采用混合图的双向异质频谱拍卖算法

为了解决频谱稀缺的问题,提高频谱利用率,采用频谱拍卖方法激励主用户（卖家）出售空闲的频谱,次用户（买家）通过在拍卖中获胜得以接入其急需的频谱,提出了一种采用混合图的双向异质频谱拍卖算法(Double Auction based on Mixed Graph for heterogeneous spectrums,MGDA)。该算法使用混合图能够更准确地量化买家之间对于频谱的干扰情况,使频谱交易数量最大化,显著提高了频谱利用率。MGDA还考虑了频谱的异质性,允许买家表达对不同频率频谱的偏好,为不同的频谱建立不同的频谱干扰图。仿真结果表明,MGDA在空间利用率、买家满意度和拍卖收益等方面具有良好的性能,空间利用率比采用无向图的拍卖算法提高5.8%~13.6%。     

基于图论的认知无线网络频谱动态分配

在认知无线电网络中，图论与量子遗传算法相结合的频谱分配策略能够提高频谱利用率，但存在早熟和收敛精度不够等缺点。为了解决该问题而实现算法的优化，对图着色理论的频谱分配模型进行数学建模，并针对该模型提出了改进的量子遗传算法。首先，通过使用小生境技术初始化种群，使种群分布更加广泛、算法的收敛度更高；其次，根据进化代数对量子旋转角进行实时动态调整，对染色体进行阈值变异，防止个体陷入早熟，跳出局部解；然后，对干扰约束条件进行重新设计，有效地避免盲目性，提高了网络的公平性和网络效益。仿真结果表明，所提算法有效地提高了频谱利用率，极大地增强了网络系统的性能。     

海上无线网状网中基于Q-Learning的自适应路由算法

针对海上无线网状网通信环境复杂多变、船舶节点具有特殊移动模型等特点,提出一种基于Q-Learning的自适应路由（Q-Learning Based Adaptive Routing,QLAR）算法。综合考虑海上无线电波传播特性、船舶航程信息以及相应海区气象信息等因素的影响,提出链路可靠性、链路稳定性和节点航程相似度等概念,并对链路状态进行评估;然后,根据链路状态评估结果,利用Q-Learning算法寻找源、目的节点间最稳定的路径以传输数据分组;最后,利用OPNET搭建仿真平台对算法进行测试。仿真结果表明,与4种对比算法中性能最优的算法相比,QLAR算法最高可提升分组投递率4.89%,降低平均分组时延17.42%,减少归一化路由开销21.99%。     

基于多臂赌博机模型的信道选择

在择机频谱接入系统中,为解决未知信道环境先验知识下的信道选择问题,提出了一种基于多臂赌博机(MAB)模型的改进UCB(Upper Confidence Bound) 索引选择策略。该策略是通过在UCB索引的置信因子中引入收益方差值来调整对未知信道环境的探索过程,以降低探索成本。结合理论证明了本策略有较快的收敛速度,还证明了本策略下的学习后悔值曲线与时隙呈近似对数关系而较缓慢增长。仿真结果表明,与原UCB策略以及贪心算法相比,所提策略更能自适应地选择可用性较好的信道,有效降低学习后悔值并加快其收敛速度,从而提高了系统吞吐量。     

认知无线电频谱合作检测技术

认知无线电通过灵活地感知环境的变化,探测暂时末被使用的频谱孔,为未授权用户提供接入机会,大大地提高了频谱利用率,被认为是当前解决频带使用拥挤的最佳方案。频谱检测是认知无线电中极其重要的环节,目前频谱检测技术的研究主要包括两方面:非合作检测和合作检测。本文重点介绍认知无线电频谱检测的合作检测方式、系统模型、监测协议、检测机理及常用的检测算法等,并总结了目前频谱检测技术中有待解决的一些关键问题和技术。     

一种提高频谱利用率的航空导航台站频率指配算法

针对多个新建航空无线电导航台站高效频率指配问题,根据美国联邦航空管理局（FAA）的频谱管理规范,研究了在已有多台站场景下的频率指配算法。总结了导航台站频率指配的复用干扰和频率配对两个约束条件,给出了提高频谱利用率的频率指配度量准则,设计了单个新建台站的频率指配算法,给出了多台站频率指配的深度优先递归搜索算法。数值仿真结果表明,所提算法在为多个新建台站同时指配频率时,可有效提高频谱利用率。     

