基于SVR的FBMC信道估计
滤波器组多载波（FBMC）作为5G的候选系统，具有比正交频分复用（OFDM）更好的频谱特性。 但是，这带来了固有的虚干扰的问题，导致信道估计的困难增加。 本文基于SVR插值，提出了一种新的FBMC时变信道估计方法。 新方法首先使用辅助导频消除虚干扰，然后通过SVR对时变信道矢量进行插值。 仿真结果表明，与传统算法相比，新方法的信道估计效果大大提高，效率损失很小，但估计精度较高。
这是我的论文“基于FBMC系统中基于SVR插值的时变信道估计”的matlab代码。 可以在以下URL上下载该论文：
并且，感谢Ronald Nissel和Markus Rupp。此代码的某些部分基于他们的论文，可以从其网站上下载。
2021-05-05 15:06:53
930KB
1
利用改进狼群算法来优化支持向量机的参数C和G，来对轴承数据进行分类，结合试验验证，效果不错，设置合理的上下界对算法的运行速度很有帮助
2021-04-26 10:35:16
6KB
1
本文介绍了python 支持向量机非线性回归SVR模型，废话不多说，具体如下：
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets, linear_model,svm
from sklearn.model_selection import train_test_split
def load_data_regression():
'''
加载用于回归问题的数据集
'''
diabetes = datasets.load_diabetes() #使用 scikit-lear
2021-04-19 09:13:59
85KB
1
根据《Pattern Recognition and Machine Learning》这本书的第7章（稀疏核机）的7.1节，介绍了样本数据线性可分的线性可分支持向量机和样本数据重叠的线性支持向量机，以及支持向量回归。详细介绍了公式的推导过程，以及SMO算法。
2021-04-02 15:46:03
719KB
1