ðu j ɪN e gi(s i m i ,j ˑ(f 1,u j (x t ;θ1,j )+f 2,u j (∇θf 1,u j(㊃;θ1);θ2,j )))步骤18)r e t u r nc s c o r e i .算法1包含4部分:第一部分为利用网络,用于估计预期奖励;第二部分为探索网络,用于学习与奖励估计相比的潜在增益;第三部分为协同过滤模块,用于计算相似用户的协同作用;第四部分为决49 吉林大学学报(理学版) 第62卷策器,用于将前三部分的输出适当结合,从而进行最终决策.图1为网络整体结构,表1对网络结构中各部分的输入㊁输出进行了具体说明,算法1中G r a d i e n t D e s c e n t 为梯度下降算法.图1 C O E E N e t 网络结构F i g.1 S t r u c t u r e o fC O E E N e t 表1 C O E E N e t 网络结构信息T a b l e 1 S t r u c t u r e i n f o r m a t i o no fC O E E N e t模块输入输出标签利用网络x t ,if1(x t ,i ;θ1t -1)r t ,i探索网络∇θf 1(x t ,i ;θ1t -1)f 2(∇θf 1(x t ,i ;θ1t -1))r t ,i -f1(x t ;θ1t -1)协同过滤模块∇θf 1(x t ,i ;θ1t -1)c s c o r e i决策器f 1;f2;c s c o r e i f 3(f 1,f2,c s c o r e i )pi 2.1 利用网络利用网络是一个用于学习关于上下文潜在奖励函数的神经网络,用f 1(㊃;θ1)表示.在第t 轮中,利用网络表示为f 1(x t ,i ;θ1t -1),θ1t -1为网络最后一层的参数,其上标为网络标识,下标表示最后一次对参数进行更新的轮数.对于臂x t ,i (i ɪ[m ]),利用网络对其潜在奖励进行估计,在选定该臂后,会得到一个现实世界的真实反馈r t ,基于此可对利用网络进行梯度下降对参数θ1进行拟合.2.2 探索网络文献[13,17]已经证明,给定臂的上下文x t ,i ,其预期收益f 1(x t ,i )与实际收益r t ,i 有1-δ的概率在置信区间ψ(∇θf 1(x t ,i ;θ1t -1))内,公式如下:r t ,i -f 1(x t ,i )ɤψ(∇θf 1(x t ,i ;θ1t -1)),(5)其中r t ,i -f 1(x t ,i )为与奖励估计相比的潜在增益,ψ(∇θf 1(x t ,i ;θ1t -1))为关于∇θf 1(x t ,i ;θ1t -1)的置信上界函数,δ一般为一个很小的常数.设y t ,i =r t ,i -f1(x t ,i ),当y t ,i 很大时,表示当前臂的收益估计与实际收益相差较大,算法更倾向于赋予该臂更大的奖励值,使其有更大概率进行探索;当y t ,i 很小时,表示当前臂的收益估计已接近实际收益,算法会尽量避免探索该臂.不同于传统置信上界算法通过岭回归等方式推导置信区间,探索网络采用一个神经网络对潜在增益进行拟合.由于开发网络的参数梯度同时包含臂的特征和开发网络的判别信息,因此探索网络以∇θf 1(x t ,i ;θ1t -1)作为输入[13],并将网络输出f 2(∇θf 1(x t ,i ;θ1t -1);θ2t -1)与潜在收益r t ,i -f1(x t ,i )相比对探索网络进行拟合.2.3 协同过滤模块在推荐场景中,为每个用户u ɪU ,U =n 构建探索和利用网络,并对利用网络最后一次更新的参数梯度∇θf 1,u i (㊃;θ1,i)进行保存.对于用户u i ,在第t 轮推荐中,利用不同用户在利用网络上的参数梯度计算相似度.采用欧氏距离衡量相似度,公式如下:s i m i ,j =(∇θf 1,u i (㊃;θ1)-∇θf 1,u j (㊃;θ1))T (∇θf 1,u i (㊃;θ1)-∇θf 1,u j(㊃;θ1)).(6) 选取相似度最高的M 个用户加入邻居用户集N e g i ,用户u j 对目标物品x t 的协同分数c s c o r e i ,j59 第1期 张婷婷,等:融合协同过滤的神经B a n d i t s 推荐算法定义为目标物品在该用户利用和探索网络的输出之和与该用户和当前用户u i 的相似度乘积,用公式表示为c s c o r e i ,j =s i m i ,j ˑ(f 1,u j (x t ;θ1,j )+f 2,u j (∇θf 1,u j(㊃;θ1);θ2,j )).(7)当前用户u i 的协同分数定义为其所有邻居用户的协同分数之和,计算公式为c s c o r e i =ðu j ɪN e gi(s i m i ,j ˑ(f 1,u j (x t ;θ1,j )+f 2,u j (∇θf 1,u j(㊃;θ1);θ2,j ))).(8)2.4 决策器在第t 轮中,给定臂x t ,i ,经利用网络㊁探索网络和协同过滤模块,得到3个输出:潜在奖励估计f 1(x t ;θ1t -1)㊁潜在奖励增益f 2(∇θf 1(x t ,i ;θ1t -1);θ2t -1)及当前用户与邻居用户的协同分数c s c o r e i .决策器的任务是对以上3个输出进行合理组合,以平衡探索与利用的关系,同时控制协同过滤的强度.设决策器为x t ,i 的最终分数p t ,i 关于f 1(x t ,i ;θ1t -1),f 2(∇θf 1(x t ,i ;θ1t -1);θ2t -1),c s c o r e i 的函数,公式为p t ,i =f 3(f 1(x t ;θ1t -1),f 2(∇θf 1(x t ,i ;θ1t -1);θ2t -1),c s c o r e i ).(9)对于第t 轮中提供的m 个臂x t ,i ɪA t ,i ɪ[m ],选择其中分数最高的一个臂,选择策略表示为x t =a r g m a x x t ,i ɪA tf 3(f 1(x t ,i ;θ1t -1),f 2(∇θf 1(x t ,i ;θ1t -1);θ2t -1),c s c o r e i ).(10) 可采用神经网络对f 1,f2,c s c o r e i 进行拟合,同时基于不同推荐场景对探索利用的不同倾向性和对协同过滤强度的弹性控制而需要手动设置f 1,f 2,c s c o r e i 权重的现实需求,本文将分别考虑决策函数为线性和非线性的情况.1)线性决策函数:f 3定义为关于f 1,f2,c s c o r e i 的线性函数,表示为p t ,i =αf 1+βf 2+γc s c o r e i ,(11)其中α,β,γ作为权重参数,由使用者自行设置.2)非线性决策函数:使用一个神经网络表示f 3,将问题建模为二元分类问题.该网络以f 1(x t ,i ;θ1t -1),f 2(∇θf 1(x t ,i ;θ1t -1);θ2t -1),c s c o r e i 为输入,输出p t ,i 表示臂x t ,i 为最优选择的概率.3 实 验本文在真实数据集上模拟推荐过程,并与其他基线算法进行比较,以验证本文算法C O E E N e t 的有效性.采用l 轮内的累积遗憾作为评价指标,实验结果表明,在食物推荐问题中,本文算法较其他算法性能有一定提升.3.1 数据集本文在食谱网站爬取3526名用户信息,以及这些用户在过去一段时间内对菜品的评分情况共340734条,并收集了评分中所涉及的共9766道菜品的信息.用户信息包含i d㊁性别㊁年龄㊁地址㊁自定义喜好等信息,菜品信息包含i d ㊁名称㊁烹饪工艺(炒㊁蒸㊁煎㊁炸等)㊁难易程度㊁口味等信息.评分情况定义为(用户i d ,菜品i d ,评分)的三元组形式,其中评分包含极差㊁差㊁一般㊁推荐㊁非常推荐5个等级.由于菜品集中存在大量菜品仅有极少数用户对其进行评分,而且用户群体在这些菜品上的评分大概率无法覆盖每个评价等级,从而影响数据平衡性.因此,本文首先对菜品热度按照评分数量进行排序,选择前1000道热门菜品加入菜品数据集d i s h .d a t ,同时将为这些菜品打分的2871位用户加入用户数据集u s e r .d a t ,并收集这些用户对菜品的打分信息加入评分数据集r a t i n g .d a t .3.2 特征构建每个用户由100多个分类的原始特征向量表示,其中包含:1)用户基本信息,i d ㊁性别(二类)㊁年龄(离散为7个等级);2)地理特征,主要分布于中国各地100多个城市及地区;3)用户自定义喜好信息,主要包括甜㊁辣㊁麻等14种分类.菜品同理,每个菜品都以相同方式构建约1000个分类的原始特征向量表示,其中包含:1)菜品基本信息,i d ㊁烹饪工艺㊁难易程度等;2)用户评价标签,由用户历史评价数据中抽取得到的约1000个标签表示.本文将用户和菜品特征编码为固定长度的二进制向量,用户和菜品的特征分别由156个和1153个条目的特征向量表示.69 吉林大学学报(理学版) 第62卷本文方法为所有用户单独构建模型进行个性化推荐,算法中的上下文信息只需对菜品信息进行表征而无需包含用户自身信息,故用户对菜品的评分信息定义为(用户i d ,菜品特征,评分)的形式,其中一条数据表示用户与系统的一次交互.由于大部分用户的评分记录数较少,无法支持独立训练模型,因此本文对用户采用K -M e a n s 方法[18-19]进行聚类,进一步将用户规模缩减至20大类,以该类别中所有用户的特征均值作为该类用户特征.3.3 离线模拟在线推荐在线推荐模型将预期收益最高的前若干物品展示给用户,并基于用户的实时反馈调整模型参数,使其在后续推荐中逐渐适应用户需求.由于无法实时获得用户的反馈信息,因此本文将在上述离线数据集上模拟在线推荐过程,验证本文算法的推荐效果.通过数据集中用户对菜品的评分信息模拟用户和菜品之间的交互情况,在利用网络和探索网络中,评分可作为用户对相应菜品的实时奖励,在决策器中,设定评分不超过3时表示奖励为0,否则奖励为1.在每轮中,随机向用户展示10道菜品,其中包含9道评分不超过3的菜品以及1道评分大于等于3的菜品,每道菜品对应的上下文为当前菜品的特征向量.3.4 基线算法为更好地评估本文算法在推荐问题中的性能,本文选择4种算法作为基线算法,分别是L i n U C B ,N e u r a l U C B ,N e u r a l -E p s i l o n 和E E -N e t .1)L i n U C B :假设奖励函数为关于上下文的线性函数,并采用岭回归和置信上界算法共同确定所选臂.2)N e u r a l U C B :使用神经网络学习奖励函数,并采用置信上界算法选择臂.3)N e u r a l -E p s i l o n :使用神经网络学习奖励函数,以1-ε的概率选择当前与其奖励最大的臂,并以ε的概率进行探索.4)E E -N e t :用一个神经网络学习奖励函数,用另一个神经网络学习潜在的奖励增益,并结合两个网络的输出共同决策.3.5 评价指标本文采用T 轮推荐内的累积遗憾作为算法评价指标,计算公式为C u mR e g T =E ðTt =1(p *t ,a t-p t []),(12)其中p*t ,a t=a r g m a x a t ɪA tp t ,a t,p t 为第t 轮的真实奖励.算法以最小化T 轮内的累积遗憾为优化目标,累积遗憾越小,算法性能越优异.3.6 实验结果分析利用网络结构定义为一个二层的神经网络,隐藏层节点数为100.探索网络结构为二层神经网络,其隐藏层节点数也为100.在协同过滤模块中,考虑当前用户的3个邻居用户的协同作用.线性决策器公式为p t ,i =f 1+f 2+r ˑc s c o r e i ,其中利用网络输出f 1和探索网络输出f 2的权值均为1以模拟U C B 策略,并通过调节协同作用强度r 调整邻居用户评分c s c o r e i 对最终推荐的影响.非线性决策器定义为二层神经网络,隐藏层节点数为50.图2和图3分别为决策器是线性和非线性情况下的累积遗憾比较结果.由图2和图3可见,本文算法C O E E N e t 在r e c i p e 数据集上的性能优于基线算法.由于食谱数据集中上下文与奖励预期并不是简单的线性关系,故L i n U C B 算法在该问题中并不适用.N e u r a l U C B 和N e u r a l -E p s i l o n 算法使用神经网络学习奖励预期,E E -N e t 算法采用一个神经网络学习奖励预期,并采用另一个神经网络学习潜在增益,三者都能较好适应非线性奖励函数的情况.