低复杂度的连续相位调制与LDPC联合迭代译码算法

连续相位调制与低密度奇偶校验(LDPC)码编译码技术在提高频谱利用率的同时能够有效降低发射功率,然而这会增加通信系统的复杂度。为此,提出了一种低复杂度的联合迭代译码算法解决此问题。该算法以符号/比特的可靠度作为内外译码器之间的迭代信息。仿真结果表明,新的联合迭代译码算法的性能与概率域下的算法几乎没有差异,在总迭代次数相同的情况下,采用低复杂度联合迭代的性能相比于未采用联合迭代的性能有约0.75 dB的增益。     

一种适用于D2D通信的启发式接入算法

直通通信（Device-to-Device,D2D）技术是5G移动通信的关键技术之一,蜂窝网络中的D2D通信用户接入技术及其性能研究等已成为热点问题。基于一种新型随机几何网络模型,通过研究D2D用户对蜂窝用户的上行链路频谱资源的复用,提出了一种D2D通信启发式接入算法,并同随机接入算法进行了比较分析。仿真结果表明,随机几何模型易于分析链路的信干噪比,更符合未来移动通信密集组网和用户分布特点;该模型下的启发式算法比随机算法的性能更优,算法具有收敛快、接入性能好和接入简单的特点,具有更好的实用价值。     

基于深度强化学习的协作通信中继选择

协作通信是无线传感器网络(Wireless Sensor Network，WSN)实现数据可靠传输的关键技术，而协作通信技术的关键在于中继方案的选择。为此，提出了一种基于深度强化学习的协作通信中继选择算法(Deep Q-Learning Based Relay Selection Scheme,DQ-RSS)。首先，将WSN中具有中继选择的协作通信过程建模为马尔科夫决策过程，并采用Q学习在未知网络模型的情况下获取最佳中继选择策略；其次，针对高维状态空间下Q学习收敛时间长的问题，采用DQN(Deep-Q-Net)算法来加速Q学习的收敛。对比仿真实验结果表明，DQ-RSS在中断概率、系统容量和能耗方面均优于现有的中继选择方案，且能够有效节省收敛时间。     

基于寡头定价的动态频谱接入控制

为了解决频谱接入中主用户和次级用户交互信息过程复杂的问题,提出了一种基于寡头定价的动态频谱接入控制算法。该算法利用博弈论建立寡头定价模型,通过控制次级用户的频谱接入过程以实现系统收益的最大化,算法只需一次用户信息交互,且无需建立公共控制信道,网络拓扑结构简单。通过比较帕累托最优与全局最优的关系,实验计算与性能分析证明了该算法的有效性。     

基于Stackelberg博弈的动态频谱接入控制

为了解决多主用户和多次级用户共存网络的频谱资源分配问题,提出了一种基于斯塔科尔伯格（Stackelberg）博弈的动态频谱接入控制算法。该算法通过三阶段Stackelberg博弈模拟主用户频谱竞价,博弈过程中次级用户以最大化传输速率为目的接入主用户频谱,同时设计了一种迭代过程来求解纳什均衡。实验计算与结果分析证明了纳什均衡唯一存在性的充要条件,并说明了迭代过程的收敛性以及主用户最佳效用的影响因素。     

基于改进智能水滴算法的多用户OFDMA系统资源分配

在正交频分多址（OFDMA）系统中,合理的资源分配对于提升系统的性能具有重要的意义。针对多用户OFDMA系统,对最大化系统容量为目标的资源分配算法进行研究,提出了一种基于智能水滴算法的无向全连通图资源分配模型,以无向全连通图的顶点集和边集来描述用户与子载波之间的匹配关系。在此基础上,进一步对智能水滴算法进行改进。仿真结果表明,在满足用户比例公平性的条件下,与蚁群算法相比,基于改进智能水滴算法的全连通图分配方案能够提高2.17%~4.91%的系统速率,同时具有更快的收敛速度,提高了系统性能。     

