在n-Rayleigh信道下,研究了使用选择合并(SC)接收的移动无线传感器网络系统的平均符号误码率(ASEP)和信道容量。基于矩生成函数(MGF)方法,推导了系统采用相干检测的相移键控调制(PSK),正交幅度调制(QAM),脉冲幅度调制(PAM)等数字调制方...在n-Rayleigh信道下,研究了使用选择合并(SC)接收的移动无线传感器网络系统的平均符号误码率(ASEP)和信道容量。基于矩生成函数(MGF)方法,推导了系统采用相干检测的相移键控调制(PSK),正交幅度调制(QAM),脉冲幅度调制(PAM)等数字调制方式的ASEP的精确表达式。同时,也得到了系统信道容量的精确表达式。然后对不同条件下的ASEP和信道容量性能做了数值仿真,理论分析结果与仿真结果相吻合,验证了理论分析结果的正确性。仿真结果表明:随着分集支路数的增加,系统的ASEP和信道容量性能得到了很好的改善,当使用QPSK调制,信噪比为16 d B时,分集支路数L=1,系统的误码率是6×10-2,信道容量是4(bit/s)/Hz;分集支路数L=2,系统的误码率是1×10-2,信道容量是5.1(bit/s)/Hz;分集支路数L=3,系统的误码率是2×10-3,信道容量是5.8(bit/s)/Hz。展开更多
在n-Rayleigh信道下,研究了MRC(Maximal Ratio Combining)合并接收系统的平均码字错误率(ASEP)性能。基于矩生成函数(MGF)的方法,推导了MRC接收系统在n-Rayleigh衰落信道上采用M进制相移键控(MPSK),M进制正交幅度调制(MQAM)和M进制脉冲...在n-Rayleigh信道下,研究了MRC(Maximal Ratio Combining)合并接收系统的平均码字错误率(ASEP)性能。基于矩生成函数(MGF)的方法,推导了MRC接收系统在n-Rayleigh衰落信道上采用M进制相移键控(MPSK),M进制正交幅度调制(MQAM)和M进制脉冲幅度调制(MPAM)等几种M进制数字调制方式的ASEP的计算式。然后在不同条件下,仿真了系统的ASEP性能,仿真值与理论值相一致,理论分析的正确性得到了证明。分析结果表明:分集支路数和衰弱因子对系统的ASEP性能有重要影响。展开更多
为了获得较大差异性的基学习器来构建集成学习器,从属性空间划分的角度来考虑集成学习问题,通过粗糙集理论定义了近似约简的概念,进一步提出了基于近似约简的集成学习算法;本方法将数据集的属性空间划分为多个子空间,基于不同子空间对...为了获得较大差异性的基学习器来构建集成学习器,从属性空间划分的角度来考虑集成学习问题,通过粗糙集理论定义了近似约简的概念,进一步提出了基于近似约简的集成学习算法;本方法将数据集的属性空间划分为多个子空间,基于不同子空间对应的数据集训练得到的基学习器具有较大的差异性,从而保证了集成学习器具有较强的泛化性能.为了验证本算法的有效性,本算法被应用于网络入侵检测中.在KDD CUP 99数据集上的实验表明,与传统的集成学习算法相比,本文所提出的算法具有更高的检测率和更低的计算开销,更适合于从海量高维的网络数据中检测入侵.展开更多
文摘在n-Rayleigh信道下,研究了使用选择合并(SC)接收的移动无线传感器网络系统的平均符号误码率(ASEP)和信道容量。基于矩生成函数(MGF)方法,推导了系统采用相干检测的相移键控调制(PSK),正交幅度调制(QAM),脉冲幅度调制(PAM)等数字调制方式的ASEP的精确表达式。同时,也得到了系统信道容量的精确表达式。然后对不同条件下的ASEP和信道容量性能做了数值仿真,理论分析结果与仿真结果相吻合,验证了理论分析结果的正确性。仿真结果表明:随着分集支路数的增加,系统的ASEP和信道容量性能得到了很好的改善,当使用QPSK调制,信噪比为16 d B时,分集支路数L=1,系统的误码率是6×10-2,信道容量是4(bit/s)/Hz;分集支路数L=2,系统的误码率是1×10-2,信道容量是5.1(bit/s)/Hz;分集支路数L=3,系统的误码率是2×10-3,信道容量是5.8(bit/s)/Hz。
文摘在n-Rayleigh信道下,研究了MRC(Maximal Ratio Combining)合并接收系统的平均码字错误率(ASEP)性能。基于矩生成函数(MGF)的方法,推导了MRC接收系统在n-Rayleigh衰落信道上采用M进制相移键控(MPSK),M进制正交幅度调制(MQAM)和M进制脉冲幅度调制(MPAM)等几种M进制数字调制方式的ASEP的计算式。然后在不同条件下,仿真了系统的ASEP性能,仿真值与理论值相一致,理论分析的正确性得到了证明。分析结果表明:分集支路数和衰弱因子对系统的ASEP性能有重要影响。
文摘为了获得较大差异性的基学习器来构建集成学习器,从属性空间划分的角度来考虑集成学习问题,通过粗糙集理论定义了近似约简的概念,进一步提出了基于近似约简的集成学习算法;本方法将数据集的属性空间划分为多个子空间,基于不同子空间对应的数据集训练得到的基学习器具有较大的差异性,从而保证了集成学习器具有较强的泛化性能.为了验证本算法的有效性,本算法被应用于网络入侵检测中.在KDD CUP 99数据集上的实验表明,与传统的集成学习算法相比,本文所提出的算法具有更高的检测率和更低的计算开销,更适合于从海量高维的网络数据中检测入侵.