本文算法在很好拟合非线性函数的同时考虑邻居用户的协同作用,进一步提升了推荐效果,且对于线性决策器,随协同强度增加,推荐效果有一定提升.79 第1期 张婷婷,等:融合协同过滤的神经B a n d i t s 推荐算法图2 线性决策器在食谱数据集上的累积遗憾比较F i g .2 C u m u l a t i v e r e g r e t c o m pa r i s o no f l i n e a r d e c i s i o n -m a k e r o n r e c i pe d a t a s e ts 图3 非线性决策器在食谱数据集上的累积遗憾比较F i g .3 C u m u l a t i v e r e g r e t c o m pa r i s o no f n o n l i n e a r d e c i s i o n -m a k e r o n r e c i pe d a t a s e t s 综上所述,本文针对推荐系统中用户和物品频繁变动导致的数据稀疏和 冷启动 限制了传统协同过滤的发展及现有考虑到协同作用的多臂老虎机算法并不适用于非线性奖励函数场景的问题,提出了一种融合协同过滤的神经B a n d i t s 算法C O E E N e t ,采用利用网络学习关于用户和物品特征的奖励函数,采用探索网络学习与奖励估计相比的潜在增益,同时加入邻居用户的协同作用,并构造决策器进行最终决策.针对数据稀疏性问题,不同于协同过滤,本文算法并不简单依赖对相同物品的评分判定用户间的相似性,而是基于用户对上下文中各特征的关注度进行计算.在针对新用户的推荐问题中,本文根据用户特征寻找邻居用户并进行协同推荐,同时多臂老虎机算法还可帮助用户在尽量少的次数内快速试探用户喜好,并根据用户反馈挑战模型参数,改善推荐效果.最后,通过平衡探索网络和利用网络的结果以及控制协同作用的强度,可有效保证推荐中用户自身的决定性作用以及推荐的多样性.在真实数据集上将本文算法与基线算法进行比较,实验结果表明,本文算法在推荐问题上有效.参考文献[1] 刘华玲,马俊,张国祥.基于深度学习的内容推荐算法研究综述[J ].计算机工程,2021,47(7):1-12.(L I U H L ,MA J ,Z HA N G G X.R e v i e w o f S t u d i e s o n D e e p L e a r n i n g -B a s e dC o n t e n t R e c o mm e n d a t i o n A l g o r i t h m s [J ].C o m p u t e rE n g i n e e r i n g ,2021,47(7):1-12.)[2] G O LD BE R GD ,N I C HO L SD ,O K IB M ,e t a l .U s i n g C o l l a b o r a t i v eF i l t e r i n g t o W e a v e a n I n f o r m a t i o nT a p e s t r y [J ].C o mm u n i c a t i o n s o fA C M ,1992,35(12):61-70.[3] S C HA F E RJB ,F R A N K OW S K I D ,H E R L O C K E RJ ,e t a l .C o l l a b o r a t i v eF i l t e r i n g R e c o mm e n d e r S y s t e m s [M ].B e r l i n :T h eA d a pt i v eW e b ,2007:1-108.[4] 杨莉云,颜远海.融合标签和属性信息的混合推荐算法[J ].吉林大学学报(信息科学版),2022,40(4):644-651.(Y A N G L Y ,Y A N Y H.H y b r i d R e c o mm e n d a t i o n A l g o r i t h m B a s e do n T a g sa n d A t t r i b u t e s [J ].J o u r n a l o f J i l i nU n i v e r s i t y (I n f o r m a t i o nS c i e n c eE d i t i o n ),2022,40(4):644-651.)[5] S A RWA RB ,K A R Y P I SG ,K O N S T A NJ ,e t a l .I t e m -B a s e dC o l l a b o r a t i v eF i l t e r i n g R e c o mm e n d a t i o nA l g o r i t h m s [C ]//H y pe r m e d i a T r a c k o ft h e10t hI n t e r n a t i o n a l W o r l d W i d e W e b C o nf e r e n c e .N e w Y o r k :A C M ,2001:285-295.[6] P A P A G E L I S M ,P L E X O U S A K I SD ,K U T S U R A ST.A l l e v i a t i n g t h e S p a r s i t y P r o b l e mo f C o l l a b o r a t i v eF i l t e r i n gU s i n g T r u s t I n f e r e n c e s [C ]//P r o c e e d i n gs o f t h e 10t hI n t e r n a t i o n a lC o n f e r e n c eo n W o r l d W i d e W e b .N e w Y o r k :A C M ,2005:224-239.[7] S U X Y ,K HO S H G O F T A A RT M.AS u r v e y o fC o l l a b o r a t i v eF i l t e r i n g T e c h n i q u e s [C ]//A d v a n c e d i nA r t i f i c i a l I n t e l l i ge n c e .N e w Y o r k :A C M ,2009:1-19.[8] 赵越,武志昊,赵苡积.基于特征与域感知的点击率预估方法[J ].计算机工程,2022,48(3):60-68.(Z HA O Y ,WU Z H ,Z HA O Y J .C T R P r e d i c t i o n M e t h o d B a s e do n F e a t u r ea n d D o m a i n P e r c e p t i o n [J ].C o m p u t e rE n g i n e e r i n g,2022,48(3):60-68.)89 吉林大学学报(理学版) 第62卷[9] L A T T I MO R E T ,S Z E P E S V ÁR IC .B a n d i tA l g o r i t h m s [M ].C a m b r i d g e :C a m b r i d g e U n i v e r s i t y P r e s s ,2020:1-513.[10] L IL H ,C HU W ,L A N G F O R D J ,e t a l .A C o n t e x t u a l -B a n d i t A p p r o a c h t o P e r s o n a l i z e d N e w s A r t i c l e R e c o mm e n d a t i o n [C ]//P r o c e e d i n gso ft h e19t hI n t e r n a t i o n a lC o n f e r e n c eo n W o r l d W i d e W e b (WWW 10).N e w Y o r k :A C M ,2010:661-670.[11] V A L K O M ,K O R D A N ,MU N O S R ,e ta l .F i n i t e -T i m e A n a l y s i so f K e r n e l i s e d C o n t e x t u a lB a n d i t s [C ]//P r o c e e d i n g so ft h e T w e n t y -N i n t h C o n f e r e n c eo n U n c e r t a i n t y i n A r t i f i c i a lI n t e l l i g e n c e (U A I 13).A r l i n g t o n :A U A IP r e s s ,2013:654-663.[12] Z HO U DR ,L IL H ,G U Q Q.N e u r a l C o n t e x t u a l B a n d i t sw i t hU C B -B a s e dE x p l o r a t i o n [C ]//P r o c e e d i n g s o f t h e 37t h I n t e r n a t i o n a l C o n f e r e n c e o n M a c h i n eL e a r n i n g (I C M L 20).N e w Y o r k :A C M ,2020:11492-11502.[13] B A N Y K ,Y A N Y C ,B A N E R J E E A ,e t a l .E E -N e t :E x p l o i t a t i o n -E x p l o r a t i o nN e u r a lN e t w o r k s i nC o n t e x t u a l B a n d i t s [E B /O L ].(2021-10-07)[2022-03-10].h p p t s ://a r x i v .o r g/a b s /2110.03177.[14] L IS ,K A R A T Z O G L O U A ,G E N T I L E C .C o l l a b o r a t i v e F i l t e r i n g B a n d i t s [C ]//P r o c e e d i n gs o ft h e 39t h I n t e r n a t i o n a lA C M S I G I R C o n f e r e n c eo n R e s e a r c h a n d D e v e l o pm e n ti nI n f o r m a t i o n R e t r i e v a l (S I G I R 16).N e w Y o r k :A C M ,2016:539-548.[15] G E N T I L EC ,L IS ,Z A P P E L L A G.O n l i n eC l u s t e r i n g o fB a n d i t s [C ]//P r o c e e d i n g so ft h e31s tI n t e r n a t i o n a l C o n f e r e n c e o n M a c h i n eL e a r n i n g.N e w Y o r k :A C M ,2014:757-765.[16] 王宇琛,王宝亮,侯永宏.融合协同过滤与上下文信息的B a n d i t s 推荐算法[J ].计算机科学与探索,2019(3):361-373.(WA N G YC ,WA N G B L ,HO U Y H.B a n d i t sR e c o mm e n d a t i o n A l g o r i t h m B a s e do nC o l l a b o r a t i v e F i l t e r i n g a n d C o n t e x tI n f o r m a t i o n [J ].J o u r n a lo fF r o n t i e r so fC o m p u t e rS c i e n c ea n d T e c h n o l o g y ,2019(3):361-373.)