改进的变步长维纳系统盲源分离方法

基于非线性盲源分离的维纳系统算法中,采用固定步长导致算法的收敛速度和稳态误差之间存在矛盾,直接影响分离算法的性能。为了解决该问题,提出了基于非线性函数的变步长维纳系统盲源分离方法。该方法将更新的步长以非线性函数的形式引入到分离算法中,使得稳态时参数更新的步长尽可能小,以避免发生振荡。变步长算法在分离过程中的每次更新都会使步长自动进行合理的调整,使得收敛速度提高了53%,误差减小了45%。实验仿真表明,相对原算法,提出的维纳系统盲源分离方法可以更好地分离出信源信号,而且具有较小的误差和较快的收敛速度。     

基于扩散策略的分布式协作频谱检测

分布式认知网络中,认知用户通过与相邻用户交换检测量信息,达到全网一致,实现对主用户信号的检测。为了提高网络检测量信息的收敛速度,提出了一种基于扩散策略的分布式协作检测算法。在该算法中,将最大最小特征值检测算法的检测量作为交换的初始信息,构造自适应矩阵和融合矩阵作为加权因子对认知节点状态值进行迭代更新,实现全网认知用户检测量信息一致,各认知用户独自根据融合的检测量信息,进行最终的检测判决,确定主用户是否存在。仿真结果表明,该算法在网络收敛速度和检测性能上较共识策略和非合作检测有不同程度的提升。     

基于Q-Learning的多功能雷达认知干扰决策方法

针对多功能雷达和认知电子战的快速发展所导致传统干扰决策方法难以适应现代化战争的问题,提出了一种基于Q-Learning的多功能雷达认知干扰决策方法。通过对比认知思想和干扰决策原理,将Q-Learning运用于认知干扰决策中并提出了认知干扰决策的算法步骤。以某多功能雷达为基础,通过分析其工作状态及对应干扰样式构建雷达状态转移图,通过仿真试验分析了各参数对决策性能的影响,为应对实际战场提供参考。仿真了在新状态加入下的决策过程、实际战场中转移概率对决策路径的影响以及四种主要干扰决策方法的决策性能对比。试验表明,该方法能够通过自主学习干扰效果完成干扰决策,更加贴合实际战场,对认知电子战的发展有一定的借鉴意义。     

利用改进PAST算法的直扩信号PN码盲估计

针对直接序列扩频信号的伪随机(PN)码盲估计问题,提出了一种利用改进的投影逼近子空间(PAST)算法的PN码盲估计方法。该方法利用遗忘因子与收敛速度和精度的相关性构造基于跟踪误差的自适应遗忘因子,实现了收敛精度和收敛速度的同时优化;根据预期最低误码率约束估计精度变化范围确定迭代收敛的门限值,实现了迭代收敛的精确自动判读,消除了算法依赖人工判断收敛的固有限制,提高了算法的实际应用能力。仿真结果进一步验证了算法理论推导的正确性以及实际应用的可行性。     

A STATE-SPACE PARTITIONING METHOD FOR PRICING HIGH-DIMENSIONAL AMERICAN-STYLE OPTIONS

The pricing of American-style options by simulation-based methods is an important but difficult task primarily due to the feature of early exercise, particularly for high-dimensional derivatives. In this paper, a bundling method based on quasi-Monte Carlo sequences is proposed to price high-dimensional American-style options. The proposed method substantially extends Tilley's bundling algorithm to higher-dimensional situations. By using low-discrepancy points, this approach partitions the state space and forms bundles. A dynamic programming algorithm is then applied to the bundles to estimate the continuation value of an American-style option. A convergence proof of the algorithm is provided. A variety of examples with up to 15 dimensions are investigated numerically and the algorithm is able to produce computationally efficient results with good accuracy.     

基于压缩感知的分布式协同估计算法

为了降低分布式协同估计算法的计算量并改善其收敛性能，提出了基于压缩感知(CS)和递归最小二乘(RLS)的分布式协同估计算法。该算法在传统RLS分布式协同估计算法的基础上引入压缩感知技术，首先在压缩域中进行递归最小二乘运算，然后利用压缩感知重构算法得到未知参数向量的估计值。提出的算法能够在增量式策略和两种模式的扩散式策略下实现对未知向量的有效估计。理论分析和仿真结果表明，该算法一方面降低了RLS分布式协同估计算法的计算量，另一方面保持较快的收敛速度与良好的均方误差性能。