《量子群智慧型及其在通信技術中的套用》是2016年6月電子工業出版社出版的圖書，作者是高洪元。
基本介紹
- 書名：量子群智慧型及其在通信技術中的套用
- 作者：高洪元
- 譯者：高洪元,刁鳴
- 出版社：電子工業出版社
- 出版時間：2016年06月
- 頁數：244 頁
- 定價：48 元
- 開本：16 開
- 裝幀：平裝
- ISBN：9787121288142
- 千 字 數：304
- 版 次：01-01
作者介紹,內容簡介,目錄信息,
作者介紹
高洪元，男，1977年出生，博士後,工學博士，碩士生導師，副教授；IEEE會員，中國計算機學會會員； IWSIS2012、IWSIS2013國際會議分會主席；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國際期刊審稿人。
內容簡介
本書共分9章，主要內容包括量子粒子群、量子蛙跳算法、量子蜂群、量子細菌覓食、量子神經網路、量子文化算法、量子文化群智慧型、量子膜群算法、多目標量子膜群算法、多用戶檢測、頻譜分配、決策引擎、頻譜感知、衝擊噪聲測向、非圓信號測向等通信技術中的熱點和難點問題。 本書可使讀者在了解和學習量子群智慧型和通信技術最新科研成果的同時，在量子群智慧型和通信技術兩個方向得到啟發，也可作為相關學科的教材和科研用書。
目錄信息
第1章 緒論 1
1.1 量子群智慧型計算簡介 1
1.2 單目標和多目標最佳化問題 3
1.2.1 單目標最佳化問題的數學模型 5
1.2.2 單目標約束最佳化問題的求解方法 5
1.2.3 多目標最佳化問題的數學模型 7
1.2.4 多目標最佳化方法簡介 9
1.3 智慧型計算在通信技術中的套用 11
1.3.1 簡介 11
1.3.2 展望 15
1.4 本書內容和結構安排 17
參考文獻 19
第2章 用於離散最佳化問題的量子群智慧型計算 29
2.1 量子粒子群算法 30
2.1.1 雙鏈編碼的量子粒子群算法 30
2.1.2 單鏈編碼的量子粒子群算法[2] 32
2.1.3 性能測試 34
2.2 量子蜂群算法 37
2.2.1 雙鏈編碼的量子蜂群算法[5] 37
2.2.2 單鏈編碼的量子蜂群算法 40
2.2.3 性能測試 42
2.3 量子細菌覓食算法 43
2.3.1 雙鏈編碼的量子細菌覓食算法 44
2.3.2 量子細菌覓食算法的收斂性分析 47
2.3.3 性能測試 49
2.4 小結 50
參考文獻 50
第3章 用於連續最佳化問題的量子群智慧型計算 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 性能測試 58
3.2 量子文化蛙跳算法[9] 60
3.2.1 量子規範知識 60
3.2.2 量子文化蛙跳算法的實現 61
3.2.3 性能測試 64
3.3 量子細菌覓食算法 65
3.3.1 細菌覓食算法 66
3.3.2 量子細菌覓食最佳化算法[16] 69
3.3.3 性能測試 71
3.4 小結 73
參考文獻 74
第4章 基於量子智慧型算法的多用戶檢測 76
4.1 多用戶檢測的數學模型 78
4.1.1 噪聲模型 78
4.1.2 高斯噪聲下的多用戶檢測數學模型 79
4.2 高斯噪聲環境的典型多用戶檢測方法 83
4.2.1 傳統檢測器 83
4.2.2 最優多用戶檢測器 84
4.2.3 Hopfield神經網路多用戶檢測器 86
4.3 基於免疫克隆量子算法的多用戶檢測[13] 87
4.3.1 神經網路製備疫苗的方法框架 88
4.3.2 基於免疫克隆量子算法的多用戶檢測器 89
4.3.3 試驗仿真 93
4.4 量子HOPFIELD神經網路的多用戶檢測設計 95
4.4.1 量子Hopfield神經網路 96
4.4.2 基於量子神經網路的多用戶檢測 98
4.4.3 基於量子神經網路的多用戶檢測器仿真 99
4.5 量子蜂群算法的魯棒多用戶檢測 100
4.5.1 魯棒多用戶檢測器 101