[17] B A N Y K ,H EJR ,C U R T I S SB ,e t a l .M u l t i -f a c e tC o n t e x t u a lB a n d i t s :A N e u r a lN e t w o r kP e r s p e c t i v e [C ]//P r o c e e d i n g s o f t h e 27t hA C MS I G K D DC o n f e r e n c e o nK n o w l e d g eD i s c o v e r y D a t aM i n i n g (K D D 21).N e wY o r k :A C M ,2021:35-45.[18] S C H E L L E K E N SV ,J A C Q U E SL .Q u a n t i z e dC o m p r e s s i v e K -M e a n s [J ].I E E ES i g n a l P r o c e s s i n g L e t t e r s ,2018,25(8):1211-1215.[19] 邬春明,齐森南.改进K -M e a n s 聚类的自适应加权K 近邻指纹定位算法[J ].重庆邮电大学学报(自然科学版),2021,33(6):946-954.(WU C M ,Q IS N.A d a p t i v e W e i g h t e d K -N e a r e s t N e i g h b o r F i n g e r p r i n t L o c a t i o n A l g o r i t h m B a s e d o n I m p r o v e d K -M e a n s C l u s t e r i n g [J ].J o u r n a l o f C h o n g q i n g U n i v e r s i t y o f P o s t s a n d T e l e c o mm u n i c a t i o n s (N a t u r a l S c i e n c eE d i t i o n ),2021,33(6):946-954.)(责任编辑:韩 啸)99 第1期 张婷婷,等:融合协同过滤的神经B a n d i t s 推荐算法。
麻省研究人员创造出石墨烯片
麻省研究人员创造出石墨烯片来源：EE|Times；中国太赫兹研发网余郑璟博士编译美国麻省理工大学(MIT)的研究人员已经成功的将高迁移率石墨烯片置于两片铁电材料之间，使太赫兹频率操作可直接作用于光信号。
MIT的研究人员还预测这种新型材质组合可以使记忆容量提升十倍，并可以使电气设备直接作用于光信号。
“我们的工作对于传输和处理光信号开拓了崭新的领域。
”研究人员金达飞（音译）博士后在新闻采访中如此评价。
其研究组成员还包括Nicholas Fang教授、许俊（音译）教授、博士生Anshuman Kumar Srivastava以及该校前博士后Kin-Hung Fung（目前在香港理工大学）。
受到铁电栅存储器和晶体管的启发，研究人员在材料中增加了石墨烯材料以提高其性能。
在对这种新型材质组合进行性能测试的时候，研究人员发现石墨烯的二维等离子形式与铁电材料中的极化声子极强耦合。
所以，这新型材质组合可在太赫兹频段工作，并且功率耗损极低。
将高迁移率石墨烯片置于两片铁电材料之间，可以让太赫兹光记忆容量提升十倍。
研究人员继续将这种材质组合进行了密集区域的排列，即使间隙仅为20纳米，仍然可作为太赫兹频率等离子波导，其串扰都可以忽略不计。
最后，研究人员预测，这种新型材质组合可以通过控制铁电材料记忆效果，从而在极低功率情况下实现等离子波导。
同时对于光电信号的相互转换，这种新型材质组合同样也提供了崭新的途径。
据预测，其密度增益将提升十倍。
该项目由美国国家自然科学基金（National Science Foundation）与科学研究空军办公室（Air Force Office of Scientific Research）联合支持。
efficientdet参考文献
efficientdet参考文献EfficientDet是一种高效的目标检测模型，它结合了EfficientNet作为backbone网络和BiFPN作为特征金字塔网络。
EfficientDet的原始论文名为"EfficientDet: Scalable and Efficient Object Detection"，由Mingxing Tan、Ruoming Pang、Quoc V. Le在2020年发表于IEEE的会议上。
这篇论文详细介绍了EfficientDet的设计原理、网络结构和训练方法，并在多个数据集上进行了广泛的实验验证。
此外，EfficientDet的代码也已经开源，可以在GitHub上找到。
除了原始的EfficientDet论文外，还有一些关于EfficientDet的相关参考文献。
例如，EfficientDet的backbone网络EfficientNet的原始论文名为"EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks"，由Mingxing Tan、Quoc V. Le在2019年发表于IEEE的会议上。
这篇论文介绍了EfficientNet的设计理念和网络结构，为EfficientDet的设计提供了重要的基础。
另外，关于BiFPN的设计原理和改进方法，可以参考名为"EfficientDet: Scalable and Efficient Object Detection"的原始论文中的相关章节，以及其引用的其他相关文献。
这些文献包括关于特征金字塔网络和目标检测算法的研究成果，对理解EfficientDet的设计思想和技术细节有很大帮助。
总的来说，EfficientDet的设计和实现涉及到多个领域的知识，包括深度学习、计算机视觉和模型优化等方面。
时滞Hopfield神经网络模型渐进稳定性的新准则
于 ｌ ｚ ．
示从 ［ ，］ Ｒ的连续 函数集 ． 一ｒ ０ 到 本文对 激励 函数作如 下假设 ：
（ Ｈ）存 在常数 点 尼 使得对 于所有 的 “ ∈Ｒ和 ｉ ， ， ， ， ＿， ， ， 一１ ２ … ７ 有 ＇ ｌ
ｋ ７≤ 二 ≤ 是
．
当尼 ＿≥０时 ，激励 函数 － 厂的分量 Ｌ 为单 调不 减 的．模 型 （ ） 激励 函数 单调 不 减 的假 设 厂 １在
外 部 输 入 向 量 ； ｄａ ｛ ｄ ， ， 是 一 个 实 对 角 矩 阵 且 元 素 ｄ ≥ ０ ｉ １ ２ … ， 表 示 神 Ｄ— ｉｇ ｄ ， 。 … ｄ ） ，一 ， ， ，
经元 的 自我抑 制 ， Ａ一［ 和 Ｂ一［ ］ 分 别是连 接权矩 阵和时 滞连接权 矩阵 ；厂ｚ（） ＝ ｎ］ ＿ （ ￡）＝ ＝ （ Ｉ （） ， ２ｚ （） ， ， （ ｆ） 表示在 ｔ 刻 的神 经 激 励 ； 表 示 神 经元 之 间的传 输 ＿ （ ￡） ｆ （ ） … ｚ （） ） 厂 ｚ 时 ｒ 时滞 ．神 经网络模 型 （ ） １ 的初始 条件 为 ３ （） （） ２ ￡ 一 ∈Ｃ（ 一ｒ Ｏ ， ， 中 ｃ（ 一ｒＯ ， ） ［ ， ］ Ｒ） 其 ［ ， ］ Ｒ 表
示 转值 ，１ 一 （ ｌｚｌ ．ｌ
） 表 示 向量 ． ２ 专 ｚ的 一范 数 ．如果 Ａ＝ （ ） 为 一 个 给定 的矩 阵 ， Ａ ，
bidirectional feature pyramid network 的改进策略
bidirectional feature pyramid network 的改进策略英文版Improvement Strategies for Bidirectional Feature Pyramid NetworkAbstract:The Bidirectional Feature Pyramid Network (BiFPN) has emerged as a powerful architecture for object detection and segmentation tasks. Its ability to fuse features from different levels effectively makes it suitable for handling objects of varying sizes. However, there are still areas for improvement to further enhance its performance. This article explores several improvement strategies for the BiFPN.1. IntroductionThe Bidirectional Feature Pyramid Network (BiFPN) is a key component of modern object detection systems such as EfficientDet. It addresses the limitations of traditional feature pyramid networks by introducing bidirectional cross-scaleconnections. Despite its effectiveness, there are opportunities to improve its performance through various strategies.2. Improvement Strategies(a) Enhanced Cross-Scale Connections:The bidirectional cross-scale connections in BiFPN allow for efficient fusion of features from different levels. However, these connections can be further optimized to enhance feature flow. One approach is to introduce attention mechanisms, such as self-attention or cross-attention, to weight the feature fusion process.(b) Improved Feature Fusion Methods:The fusion method used in BiFPN can be enhanced to better combine features from different levels. Current methods, such as simple summation or concatenation, can be replaced with more sophisticated techniques, such as weighted fusion or learnable fusion modules.(c) Incorporating Contextual Information:BiFPN primarily focuses on local feature fusion. Incorporating contextual information from the surrounding area can help improve the detection of objects in complex scenes. This can be achieved by integrating techniques like dilated convolutions or attention modules.(d) Optimization of Network Architecture:The overall architecture of BiFPN can be optimized to improve both accuracy and efficiency. This includes modifying the number and type of layers, adjusting the feature pyramid's scale, and optimizing the backbone network.3. ConclusionThe Bidirectional Feature Pyramid Network (BiFPN) is a powerful tool for object detection and segmentation tasks. However, there are still opportunities to improve its performance through various strategies, such as enhanced cross-scale connections, improved feature fusion methods, incorporating contextual information, and optimizing thenetwork architecture. Future research in this area is expected to yield further improvements in object detection systems.中文版双向特征金字塔网络的改进策略摘要：双向特征金字塔网络（BiFPN）已成为对象检测和分割任务中的强大架构。
