论文部分内容阅读
基于因子图与和积算法,给出了基于LDPC的FG-Turbo多用户检测扩展模型,仿真比较了最优MAP算法和软干扰消除算法的性能,并提出了一种基于敏感比特的软干扰估计新方法。仿真结果表明,改进后的软干扰消除算法在复杂度不变的情况下,有效地改善了系统性能。
一种改进的基于FG-Turbo多用户检测的软干扰消除算法
【摘 要】
：
基于因子图与和积算法,给出了基于LDPC的FG-Turbo多用户检测扩展模型,仿真比较了最优MAP算法和软干扰消除算法的性能,并提出了一种基于敏感比特的软干扰估计新方法。仿真结果表明,改进后的软干扰消除算法在复杂度不变的情况下,有效地改善了系统性能。
【机 构】
：
郑州大学信息工程学院,解放军信息工程大学
【出 处】
：
电信科学
【发表日期】
：
2012年02期
其他文献
不确定数据流对处理过程有独特的需求,如存储空间有限、响应时间很短、需要连续处理、数据无限等,这对数据流的处理算法,特别是耗时、耗内存较多的连接操作提出了挑战。针对大规模不确定数据流并行连接所存在的速度较慢和内存消耗大的问题,提出了多核处理器上不确定数据流并行连接和内存溢出时自适应处理的一系列算法,能够高速在线处理并发不确定数据流。在此基础上,针对道路各个卡口监控到的不确定数据流,提出一种实时发现套
为了提高不平衡数据集分类中少数类的分类精度,提出了基于特征选择的过抽样算法。该算法考虑了不同的特征列对分类性能的不同作用,首先对训练集进行特征选择,选出一组特征列,然后根据选出的特征列合成少数类样本,合成的每个少数类样本的特征由两部分组成,一部分是特征选择的特征列对应的特征,另一部分是按照SMOTE原理合成的特征。将基于特征选择的过抽样算法和SMOTE算法进行实验比较,结果表明基于特征选择的过抽样