量子群智能及其在通信技术中的应用

图书标准信息

• 作者 高洪元 著
• 出版社 电子工业出版社
• 出版时间 2016-06
• 版次 1
• ISBN 9787121288142
• 定价 48.00元
• 装帧 平装
• 开本 16开
• 纸张 轻型纸
• 页数 244页
• 字数 304千字
• 正文语种 简体中文

【内容简介】

本书共分9章，主要内容包括量子粒子群、量子蛙跳算法、量子蜂群、量子细菌觅食、量子神经网络、量子文化算法、量子文化群智能、量子膜群算法、多目标量子膜群算法、多用户检测、频谱分配、决策引擎、频谱感知、冲击噪声测向、非圆信号测向等通信技术中的热点和难点问题。 本书可使读者在了解和学习量子群智能和通信技术*新科研成果的同时，在量子群智能和通信技术两个方向得到启发，也可作为相关学科的教材和科研用书。

【作者简介】

  高洪元，博士后,工学博士，硕士生导师，副教授；IEEE会员，中国计算机学会会员； IWSIS2012、IWSIS2013国际会议分会主席；是《Journal of Communications and Networks》、《International Journal of Electronics and Communications》、《Information Sciences》、 《Circuits, Systems & Signal Processing》、《Computer Methods and Programs in Biomedicine》和《Computational Intelligence》等SCI国际期刊审稿人。