基于FPGA_的Multi-h_CPM_高速解调系统设计与实现
doi:10.3969/j.issn.1003-3114.2023.05.017引用格式:刘誉楷,刘荣科,陈祺治.基于FPGA 的Multi-h CPM 高速解调系统设计与实现[J].无线电通信技术,2023,49(5):912-923.[LIU Yukai,LIU Rongke,CHEN Qizhi.Design and Implementation of High-speed Demodulation System for Multi-h CPM Signal Based on FPGA[J].Radio Communications Technology,2023,49(5):912-923.]基于FPGA 的Multi-h CPM 高速解调系统设计与实现刘誉楷1,刘荣科1,2∗,陈祺治1(1.北京航空航天大学电子信息工程学院,北京100191;2.深圳北航新兴产业技术研究院,广东深圳518063)摘㊀要:多指数连续相位调制(Multi-h Continuous Phase Modulation,Multi-h CPM )作为一种高效的调制方式,具有良好的频谱效率和抗干扰能力,在卫星通信领域有着广泛的应用价值㊂但是Multi-h CPM 的解调算法计算复杂度较高,为了实现高速数据传输能力,需要较高的硬件资源开销㊂因此基于现场可编程门阵列(Field Programmable Gate Ar-ray,FPGA)平台的高并行度数据处理能力,设计了一种Multi-h CPM 高速解调系统,采用了软输出维特比算法(Soft Output Viterbi Algorithm,SOVA)实现了Multi-h CPM 信号解调,并通过早迟门和升降频门实现了时频同步功能㊂为了降低算法的计算复杂度,本系统引入了倾斜相位(Tilted Phase,TP )算法和频率脉冲响应截断(Frequency Pulse Truncation,FPT)算法减少了Viterbi 过程的网格状态数,降低了系统的资源开销㊂通过仿真和实际测试,验证了所提出的解调系统的有效性,并表明该系统具有良好的解调性能和系统稳定性㊂关键词:多指数连续相位调制;软输出维特比算法;高速解调系统;现场可编程门阵列中图分类号:TN919.6㊀㊀㊀文献标志码:A㊀㊀㊀开放科学(资源服务)标识码(OSID):文章编号:1003-3114(2023)05-0912-12Design and Implementation of High-speed Demodulation System forMulti-h CPM Signal Based on FPGALIU Yukai 1,LIU Rongke 1,2∗,CHEN Qizhi 1(1.School of Electronic and Information Engineering,Beihang University,Beijing 100191,China;2.Shenzhen Institution of Beihang University,Shenzhen 518063,China)Abstract :Multi-h Continuous Phase Modulation (Multi-h CPM)is an efficient modulation technique with high spectrum efficiencyand anti-jamming ability,and has extensive applications in of satellite communications.However,the high computational complexity ofthe demodulation algorithm requires high resource consumption to ensure fluent data transmission with high speed.Therefore,a high-throughput Multi-h CPM demodulation system based on the Field Programmable Gate Array (FPGA)platform is designed,which uses a Soft Output Viterbi Algorithm (SOVA)to demodulate the Multi-h CPM signal,and early-late gates and up-down frequency gates are ap-plied to achieve time and frequency synchronization.To reduce the computational complexity of the algorithm,Tilted Phase (TP)and Frequency Pulse Truncation (FPT)technologies are introduced to reduce the number of Viterbi states and lower the computational costof the system.Through simulations and experiments,the effectiveness of the proposed demodulation system is verified,and it is shown that the system has good demodulation performance and stability.Keywords :Multi-h CPM;SOVA;high speed demodulation system;FPGA收稿日期:2023-05-21基金项目:北京市自然科学基金(L202003)Foundation Item :Beijing Municipal Natural Science Foundation of China(L202003)0㊀引言卫星互联网技术可以利用卫星信道连接全球范围内的用户,在现代通信系统中发挥了至关重要的作用㊂它不仅能够提供高速稳定的接入服务,且不受地理和地形的限制,可以满足各种应用需求,在电信㊁航天等各个领域都有着广泛的应用前景[1-3]㊂在卫星通信系统中,信号调制与解调是实现高速数据传输的关键技术之一[4]㊂连续相位调制(Continuous Phase Modulation,CPM)技术通过控制信号的相位变化来调制信号,相较于其他的数字调制技术,CPM可以在较低误码率下提供更高的频谱效率[5]㊂此外CPM具有恒包络的特点,可以有效降低高功率放大器非线性效应的影响[6],适合应用于卫星等功放受限的场景㊂多指数连续相位调制(Multi-h Continuous Phase Modulation,Multi-h CPM)是CPM的一种扩展形式㊂Multi-h CPM通过采用不同的调制指数,改变调制信号的相位偏移量㊂与传统的CPM技术相比,Multi-h CPM可以通过选择不同的调制指数来适应不同的信道环境,提高数据的传输效率,改善系统的容错性能[7]㊂目前Multi-h CPM接收机中最常采用的算法是最大似然序列检测(Maximum Likelihood Sequence Detection,MLSD)算法[8]㊂但是由于Multi-h CPM相比于CPM信号,其解调的复杂度较高,还需要采用一些简化算法来降低算法的复杂度㊂降低Multi-h CPM的解调复杂度有两个主要方向:降低匹配滤波器数量和减少网格状态数㊂降低匹配滤波器数量的简化算法主要包括脉冲幅度调制(Pulse Amplitude Modulation,PAM)分解[9-10]㊁Walsh分解[11]㊁奇异值分解(Singular Value Decomposition,SVD)[12]㊁状态空间分类(State Space Partitioning,SSP)算法[13]和虚拟指数集解调算法[14]等㊂降低网格状态数的简化算法主要包括倾斜相位(Tilted Phase,TP)算法[15]㊁频率脉冲截断(Frequency Pulse Truncation,FPT)算法[16]和减状态序列检测(Reduced State Sequence Detection,RSSD)算法[17]等㊂以上算法中,除了TP 算法之外,其他算法都会降低接收机的解调性能㊂在实际的系统设计时,通常将几种降低复杂度的算法联合应用,通过牺牲部分解调性能的方式,显著降低接收机系统的实现复杂度㊂为了实现高效的Multi-h CPM解调,保证接收机的高速数据处理能力,除了降低解调算法的计算复杂度之外,还需要在硬件架构设计时,通过高度并行化的数据处理方案,提高系统的吞吐率㊂现场可编程门阵列(Field Programmable Gate Array,FPGA)作为一种可编程的逻辑器件,具有可重构性强㊁高并发性能㊁高速运算能力㊁低功耗和灵活性等优点,可以支持多个逻辑电路并行计算,进行复杂的逻辑电路设计与实现,在信号处理和通信领域得到了广泛应用[18]㊂因此本文设计并实现了基于FPGA平台下的Multi-h CPM解调系统,完成了Multi-h CPM的软输出维特比算法(Soft Output Viterbi Algorithm,SO-VA)[19-20]㊁时频同步等功能,并且采用了TP算法和FPT算法,大幅度降低了系统的解调复杂度㊂通过仿真和实验验证,本文的Multi-h CPM接收机具有良好的系统性能,可有效满足实际应用需求㊂1㊀Multi-h CPM系统模型1.1㊀Multi-h CPMMulti-h CPM的复基带信号可以表示为:s(t;a)=2E STexp(jφ(t;a)),(1)式中:E S为信号能量,T为码元周期,φ(t;a)为信号相位,其可以进一步表示为:φ(t;a)=2πðɕi=0a i h i q(t-iT),(2)式中:a iɪ{ʃ1,ʃ3, ,ʃ(M-1)}为传输的M进制符号序列,h iɪ{h1,h2, ,h n}为调制指数集,q(t)为相位脉冲响应,可以表示为频率脉冲响应g(t)的积分,即:q(t)=ʏT0g(τ)dτ㊂(3)目前Multi-h CPM调制中最常用的脉冲函数为升余弦脉冲,其表达式为:g(t)=12LT1-cos2πtLT()[],(0ɤt<LT)q(t)=t2LT-14πsin2πt LT(),(0ɤt<LT)ìîíïïïï,(4)式中:L为关联长度㊂当L=1时,生成的Multi-h CPM信号为全响应信号;当L>1时,生成的信号为部分响应信号㊂1.2㊀Multi-h CPM相位网格状态Multi-h CPM信号在确定了调制参数的情况下,信号相位φ(t;a)仅与累加相位和关联长度内的传输符号有关,因此式(2)可以改写为:φ(t;a)=πðn-Li=-ɕa i h i+ðn i=n-L+1a i h i q(t-iT)=ϕn+ϕ(t;a),(5)式中:ϕn 为累加相位,ϕ(t ;a )为相关相位㊂考虑到调制指数h i 为有理数,因此Multi-hCPM 