4.5.2 新量子蜂群算法 102
4.5.3 基於量子蜂群算法的魯棒多用戶檢測[37] 104
4.5.4 試驗仿真 105
4.6 小結 107
參考文獻 107
第5章 基於量子群智慧型的認知無線電決策引擎 112
5.1 認知無線電決策引擎模型和三種典型的決策引擎 114
5.1.1 智慧型計算的認知決策引擎 114
5.1.2 基於智慧型計算的認知決策引擎方法 117
5.2 單目標膜量子蜂群算法及其在決策引擎上的套用[20] 123
5.2.1 膜結構簡介 123
5.2.2 膜量子蜂群最佳化算法 124
5.2.3 膜量子蜂群最佳化算法的性能測試 128
5.2.4 基於膜量子蜂群算法的認知無線電決策引擎 130
5.2.5 決策引擎試驗仿真 131
5.3 基於量子細菌覓食算法的綠色認知無線電參數調整 134
5.3.1 綠色認知無線電參數調整模型 135
5.3.2 量子細菌覓食算法的綠色認知無線電參數調整[29] 137
5.3.3 試驗仿真 138
5.4 小結 141
參考文獻 142
第6章 基於量子群智慧型的頻譜分配 146
6.1 頻譜分配模型 147
6.1.1 圖論著色模型 147
6.1.2 單目標頻譜分配 149
6.1.3 多目標頻譜分配 150
6.2 基於量子粒子群算法的單目標頻譜分配 151
6.2.1 基於單鏈量子粒子群算法的認知無線電頻譜分配[15] 151
6.2.2 仿真結果分析 152
6.3 基於多目標膜量子蜂群的多目標頻譜分配[16] 155
6.3.1 膜量子蜂群的基本演進規則 156
6.3.2 膜量子蜂群的膜框架 158
6.3.3 基於多目標膜量子蜂群算法的多目標頻譜分配技術 161
6.3.4 頻譜分配實驗仿真 163
6.4 小結 167
參考文獻 168
第7章 量子群智慧型的頻譜感知技術 171
7.1 線性協作頻譜感知模型 172
7.2 合作式頻譜感知的基本算法 174
7.2.1 基於修正偏差因子的頻譜感知方法 174
7.2.2 基於粒子群算法的頻譜感知 175
7.2.3 計算機仿真 177
7.3 基於連續量子細菌覓食算法的頻譜感知技術 178
7.3.1 量子細菌覓食算法的頻譜感知[15] 178
7.3.2 計算機仿真 181
7.4 小結 184
參考文獻 184
第8章 基於量子智慧型計算的DOA估計 187
8.1 經典DOA估計模型和算法 188
8.1.1 DOA估計模型 188
8.1.2 經典測向算法 189
8.1.3 基於量子蛙跳算法的測向方法 190
8.1.4 試驗仿真 191
8.2 基於高階累積量和文化量子算法的測向方法[18] 192
8.2.1 基於高階累積量的廣義加權子空間擬合算法 193
8.2.2 文化量子算法 196
8.2.3 基於文化量子算法的廣義高階加權信號子空間擬合測向 199
8.2.4 試驗仿真 200
8.3 基於量子文化蛙跳算法的非圓信號DOA估計[27] 203
8.3.1 非圓極大似然算法 203
8.3.2 基於量子文化蛙跳算法的極大似然測向 204
8.3.3 試驗仿真 206
8.4 小結 207
參考文獻 208
第9章 衝擊噪聲環境下的量子智慧型計算DOA估計 211
9.1 衝擊噪聲環境下的測向模型 212
9.1.1 三種低階矩 212
9.1.2 三種低階矩的對比 213
9.2 基於量子文化細菌覓食算法的無窮範數最大似然測向方法[10] 215
9.2.1 量子文化細菌覓食算法 215
9.2.2 量子文化細菌覓食算法的無窮範數極大似然測向 218
9.2.3 試驗仿真 221
9.3 基於量子粒子群的動態測向方法 225
9.3.1 衝擊噪聲下的動態測向模型 225
9.3.2 連續量子粒子群最佳化算法 226
9.3.3 量子粒子群最佳化算法的動態測向方法[18] 228
9.3.4 試驗仿真 229
9.4 小結 231
參考文獻 232