【目录】

目 录

第1章 绪论1
1．1 量子群智能计算简介1
1．2 单目标和多目标优化问题3
1．2．1 单目标优化问题的数学模型5
1．2．2 单目标约束优化问题的求解方法5
1．2．3 多目标优化问题的数学模型7
1．2．4 多目标优化方法简介9
1．3 智能计算在通信技术中的应用11
1．3．1 简介11
1．3．2 展望15
1．4 本书内容和结构安排17
参考文献19
第2章 用于离散优化问题的量子群智能计算29
2．1 量子粒子群算法30
2．1．1 双链编码的量子粒子群算法30
2．1．2 单链编码的量子粒子群算法[2]32
2．1．3 性能测试34
2．2 量子蜂群算法37
2．2．1 双链编码的量子蜂群算法[5]37
2．2．2 单链编码的量子蜂群算法40
2．2．3 性能测试42
2．3 量子细菌觅食算法43
2．3．1 双链编码的量子细菌觅食算法44
2．3．2 量子细菌觅食算法的收敛性分析47
2．3．3 性能测试49
2．4 小结50
参考文献50
第3章 用于连续优化问题的量子群智能计算52
3．1 量子蛙跳算法53
3．1．1 混合蛙跳算法53
3．1．2 量子蛙跳算法[4]55
3．1．3 性能测试58
3．2 量子文化蛙跳算法[9]60
3．2．1 量子规范知识60
3．2．2 量子文化蛙跳算法的实现61
3．2．3 性能测试64
3．3 量子细菌觅食算法65
3．3．1 细菌觅食算法66
3．3．2 量子细菌觅食优化算法[16]69
3．3．3 性能测试71
3．4 小结73
参考文献74
第4章 基于量子智能算法的多用户检测76
4．1 多用户检测的数学模型78
4．1．1 噪声模型78
4．1．2 高斯噪声下的多用户检测数学模型79
4．2 高斯噪声环境的典型多用户检测方法83
4．2．1 传统检测器83
4．2．2 最优多用户检测器84
4．2．3 Hopfield神经网络多用户检测器86
4．3 基于免疫克隆量子算法的多用户检测[13]87
4．3．1 神经网络制备疫苗的方法框架88
4．3．2 基于免疫克隆量子算法的多用户检测器89
4．3．3 试验仿真93
4．4 量子HOPFIELD神经网络的多用户检测设计95
4．4．1 量子Hopfield神经网络96
4．4．2 基于量子神经网络的多用户检测98
4．4．3 基于量子神经网络的多用户检测器仿真99
4．5 量子蜂群算法的鲁棒多用户检测100
4．5．1 鲁棒多用户检测器101
4．5．2 新量子蜂群算法102
4．5．3 基于量子蜂群算法的鲁棒多用户检测[37]104
4．5．4 试验仿真105
4．6 小结107
参考文献107
第5章 基于量子群智能的认知无线电决策引擎112
5．1 认知无线电决策引擎模型和三种典型的决策引擎114
5．1．1 智能计算的认知决策引擎114
5．1．2 基于智能计算的认知决策引擎方法117
5．2 单目标膜量子蜂群算法及其在决策引擎上的应用[20]123
5．2．1 膜结构简介123
5．2．2 膜量子蜂群优化算法124
5．2．3 膜量子蜂群优化算法的性能测试128
5．2．4 基于膜量子蜂群算法的认知无线电决策引擎130
5．2．5 决策引擎试验仿真131
5．3 基于量子细菌觅食算法的绿色认知无线电参数调整134
5．3．1 绿色认知无线电参数调整模型135
5．3．2 量子细菌觅食算法的绿色认知无线电参数调整[29]137
5．3．3 试验仿真138
5．4 小结141
参考文献142
第6章 基于量子群智能的频谱分配146
6．1 频谱分配模型147
6．1．1 图论着色模型147
6．1．2 单目标频谱分配149
6．1．3 多目标频谱分配150
6．2 基于量子粒子群算法的单目标频谱分配151
6．2．1 基于单链量子粒子群算法的认知无线电频谱分配[15]151
6．2．2 仿真结果分析152
6．3 基于多目标膜量子蜂群的多目标频谱分配[16]155
6．3．1 膜量子蜂群的基本演进规则156
6．3．2 膜量子蜂群的膜框架158
6．3．3 基于多目标膜量子蜂群算法的多目标频谱分配技术161
6．3．4 频谱分配实验仿真163
6．4 小结167
参考文献168
第7章 量子群智能的频谱感知技术171
7．1 线性协作频谱感知模型172
7．2 合作式频谱感知的基本算法174
7．2．1 基于修正偏差因子的频谱感知方法174
7．2．2 基于粒子群算法的频谱感知175
7．2．3 计算机仿真177
7．3 基于连续量子细菌觅食算法的频谱感知技术178
7．3．1 量子细菌觅食算法的频谱感知[15]178
7．3．2 计算机仿真181
7．4 小结184
参考文献184
第8章 基于量子智能计算的DOA估计187
8．1 经典DOA估计模型和算法188
8．1．1 DOA估计模型188
8．1．2 经典测向算法189
8．1．3 基于量子蛙跳算法的测向方法190
8．1．4 试验仿真191
8．2 基于高阶累积量和文化量子算法的测向方法[18]192
8．2．1 基于高阶累积量的广义加权子空间拟合算法193
8．2．2 文化量子算法196
8．2．3 基于文化量子算法的广义高阶加权信号子空间拟合测向199
8．2．4 试验仿真200
8．3 基于量子文化蛙跳算法的非圆信号DOA估计[27]203
8．3．1 非圆极大似然算法203
8．3．2 基于量子文化蛙跳算法的极大似然测向204
8．3．3 试验仿真206
8．4 小结207
参考文献208
第9章 冲击噪声环境下的量子智能计算DOA估计211
9．1 冲击噪声环境下的测向模型212
9．1．1 三种低阶矩212
9．1．2 三种低阶矩的对比213
9．2 基于量子文化细菌觅食算法的无穷范数最大似然测向方法[10]215
9．2．1 量子文化细菌觅食算法215
9．2．2 量子文化细菌觅食算法的无穷范数极大似然测向218
9．2．3 试验仿真221
9．3 基于量子粒子群的动态测向方法225
9．3．1 冲击噪声下的动态测向模型225
9．3．2 连续量子粒子群优化算法226
9．3．3 量子粒子群优化算法的动态测向方法[18]228
9．3．4 试验仿真229
9．4 小结231
参考文献232