信号的累加相位状态是有限的㊂令h i =m /k ,其中m 和k 是互斥的两个质数,则累加相位的所有状态集合为:ϕn ɪ0,m πk,2m πk , ,(2k -1)m πk ,m 为奇数0,m πk ,2m πk , ,(k -1)m πk ,m 为偶数ìîíïïïï㊂(6)综合考虑累加相位和相关相位的影响,Multi-hCPM 信号的相位可以由下述状态序列决定:s n ={a n -L +1,a n -L +2, ,a n -1,ϕn -L }㊂(7)相位状态转移的表达式为:s n +1=s n a n ={a n -L +2,a n -L +3, ,a n ,ϕn -L +1}ϕn +1=ϕn +πh n a n -L +1{㊂(8)假设Multi-h CPM 的调制进制数M =2,关联长度L =1,调制指数h ={1/4,1/2},其相位状态转移如图1所示㊂从状态转移图中可以看到,Multi-hCPM 的信号相位具有周期性的网格结构,根据网格图的转移关系可以清楚地描述当前的信号状态和下一码元对输出信号的影响㊂图1㊀Multi-h CPM 相位状态转移图Fig.1㊀Phase state transition in Multi-h CPM system在Multi-h CPM 中,进制数M 将会影响到状态转移的复杂程度㊂当M =2时,每个状态有两条转移路径,而当M =4时,每个状态有4条转移路径㊂而进制数M ㊁关联长度L 和调制指数h 共同决定了网格状态数,随着Multi-h CPM 调制进制数的提升和关联长度的提升,都会导致整个系统的状态数呈指数增长,进而导致解调的复杂度上升㊂2㊀Multi-h CPM 解调算法2.1㊀Viterbi 解调算法假设信道为加性高斯白噪声信道(Additive white Gaussian Noise,AWGN),接收信号r (t )可以表示为:r (t )=s (t ;a )+n 0(t ),(9)式中:n 0(t )为零均值高斯白噪声㊂根据MLSD 准则,接收机在所有可能的结果中搜索距离接收信号的欧氏距离最近的一组序列值作为检测结果,该检测器可以表示为:λ(a -)=-ʏɕ-ɕ|r (t )-s (t ;a -)|2d t ㊂(10)MLSD 的目标是通过求解似然函数来在所有可能序列中寻找使式(10)最小的序列㊂考虑到Multi-h CPM 信号的恒包络特点,计算式(10)的最小值可以等价为计算式(11)的最大值㊂λ(a -)=Reʏɕ-ɕr (t )s ∗(t ;a -)d t ㊂(11)由于Multi-h CPM 信号具有相位网格特性,可以使用Viterbi 算法完成信号解调工作㊂Viterbi 算法中状态转移的度量值计算公式为:λ(n )=λ(n -1)+Reʏ(n +1)T nT r (t )s ∗(t ;a -)d t ㊂(12)整个Viterbi 算法包括了分支度量计算㊁路径度量值更新㊁路径选择和路径回溯等几个步骤㊂分支度量计算通过计算接收信号和每个不同的符号序列下的相关值,获得不同状态下的不同路径度量值㊂路径度量值更新是将计算得到的分支度量与上一时刻对应状态下的累计度量值进行累加,获得当前时刻下的所有路径的累计度量值㊂路径选择是对比每个状态下所有路径的累计度量值,选择最大路径的度量值结果作为新的累计度量值㊂重复上述步骤,从而完成整个序列的搜索过程㊂路径回溯是选择度量值最大的状态,沿着度量值更新的路径进行路径回溯,最终实现Multi-h CPM 的信号解调㊂2.2㊀软输出Viterbi 算法由于传统的Viterbi 算法在进行路径回溯后,只能获取符号序列的硬判决结果,而在通信系统中,解调器之后一般会级联译码器㊂考虑到译码器的纠错性能,译码器输入软信息相比于硬判决结果,可以获得更大的编码增益㊂在Multi-h CPM 接收机解调时,为了能够给后级的译码器提供软信息,因此采用了软输出Viterbi 算法㊂图2中实线为t -6~t时刻最大累计度量值的回溯路径,即幸存路径㊂虚线为t -6~t 时刻次大累计度量值的回溯路径,即竞争路径㊂节点S i 在t 时刻下的可靠性度量值Δt (S i )可以表示为幸存路径下的累计度量值和竞争路径下的累计度量值之差,即:Δt (S i )=|M S (S i ,t )-M C (S i ,t )|㊂(13)由图2可以看出,幸存路径和竞争路径在t -5时刻开始分离,并且幸存路径和竞争路径的比特判决结果并不是完全相同㊂在t -4和t -2时刻,幸存路径的比特判决结果是1,竞争路径的比特判决结果是0㊂因此仅通过t 时刻幸存路径和竞争路径下的度量值之差,不能完全表征可靠性度量值,还需要考虑幸存路径和竞争路径的比特判决结果,对可靠性度量值进行修正㊂图2㊀幸存路径和竞争路径网格图Fig.2㊀Trellis diagram of survivor path and competing path对于t 时刻下的状态节点S i ,可靠性度量值的更新算法计算过程如下:①存储节点S i 的可靠性度量值Δt (S i ),如果竞争路径不唯一,计算幸存路径和所有竞争路径的度量值之差,并将最小值存储到Δt (S i )㊂②将状态节点S i 的可靠性数值初始化为+ɕ㊂③比较状态节点S i 下的幸存路径与竞争路径的判决结果,并计算判决结果不同的时刻与节点所在时刻下的差值,将结果记录到MEM ㊂④在所有的MEM >0的时刻中,找到可靠性数值未更新过的最小的MEM ,记为MEM low ㊂⑤将MEM =0到MEM =MEM low 时刻之间,可靠性最小的数值更新为MEM low 的可靠性㊂通过可靠性更新算法之后,可以获得状态节点S i 的可靠性度量值㊂结合路径回溯的硬判决结果与状态节点的可靠性数值,就可以得到译码器所需要的软信息结果㊂2.3㊀Multi-h CPM 降复杂度算法2.3.1倾斜相位算法倾斜相位算法可以通过引入参考相位的手段将相位树从时变转化为非时变的形式,并且在无性能损失的前提下可以实现网格状态数减半㊂在式(2)中,φ(t ;a )的相位定义在实数域上,而考虑真实的物理相位,相位差为2π整数倍的相位是不能被区分的,所以对φ(t ;a )进行如下处理:φ-(t ;a )=φ(t ;a )-2π⌊φ(t ;a )2π」,(14)式中:φ-(t ;a )可以称为物理相位,其数据取值为0~2π㊂在Multi-h CPM 中,信号的相位转移既与传输的信息有关,也与当前时刻有关,增加了信号解调的复杂度㊂为了解决此问题,使用单极性符号U n 取代双极性符号a n ,其转换公式为:U n =12(a n +M -1)㊂(15)使用单极性符号后,令第n 个符号间隔内的时间t =τ+nT ,信号相位可以重新表示为:φ(t ;a )=2πðn -Li =0U i h i -(M -1)πðn -Li =0h i +2πðL -1j =0a n -j h n -j q (τ+jT )㊂(16)对式(16)的相位进行模2π,可以得到:ϕ-(τ+nT ;U )=R 2πR 2π[2πðn -Li =0U i h i ]+2πðL -1j =0a n -jh n -jq (τ+jT )éëêêùûúú,(17)式中:ϕ-(τ+nT ;U )为物理倾斜相位㊂式(17)中与时间相关的依赖项从t 变为τ+nT ,其相位转移是非时变的㊂此外,式中第一项为相位累计项,由于调制指数h i =K i /P ,式(17)的第一项可以改写为:R 2π[2πðn -Li =0U i h i ]=2πPR P [ðn -L i =0U i K i ]㊂(18)令v n =R P ðn -L i =0U i K i éëêêùûúú,可以得到v n 的递推关系为:v n =πP R P [v n -1+U n -L K n -L]㊂(19)没有进行符号映射前,Multi-h CPM 的信号相位是模2P ㊂通过TP 算法对信号的相位坐标系进行转换后,信号相位从模2P 变成了模P ㊂在进行Viterbi 解调时,相位状态数降低为原来的1/2,可以有效地降低Viterbi 解调的计算复杂度㊂由于TP 算法只是通过坐标系变换重新映射了信号相位,因此不会影响到Multi-h CPM 接收机的系统性能㊂2.3.2频率脉冲响应截断算法针对部分响应Multi-h CPM 信号,可以采用频率脉冲响应截断算法降低系统的计算复杂度㊂对于部分响应信号的CPM 信号,由于其频率脉冲两端的幅度较小,对信号相位的影响可以忽略,因此考虑对频率脉冲响应曲线进行截断,去掉低能量部分,等效的降低了信号的相关长度L ㊂假设Multi-h CPM 的调制参数M =4,L =3,h ={5/16,6/16},其FPT 算法截断方式如图3所示㊂Multi-h CPM 信号的频率脉冲响应函数在0T ~0.5T 和2.5T ~3T 这两个区间取值设置为0㊂由于其0.5T ~2.5T 区间内的能量占据了总能量的95%左右,因此通过截取频率脉冲响应,可以在仅损失少量信号能量的同时,有效降低响应长度㊂(a )频率脉冲响应(b )截断后的频率脉冲响应(c )相位脉冲响应(d )截断后的相位脉冲响应图3㊀频率脉冲响应截断算法示意图Fig.3㊀Frequency pulse truncation algorithm㊀㊀检测区间发生变化后,Multi-h CPM 的匹配滤波器构造如下:φ(t ,a )ʈπðn -Lᶄi =0a i h i +2πðLᶄ-1j =0a n -j h n -j q (t +jT +0.5T )㊂(20)使用了FPT 算法之后,由于降低了响应长度L ,Viterbi 解调的网格状态数也降低为原来的1/M ,从而有效降低了解调器的资源开销㊂但是不同于TP 算法,FPT 算法本质上是一个近似方法,会带来一定的串扰导致系统性能发生损失,不过其损失较小,对系统的影响可以忽略不计㊂2.4㊀Multi-h CPM 时频同步算法2.4.1定时同步算法式(9)中,接收信号仅考虑噪声的影响,但在实际系统中,接收信号存在链路衰减㊁链路延迟和多普勒频偏等,因此实际的接收信号重新写作:r (t )=A ej(2π(f c+Δf )(t -τ(t ))+ϕ(t -τ(t );a ))+n 0(t ),(21)式中:A 是信号幅度,f c 是中频频率,Δf 是多普勒频移,τ(t )是链路延迟㊂因此接收机在进行Multi-h CPM 信号解调时,需要保证接收机的本地信号和接收信号的时频同步㊂假设仅存在定时偏差而不存在频率偏差时,Viterbi 解调的累计度量值可以表示为:λ(Δt )=12T -14Δt ()cos πh -ΔtT ()+T 4πh k sin πh-Δt T (),0ɤΔt <T /214(T +Δt )cos πh-T -ΔtT ()+T 4πh ksin πh-T -Δt T (),T /2ɤΔt <Tìîíïïïïïïïïï,(22)式中:h -=TπΔt arccos 1N ðN k =0cos πh kΔt T()()㊂图4给出了Multi-h CPM 信号中定时误差对Viterbi 解调的累计度量值的影响㊂可以看出,当接收机存在定时偏差时,Viterbi 解调的累计度量值将会降低㊂利用该特点,可以采用超前-滞后门结构进行Multi-h CPM 的定时同步㊂图4㊀定时误差与累计度量值的关系图Fig.4㊀Effect of timing error on metric values超前支路信号r E 和滞后支路信号r L 可以表示为:r E (t )=r (t -δT )r L (t )=r (t +δT ){㊂(23)在[-0.5T,0.5T),超前支路累计度量值λE 及滞后支路累计度量值λL 相对于定时误差表现为凸函数,利用该特点可设计定时归一化度量值β来衡量超前支路累计度量值及滞后支路累计度量值的差值,其计算公式为:β(Δt )=λn ,L -λn ,E λn ,L +λn ,E㊂(24)当Multi-h CPM 的调制参数确定后,定时归一化度量值β相对归一化定时误差Δt /T 的曲线是固定的㊂从图5中可以看出,在[-0.5T ,0.5T ),定时归一化度量值β(Δt )与定时误差Δt 近似成线性关系,在设计中作为定时误差估计曲线使用㊂基于上述曲线,在计算获取了超前支路累计度量值λE 及滞后支路累计度量值λL 后,通过计算定时归一化度量值,对照定时误差曲线,即可获得Multi-h CPM 接收机的定时误差,修正定时误差即可完成定时同步㊂图5㊀归一化定时误差曲线图Fig.5㊀Normalized timing error curve2.4.2频率同步算法假设仅存在频率偏差而不存在定时偏差时,Viterbi 解调的度量值可以表示为:λ(Δf )=1Lʏ(k -1)T(k -L +1)Te j2πΔft d t㊂(25)频率误差与累计度量值的关系图如图6所示,可以看出,当接收机存在频率误差时,累计度量值将会降低㊂与定时同步类似,可以采用升降频门结构进行频率同步㊂图6㊀频率误差与累计度量值的关系图Fig.6㊀Effect of frequency error on metric values升频支路的信号r U 可以表示为:r U (t )=exp(j2πΔft +j2πðɕk =0a k h kq q (t -kT ))㊂(26)降频支路的信号r D 可以表示为:r D (t )=exp(-j2πΔft +j2πðɕk =0a k h kq q (t -kT ))㊂(27)对升频支路和降频支路的累计度量值进行归一化,可以得到频率归一化度量值:β(Δf )=λn ,U -λn ,D λn ,U +λn ,D㊂(28)当Multi-h CPM 的数据速率为50Mbit /s 时,接收机的载波频率误差Δf 对累计度量值的影响在[-80kHz,80kHz]呈现为凸函数,通过上述归一化设计后可以获取频率度量曲线,如图7所示㊂计算频率归一化度量值β(Δf ),可以通过其曲线获取接收机的频率误差,修正频率误差即可完成频率同步㊂图7㊀归一化频率误差曲线图Fig.7㊀Normalized frequency errorcurve3㊀FPGA 平台设计方案3.1㊀整体设计方案整个Multi-h CPM 接收机整体结构如图8所示㊂接收机主要包括了信号预处理模块㊁SOVA 解调模块㊁定时同步模块和频率同步模块㊂图8㊀Multi-h CPM 接收机整体框图Fig.8㊀System block diagram of the Multi-h CPM receiver信号预处理模块主要完成信号的预处理操作,包括对接收的中频信号进行去载波㊁为定时同步模块生成超前-滞后信号以及为频率同步模块生成升降频信号等操作㊂SOVA 解调模块主要完成Multi-h CPM 的解调并生成软信息㊂整个SOVA 过程中需要完成度量值计算㊁加比选以及路径回溯等操作㊂定时同步主要修正接收机的定时误差,需要计算超前支路和滞后支路的累计度量值并且获取定时同步的误差值㊂频率同步主要修正接收机的频率误差,需要计算升频支路和降频支路的累计度量值并且获取频率同步的误差值㊂3.2㊀信号预处理模块接收机从ADC 处获取到高速中频数据流之后,首先对信号进行去载波操作,将信号从中频信号转为基带信号㊂降频处理由DDS 载波生成器和FIR 低通滤波器构成,其中DDS 生成载波的具体数值由频率控制字决定,其计算公式为:FreqWord =⌊f IFf CLK ∗232」,(29)式中:f CLK 为接收机主频,f IF 为中频信号频率㊂为了保证DDS 生成的信号频率精度,采用了32bit 的频率控制字,可以保证接收机生成的正弦信号频率误差小于0.1Hz㊂同样,升频支路和降频支路的信号也是通过DDS 和FIR 滤波器生成,通过更改频率控制字即可生成所需的不同频率信号㊂对于超前支路和滞后支路的信号,通过对ADC的数据流进行延迟操作得到㊂未延迟的信号作为超前支路信号,延迟一次的信号作为正常的接收信号,而延迟两次的信号作为滞后支路信号㊂3.3㊀SOVA 解调模块如图9所示,SOVA 解调模块在接收到预处理模块的基带Multi-h CPM 信号后进行信号解调,并且根据整个解调算法的处理步骤,可以细分为分支度量值计算单元㊁加比选单元㊁路径回溯单元和控制单元㊂图9㊀SOVA 解调示意图Fig.9㊀SOVA demodulator控制单元为分支度量计算单元㊁加比选单元和路径回溯单元提供调制参数信息,并且对3个模块进行流程控制和协调,保证输入的基带信号可以以流水线形式完成数据处理㊂分支度量计算单元接收前级预处理模块输入的I㊁Q 两路基带信号与控制单元输入的调制参数信息㊂分支度量计算单元根据调制参数确定本地信号的生成,并且由内置的符号计时器计时确定当前的调制指数h ㊂在得到相关的信息之后生成接收机本地信号,然后通过矩阵乘法完成分支度量的计算,将分支度量矩阵的结果输入到加比选单元㊂加比选单元接收到分支度量计算单元不同状态下各个支路的分支度量值之后,通过控制单元输入调制指数信息,确定加比选的执行逻辑㊂加比选单元会在每个状态前一个符号周期存储的累计度量值的基础上,由当前的调制指数选择该状态所对应的分支度量值矩阵的分支,并将前一状态的累计度量值与对应的分支度量值相加,计算得到的新的分支度量值,并取度量值最大的路径作为幸存路径,次大的路径作为竞争路径,并将两个路径的信息输入到路径回溯单元㊂路径回溯单元根据幸存路径的路径编号回溯度量值矩阵,并且根据回溯过程的各个状态确定解调的硬判决结果㊂此外,路径回溯单元利用幸存路径和竞争路径的累计度量值和比特硬判决结果,更新内部可靠性度量矩阵㊂完成路径回溯后,获取当前时刻累计度量值最大的状态和状态对应的可靠性度量,计算其对数似然比并作为最终软信息结果㊂3.3.1分支度量计算单元分支度量计算单元的基本结构如图10所示㊂SOVA 解调控制单元输入的调制参数信息,一方面,输入到修正参数计算器中,控制倾斜相位修正ROM 地址,从本地存储的倾斜相位ROM 中读取对应的倾斜值,与输入的I㊁Q 两路信号进行复乘从而获取对应的经TP 处理后的I㊁Q 路信号㊂另一方面,调制参数输入到本地滤波器地址控制器中,经过地址控制器的计算后转换为本地滤波器地址,本地滤波器地址从本地滤波器ROM 阵列中读取形成所有匹配滤波器对应的接收机本地信号㊂本地信号与经过TP 处理的I㊁Q 基带信号进行并行相关,即可得到SOVA 解调的分支度量值㊂图10㊀分支度量计算单元示意图Fig.10㊀Branch metrics computing unit并行相关器是分支度量计算单元的核心㊂以Multi-h CPM 的调制参数M =4,L =3,h ={5/16,6/16}为例,为了提高解调器的数据处理能力,在进行分支度量计算时需要对所有状态下的所有分支进行并行计算㊂即使采用了TP 算法和FPT 算法,Multi-h CPM 依旧存在64个网格状态,256路分支路径,完全并行计算需要消耗大量的计算资源㊂为了简化并行相关器的计算复杂度,将整个相关运算拆解为接收信号复乘16组本地信号和对复乘结果进行两级相位旋转修正两个步骤完成㊂考虑到对于单一复数a +bi ,对其进行角度为π/2㊁π和3π/2的相位旋转后得到的结果分别为b -ai ㊁-a -bi 和-b +ai ㊂在256路分支路径计算过程中,存在周期为4的相位旋转角度为π/2整数倍的情况,因此通过计算其中64路的分支路径结果,就可以得到所有的256路分支度量值㊂而在进行64路分支度量值的计算过程中,可以再一次利用相位旋转的思想进一步简化计算量㊂假设所有本地信号的初相为0,64路本地信号就可以进一步被简化成16路信号,计算得到16路相关值后,对相关结果乘以π/8㊁π/4和3π/8的信号相位,可获得剩余的48路相关结果㊂整个并行相关器的硬件实现架构如图11所示㊂图11㊀并行相关器示意图Fig.11㊀Parallel correlator㊀㊀不利用分支度量的相位旋转,需要同时并行256路复数乘法器㊂采用了相位旋转之后,只需要消耗16个复数乘法器和48个CODIC 旋转器,就可以有效降低整体的资源消耗㊂同理,经过了分支度量单元之后,输入信号数率从采样速率降低到了符号速率,也降低了后级模块的数据处理压力㊂3.3.2加比选单元加比选单元主要完成对各个状态下所有分支路径的度量值累加㊁比较和选择㊂来自控制模块的调制参数输入映射表中,确定来自分支度量计算单元生成的分支度量结果的具体映射方案㊂整个加比选单元的硬件结构如图12所示㊂加比选单元中的状态分支度量映射实际是一个分选器,根据当前时刻每个状态的来源路径将所有的分支度量值映射至不同的状态中,即256路分支度量值每4个一组对应到Viterbi解调的64状态下㊂64个不同的状态都会从公用的累计度量值存储阵列中获取其对应的前一时刻累计度量值,随后利用其私有的加法器将分支度量值与前一时刻累计度量值相加得到4个累计度量值㊂4个累计度量值通过一个选择器,取其中最大的度量值作为当前时刻幸存路径的累计度量值,并将最大度量值所对应的路径记录为幸存路径,次大的累计度量值作为当前时刻竞争路径的累计度量值,其所对应的路径为竞争路径㊂图12㊀加比选单元示意图Fig.12㊀Add-compare-select unit㊀㊀在本单元的设计中,其所处理的数据速率远低于分支度量计算单元的数据速率,因此相比于分支度量计算单元需要全并行计算,加比选单元可以采用串并结合的方式完成计算,有效降低FPGA资源消耗㊂3.3.3路径回溯单元路径回溯单元中存储有每个状态对应的可靠性度量矩阵㊂取SOVA的回溯长度为10,则每个状态均需要存储大小为10ˑ4=40的可靠性度量矩阵㊂为了保证路径回溯的处理能力,10路路径回溯是并行处理㊂整个路径回溯单位的硬件架构如图13所示㊂输入的路径度量值会首先会通过缓存比较器选出累计度量值最大和次大的状态㊂之后根据幸存路径和竞争路径的编号值,控制回溯地址从缓存阵列中获取前一时刻的度量值进行路径回溯,并且在回溯的同时要计算当前状态下的可靠性,将可靠性数据存储在可靠性度量矩阵之中㊂在计算可靠性数据的同时还需要对幸存路径和竞争路径下的解调比特结果进行判决,当幸存路径和竞争路径的硬判决比特结果不同时,对可靠性数值进行更新㊂图13㊀路径回溯单元示意图Fig.13㊀Tracebackunit。
容迟网络的体系结构及关键技术
容迟网络的体系结构及关键技术樊秀梅∗xmfan@（北京理工大学计算机科学技术学院，北京，100081）摘要：当前的Internet体系结构和其中许多协议无法很好的适用存在高延迟路径和频繁分裂的网络。
当端节点具有严格的能量和存储限制时，问题将更加恶化。
由于移动性和特殊应用缺乏“常常连接”的基础结构，像陆地移动网络、军事无线自组织网络、星际网络及传感器网络这样的网络有它们自己的专有协议而不采用IP协议。
为了实现这些网络之间的互联，研究者们提出了在端到端连接和节点资源都受限时的一种网络体系结构和应用接口，称为延迟容忍网络（简称容迟网络，DTN）。
DTN作为网络互联时传输层上的覆盖网可用来满足随意的异步信息可靠转发。
本文综述和分析了容迟网络的应用背景、体系结构、关键技术和开放研究问题，并给出了未来的发展方向和应用前景。
关键词：容迟网络、高延迟路径、频繁网络分裂、覆盖网络中图分类号: TP393 文献标识码: A 文章编号:State-of-the-Art Architecture and Techniques for Delay-Tolerant NetworksFan Xiumei（School of computer science and technology, Beijing Institute of Technology, Beijing,100081）xmfan@Abstract: The successful architecture and supporting protocols of today’s Internet operate poorly when faced with operating environments characterized by very long delay paths and frequent network partitions. These problems are exacerbated by end-nodes that have severe power or memory constraints. Because of lacking “always-on” infrastructure in mobile and extreme environments, many such networks have their own specialized protocols, and do not utilize IP. To achieve interoperability between them, researchers have proposed a network architecture and application interface structured around optionally and reliable asynchronous message forwarding, with limited expectations of end-to-end connectivity and node resources. This architecture is called Delay-Tolerant Networks (DTN). It operates as an overlay network above the transport layer. In this paper, we discuss state-of-the-art architecture and key techniques for DTN and potential issues. It is our purpose to stimulate more research in this new emerging network.Key words: Delay-Tolerant Networks, high delay path, frequently network disconnection, overlay network.1 引言TCP/IP提供了一种基于不同链路层技术的端到端通信机制，已成为不同网络互联的基础。
