在异构卫星网络动态组网时,为了解决星上软件通信适配器对物理层调制模式识别率低的问题,提出了一种适合低信噪比和贫先验知识的自动调制模式识别算法.该算法以高斯白噪声信道作为信道模型,选取信号高阶累积量和经典统计量作为特征参数...在异构卫星网络动态组网时,为了解决星上软件通信适配器对物理层调制模式识别率低的问题,提出了一种适合低信噪比和贫先验知识的自动调制模式识别算法.该算法以高斯白噪声信道作为信道模型,选取信号高阶累积量和经典统计量作为特征参数,采用引力搜索算法对径向基神经网络基函数中心进行优化,并在引力搜索算法中引入粒子群的信息熵来调节算法执行过程中探索与开采的关系,进一步提高了算法的分类和泛化能力.然后,利用仿真试验测评了该算法对6种卫星常用调相调制信号的识别效果.仿真试验结果表明,没有先验知识的情况下,该算法在调制信号信噪比大于4 d B时就可以达到100%的识别率,从而证明了该算法在低信噪比和贫先验知识条件下的有效性,说明算法满足星上软件通信适配器对物理层调制模式的识别要求.展开更多
针对深度强化学习算法中经验缓存机制构建问题,提出一种基于TD误差的重抽样优选缓存机制;针对该机制存在的训练集坍塌现象,提出基于排行的分层抽样算法进行改进,并结合该机制对已有的几种典型基于DQN的深度强化学习算法进行改进.通过对O...针对深度强化学习算法中经验缓存机制构建问题,提出一种基于TD误差的重抽样优选缓存机制;针对该机制存在的训练集坍塌现象,提出基于排行的分层抽样算法进行改进,并结合该机制对已有的几种典型基于DQN的深度强化学习算法进行改进.通过对Open AI Gym平台上Cart Port学习控制问题的仿真实验对比分析表明,优选机制能够提升训练样本的质量,实现对值函数的有效逼近,具有良好的学习效率和泛化性能,收敛速度和训练性能均有明显提升.展开更多
文摘在异构卫星网络动态组网时,为了解决星上软件通信适配器对物理层调制模式识别率低的问题,提出了一种适合低信噪比和贫先验知识的自动调制模式识别算法.该算法以高斯白噪声信道作为信道模型,选取信号高阶累积量和经典统计量作为特征参数,采用引力搜索算法对径向基神经网络基函数中心进行优化,并在引力搜索算法中引入粒子群的信息熵来调节算法执行过程中探索与开采的关系,进一步提高了算法的分类和泛化能力.然后,利用仿真试验测评了该算法对6种卫星常用调相调制信号的识别效果.仿真试验结果表明,没有先验知识的情况下,该算法在调制信号信噪比大于4 d B时就可以达到100%的识别率,从而证明了该算法在低信噪比和贫先验知识条件下的有效性,说明算法满足星上软件通信适配器对物理层调制模式的识别要求.
文摘针对深度强化学习算法中经验缓存机制构建问题,提出一种基于TD误差的重抽样优选缓存机制;针对该机制存在的训练集坍塌现象,提出基于排行的分层抽样算法进行改进,并结合该机制对已有的几种典型基于DQN的深度强化学习算法进行改进.通过对Open AI Gym平台上Cart Port学习控制问题的仿真实验对比分析表明,优选机制能够提升训练样本的质量,实现对值函数的有效逼近,具有良好的学习效率和泛化性能,收敛速度和训练性能均有明显提升.