基于粒子滤波的Turbo盲均衡
基于粒子滤波的Turbo盲均衡李浩;彭华;丁金忠【期刊名称】《信号处理》【年(卷),期】2012(028)009【摘要】Particle filter ( PF) , which is based on the Bayesian theory, is particularly useful in dealing with the blind channel identification and blind equalization for its fast convergence and its outstanding performance of resisting multiple-path fading channels. Under the low SNR conditions the bit error rates ( BER) of Turbo blind equalization are much lower. In order to get good BER performance in multiple-path fading channels, the particle filter algorithm for blind equalization is modified. The important sampling function of particle filtering exploits the prior information of the particles and the soft input soft output (SISO) particle filter equalization algorithm is proposed. Considering the structure of Turbo blind equalization, a new Turbo blind equalization based on particle filter is proposed, which makes use of the channel coding gain. Therefore, the performance of equalization and channel identification are improved. The simulation result shows that compared to the particle filter equalization algorithm, the bit error rates (BER) of the proposed algorithm have a gain of about ldB, and the frame error rates ( FER) have a gain of above 3dB. By analyzing, there are hardly error bits under the condition of accurate estimation of the channel coefficients.%粒子滤波是一种基于贝叶斯估计的算法,在信道盲辨识和盲均衡问题上具有快收敛、抗深衰信道等优势.Turbo盲均衡在低信噪比条件下有较好的误码性能.为了在深衰信道下使通信具有良好的误码性能,对粒子滤波盲均衡算法进行改进,改进算法的重要性采样函数利用了粒子的先验信息,得到一种软输入软输出的粒子滤波盲均衡算法.依据Turbo盲均衡的框架结构实现了一种基于粒子滤波的Turbo盲均衡算法,该算法利用信道编码带来的编码增益,提高了均衡和信道辨识的性能.仿真结果表明相比粒子滤波盲均衡算法本文提出算法的误码率性能提高1dB左右,误帧率性能则提高了3dB以上,经分析可知在信道系数估计较为准确的条件下,系统数据帧几乎没有误码.【总页数】6页(P1284-1289)【作者】李浩;彭华;丁金忠【作者单位】信息工程大学信息系统工程学院,河南郑州450002;信息工程大学信息系统工程学院,河南郑州450002;信息工程大学信息系统工程学院,河南郑州450002【正文语种】中文【中图分类】TN911.5【相关文献】1.基于隐马尔科夫模型的CPM信号盲Turbo均衡算法 [J], 钟凯;彭华;葛临东2.基于Turbo均衡和信道估计的单通道盲信号恢复算法 [J], 张冬玲;杨勇;李静;葛临东3.基于粒子滤波器的盲辨识和盲均衡新方法 [J], 王磊;刘郁林4.水声通信中基于信道辨识的盲turbo均衡方法 [J], 杨晓霞;王海斌;汪俊;张仁和5.基于LFM信号信道估计的水声MPSK信号盲Turbo均衡方法 [J], 郭悦;王彬;孟钰婷因版权原因，仅展示原文概要，查看原文内容请购买。
5G超密集异构网络带内无线回传资源分配方案
2021年3月March 2021第47卷第3期Vol.47 No.3•热点与综述•计算机工程Computer Engineering文章编号：1000-3428(2021)03-0043-10文献标志码：A中图分类号:TN929.55G 超密集异构网络带内无线回传资源分配方案余钊贤^2,易辉跃心，裴 俊1(1.中国科学院上海微系统与信息技术研究所中科院无线传感网与通信重点实验室，上海200050；2.中国科学院大学，北京100049;3.上海无线通信研究中心，上海201210)摘要：为实现5G 超密集异构网络中无线回传链路和接入链路之间的最优资源分配，研究多用户场景下双层异构网 络的联合用户调度和功率分配问题，在队列稳定和无线回传资源有限的情况下，综合考虑用户调度、功率分配和干扰 控制等因素，对带内无线回传的最优资源分配问题进行数学建模并求解，基于李雅普诺夫优化理论提出联合用户调度和功率分配的优化算法。
将优化问题解耦为网络内各个用户的调度以及宏基站和小基站的功率分配过程，采用MOSEK 求解器和二分类方法获得用户调度向量，利用拉格朗日乘子法求解功率分配问题，并通过队列的时刻更新过程实现 最优资源分配。
仿真结果表明，在多用户场景下,该方案能够有效提升网络总吞吐量以及网络效用，并且毫米波频段 的通信性能优于传统蜂窝网络频段。
关键词：5G 超密集异构网络;无线回传;用户调度；功率分配；李雅普诺夫优化开放科学(资源服务)标志码(OSID )： ||||中文引用格式:余钊贤，易辉跃，裴俊.5G 超密集异构网络带内无线回传资源分配方案[J 1.计算机工程,2021,47(3)： 43-52.英文弓I 用格式：YU Zhaoxian , YI Huiyue , PEI Jun. Resource allocation scheme of in -band wireless backhaul in 5Gultra -dense heterogeneous networkf J 1 .Computer Engineering ,2021,47(3)：43-52.Resource Allocation Scheme of In-Band Wireless Backhaul in5G Ultra-Dense Heterogeneous NetworkYU Zhaoxian 1,2, YI Huiyue 1,3,PEI Jun 1(1.Key Lab of Wireless SensorNetworkand Communication of CAS /Shanghai Institute of Microsystem and Information Technology ,Chinese Academy of Sciences , Shanghai 200050,China ； 2.University of Chinese Academy of Sciences , Beijing 100049, China ；3.Shanghai Research Center for Wireless Communication ,Shanghai 201210,China )[Abstract ] In order to realize the optimal resource allocation between wireless backhaul link and access link in 5G ultra -dense heterogeneous network , the joint user scheduling and power allocation problems of two -layer heterogeneous network in multi -user scenario are studied. In the case of stable queue and limited wireless backhaul resources , by comprehensively considered factors such as user scheduling , power allocation , interference control , the optimal resource allocation problem of in -band wireless backhaul is mathematically modeled and solved , and the optimization algorithm combining user scheduling and power allocation based on Lyapunov optimization theory is proposed.The optimization problem is decoupled into the scheduling of each user in the network and the power allocation process of macro base stations and small base stations. The user scheduling vector is solved by using the MOSEK solver and binary classification method ， and the power allocation problem is solved by using the Lagrange multiplier method. On this basis ， the optimal resource allocation is achieved through the time update process of the queue.Simulation results show that the proposed scheme can effectively improve the overall network throughput and network utility performance in the multi -user scenario ， and its communication performance of the millimeter wave band is better than that of the traditional cellular network band.【Key words ] 5G ultra -dense heterogeneous network ； wireless backhaul ； user scheduling ； power allocation ； Lyapunov optimizationDOI ： 10. 19678/j. issn. 1000-3428. 0058077基金项目：上海市自然科学基金(18ZR 1437600)；上海市经信委项目“5G 毫米波移动终端测试关键技术研究”(19511132401)。
幅度信息辅助的GM-PHD-UKF弱小多目标跟踪算法
Vol. 27 No. 12Dec. 2020第27卷第12期2020年12月电光与控制Electronics Optics & Control 引用格式:聂泽东,汪圣利.幅度信息辅助的GM-PHD-UKF 弱小多目标跟踪算法[J] •电光与控制,2020,27(12) ：4144.NIE Z D, WANG S L. Analgorithm of weak multi-target tracking based on GM-PHD-UKF with amplitude information [ J ]. Electronics Optics & Control, 2020, 27(12) ：4144.幅度信息辅助的GM-PHD-UKF 弱小多目标跟踪算法聂泽东，汪圣利(南京电子技术研究所，南京210013)摘 要：针对弱小目标雷达散射面积小、回波能量弱、在跟踪过程中虚警杂波数较多，容易产生误跟、漏跟的问题，提 出了 一种幅度信息辅助的无迹高斯混合概率假设滤波(GM-PHD)算法。
该算法通过建立弱小目标与虚警杂波的幅度似然函数，利用幅度信息提升目标与杂波的识别度，改善多目标的状态估计与势估计。
此外，该算法还使用无迹卡尔曼滤波(UKF)进行扩展，以适应非线性的跟踪情况。
仿真结果表明，相比于传统的高斯混合概率假设滤波，所提算法 拥有更佳的多目标状态估计与势估计性能。
关键词：幅度信息辅助；高斯混合概率假设滤波；多目标跟踪；无迹卡尔曼滤波中图分类号：TN95 文献标志码：A doi ：10.3969/j. issn. 1671 -637X.2020.12.009An Algorithm of Weak Multi-target Tracking Based onGM-PHD-UKF with Amplitude InformationNIE Zedong, WANG Shengli(Nanjing Research Institute o£ Electronics Technology, Nanjing 210013, China)Abstract : In view of small radar scattering area and weak echo energy of weak targets, which lead to a largenumber of false-alarm clutters in the tracking process and the problem of false tracking and missed tracking,this paper proposes a GM-PHD algorithm assisted by amplitude informatioii. By establishing amplitude likelihood functions of the weak target and the false-alann clutter, the algorithm uses the amp 1让ude informationto improve the recognition rate of the target and the clutter, and improves the state estimation and potential estimation of the multiple targets. In addition, the algorithm is extended by Unscented Kalman Filtering (UKF) to adapt to nonlinear tracking ・ The simulation results show that the proposed algorithm has betterperformance on the multi-targefs state estimation and potential estimation than the traditional algor 让hm of Gaussian mixture probability hypothesis filtering.Key words : amplitude information assistance ； Gaussian mixture probability hypothesis filtering ； multi-targettracking ； unscented Kalman filteringo 引言多目标跟踪技术(Multi-Target Tracking, MTT)是当 前信息融合领域中的一个重要分支和难点问题,其目的是从单个或多个传感器获取的数据中估计目标的数量 以及轨迹⑴。
改进的多尺度熵算法及其情感脑电特征提取性能分析
改进的多尺度熵算法及其情感脑电特征提取性能分析李昕;谢佳利;侯永捷;王金甲【摘要】进行了用多尺度熵提取情感脑电特征的研究,针对传统的基于多尺度熵的特征提取算法在粗粒化过程中存在重要信息丢失以及尺度选择过小造成特征不显著、尺度过大造成计算过度复杂的问题,提出了一种改进的多尺度熵算法.该改进算法通过自适应多尺度熵中本征模态函数的个数确定尺度,而且为突出脑电信号的微小变化,对脑电信号进行自适应二值化处理,充分挖掘特征并降低算法复杂性.利用Deap国际标准情感分析数据库并基于优化支持向量机分类器实现了情感脑电特征识别,进行了改进算法与传统多尺度熵算法的性能比较.结果表明,改进算法的分类准确率较传统多尺度熵算法提高了12.33％,较自适应多尺度熵算法提高了7.27％,表明改进算法是一种有效的脑电特征提取算法.【期刊名称】《高技术通讯》【年(卷),期】2015(025)010【总页数】6页(P865-870)【关键词】情感脑电;多尺度熵;自适应多尺度熵;改进的多尺度熵【作者】李昕;谢佳利;侯永捷;王金甲【作者单位】燕山大学电气工程学院生物医学工程研究所秦皇岛066004;河北省测试计量技术及仪器重点实验室秦皇岛066004;北京工业大学生命科学与生物工程学院北京100124;燕山大学电气工程学院生物医学工程研究所秦皇岛066004;河北省测试计量技术及仪器重点实验室秦皇岛066004;前景光电技术有限公司秦皇岛066004;燕山大学信息科学与工程学院秦皇岛066004【正文语种】中文1997年，美国麻省理工学院的Picard教授在她的专著《Affective Computing》中首次提出了“情感计算”这一概念[1]。
情感识别是情感计算的关键问题之一。
脑电信号能够反映大脑皮层神经元的综合活动，客观描述情感状态，基于脑电分析实现情感识别是一种可行有效的方法。
在很多状态下，脑电时间序列有着显著的非线性特征，因此采用复杂度等非线性动力学方法提取脑电的特征，能够有效描述脑电活动。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Efficient Integration of Multi-hop Wireless and Wired Networks with QoS Constraints
Bell Laboratories,Lucent T echnologies,
600Mountain Avenue,Murray Hill,NJ07974
ABSTRACT
1.INTRODUCTION
Permission to make digital or hard copies of all or part of this work for
personal or classroom use is granted without fee provided that copies are
not made or distributed for profit or commercial advantage and that copies
bear this notice and the full citation on thefirst page.To copy otherwise,to
republish,to post on servers or to redistribute to lists,requires prior specific
permission and/or a fee.
Mobicom2002,September23-28,2002,Atlanta,Georgia,USA..
Copyright2002ACM1-58113-486-X/02/0009...5.00.
2.THE NETWORK MODEL
3.THE SYSTEM DESCRIPTION 3.1The Multi-Hop System
m(t,v) - a message originated at time t
and designated to node v. 3.2.1Downstream and Upstream Delivery
3.2.3Admission Control
3.2.4Fault Management
4.THE SYSTEM DESIGN PROBLEM
5.THE CLUSTERING ALGORITHM 5.1Coverage with Bounded Radius Clusters
F
1
F
2
F
3
5.1.1The Shifting Strategy Approach
(a) Dividing the graph area into squares with width D=2LR=10.
(b) The optimal selection of cluster heads at each square.
(c) The calculated graph partition.
A cluster boundary. A square boundary. The boundary of an extended square .
A node inside a considered square. A cluster head node.
A node included only in the extended square.
5.1.2The Dominating Independent Set Approach
(b) Second iteration, selecting a node with n v
= 16
(a) First iteration, selecting a node with n v = 31
- Uncovered node. - Covered node.
(a) The set of cluster-heads in each 5-neighborhood. (b) The partitioning to disjoint clusters with radius at most 5.
5.2Creating Disjoint Clusters
5.3Satisfying the Weight and the Relay-load
Requirements
5.4Reducing the Maximal Relay Load
6.THE APPROXIMATION RATIO OF THE
CLUSTERING ALGORITHMS
7.SIMULATION RESULTS
1 2 3 4 5 6
The depth requirement R.
N
u
m
b
e
r
o
f
c
l
u
s
t
e
r
s
5.1.1
5.1.2
The depth requirement R T h
e
n u
m
b e
r
o
f
c
l u s t e
r
s
The depth requirement R
N u
m b
e
r
o f
c
l
u s
t
e r
s
8.CONCLUSIONS AND FUTURE WORK 9.ACKNOWLEDGEMENT 10.REFERENCES
APPENDIX
A.THE PROOF OF LEMMA4
B.THE APPROXIMATION RATIO OF THE
WEIGHT PARTITION ALGORITHM。