一、RBF神经网络CDMA多用户检测方法(论文文献综述)
张常运[1](2020)在《基于机器学习的多用户干扰消除技术》文中研究表明近年来,随着互联网的蓬勃发展,移动通信中的用户数变得越来越多,数据流量大量增加,能源的消耗也变得日益严重,在未来的通信中面临着降低成本、提高性能的挑战。为了提高系统的性能,如何消除多用户干扰便成为了一个越来越重要的课题。然而,随着通信的发展,现有的多用户干扰消除算法如多用户检测技术等无法普遍满足于各种应用场景的需求。所以,本文进一步研究使用机器学习算法消除多用户干扰这个问题。深度学习是机器学习中的一个重要方向,它具有自学习、自适应、自组织能力,有较好的容错能力和处理能力。越来越多的学者将深度学习应用于各种通信任务,如调制识别、信号检测等问题。所以,本文研究将深度学习与传统的机器学习算法应用到多用户干扰消除当中。本文主要的研究内容如下:1)在单天线输入单天线输出(SISO)系统中,基本上现有的这些应用都只关注于接收机处对系统的影响,而在本文中同时考虑了发射机和接收机的端到端通信系统。并且引入了信道效应(包括瑞利信道与莱斯信道)。并使用机器学习算法分别设计了上行链路与下行链路的方案,在上行链路中有多个发射机和一个接收机,在下行链路中有一个发射机和多个接收机,其中每个发射机和接收机都用机器学习模型构建。多个用户共享同一信道并在训练期间优化它们,以便利用机器学习算法消除它们之间的干扰。用本文提出的方案与现有的多用户检测技术进行仿真比较,可以看出该方案提高了系统的性能。2)在本文中扩展了SISO系统的方案,在多天线输入多天线输出(MIMO)系统中分别设计了上行链路与下行链路的方案。MIMO系统是现代通信的主要研究方向,它在发送端和接收端都使用多根天线,具有极高的频谱利用效率,在对现有频谱资源充分利用的基础上通过利用空间资源来获取可靠性与有效性两方面增益,可以极大地提高信道容量。在MIMO系统中的发射机和接收机都由机器学习模型构成,但是由于天线数量的增多,系统变的更加复杂。用该模型训练的网络可以很好的消除了多个用户之间的干扰,相比于现在的多用户检测技术,该模型很好的提升了系统的性能。
张鹏飞[2](2011)在《3G多用户检测技术分析与研究》文中认为在扩频通信技术上发展而来的CDMA码分多址技术具有很多的优点,这个技术实现了系统通信量大,信号涵盖面积大,通话质量优秀,对各种干扰具有很强的抵抗作用,特别是在安全方面具有保密性强等方面是非常成功的。弥补了现在通信系统的不足,并且完全可以用来满足未来通信系统的诸多要求。所以一般都认为码分多址技术就是第三代和第四代移动通信的首先技术。当然目前来说CDMA技术并不是十全十美,这个技术还需要进一步的完善。目前来说这个系统的两大主要缺陷就是码间干扰(ISI)和多址干扰(MAI)。在一般情况下,还会出现远近效应问题。为了消除码分多址系统中的MAI,增强系统的承载能力,本论文就针对这种情况利用遗传算法来训练RBF网络,并将优化后的RBF神经网络应用到多用户检测中。从而实现消除MAI和ISI,缓解远近效应问题,从而彻底改善系统性能,提高系统容量。由于RBF神经网络是一种典型的局部逼近网络,容易陷入局部最小。本论文提出利用遗传算法来确定RBF网络的结构和输出层权值。本论文提出利用混合梯度遗传算法来确定RBF网络,在利用最小二乘方法来确定输出层权值的实验研究中发现算法会出现矩阵奇异,不可行解等问题,于是就利用了奇异值分解法解决这些问题。最终很好的消除了MAI和ISI等问题,改善了系统性能,提高了系统容量。
马曾[3](2009)在《基于鲁棒RBF网络的TD-SCDMA系统功率控制方法研究》文中进行了进一步梳理近年来,随着移动通信系统的发展,第二代移动通信系统已经不能满足移动用户对网络质量的要求,因而第三代移动通信系统应运而生。第三代移动通信系统是能够满足国际电联提出的IMT-2000系统标准的新一代通信系统,而TD-SCDMA(Time Division-Synchronous Code Division Multi Access,时分同步码分多址)系统是由我国提出的,它是第三代移动通信系统的一种。TD-SCDMA系统不仅能够为移动用户提供语音及低速率数据业务,而且还能提供广泛的多媒体服务的业务,因此TD-SCDMA系统受到了广泛关注。由于TD-SCDMA系统中存在着多址干扰、高噪声、多径效应、远近效应及多普勒效应等诸多不利因素,所以TD-SCDMA系统的传输可靠性受到影响,限制了系统容量。功率控制技术是解决上述问题的关键。而上行链路闭环功率控制是功率控制技术的难点和重点,本文着重研究TD-SCDMA系统的上行链路闭环功率控制。本文的主要工作和贡献是:对基于鲁棒学习算法的鲁棒RBF网络进行了深入研究,并应用两个仿真例子进行了仿真分析,仿真结果表明此方法增强了网络的鲁棒性;将鲁棒RBF网络应用到TD-SCDMA系统的上行链路功率控制中,设计了基于鲁棒RBF网络的功率控制器结构,计算机仿真模拟该控制器运行性能,结果表明鲁棒RBF网络应用到TD-SCDMA系统功率控制能够克服离群点干扰,取得了满意效果。最后,本文对所做的工作进行了总结,并对以后的研究内容进行了展望。
王鸿斌,王砚,张立毅,王华奎[4](2009)在《基于RBF神经网络混合遗传算法的多用户检测》文中研究表明提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数,引入了改进的染色体编码方案,用基于奇异值分解的最小二乘法计算网络输出层权值,提高了遗传搜索的效率,精简了网络结构。并用变学习速率梯度下降法优化遗传训练出的最优网络,应用到多用户检测中。仿真结果表明,新混合学习算法训练出的网络结构优于其它算法训练的网络结构,并且性能良好。
邢荣峰[5](2007)在《基于恒模约束神经网络盲多用户检测算法的研究》文中提出随着第三代移动通信系统的即将商用,其主要接入方式CDMA技术得到了空前的发展,但由于CDMA固有的多址干扰和远近效应,使得系统容量和系统性能受到了很大限制,常规的匹配滤波器无法克服这些问题。多用户检测技术是在传统单用户检测的基础上,充分利用造成多址干扰的所有用户信息对用户信号进行检测,具有优良的抗多址干扰和抗远近效应性能,成为消除多址干扰和远近效应的关键技术。然而频繁的发送训练序列严重制约了多用户检测技术的实时性和实用性。近年来,基于神经网络的盲多用户检测算法具有运算速度快、并行处理能力强等优点,成为研究的热点课题。本文所做的主要工作如下:1.简要回顾了第三代移动通信系统的发展,阐述了第三代移动通信的关键技术,说明了运用多用户检测的重要性和必要性。同时,在介绍多用户检测算法原理的基础上,分析了现有神经网络多用户检测算法的性能、特点和不足。2.分析了现有的Hopfield神经网络多用户检测算法,针对现有算法的不足,基于约束恒模准则,将Lagrange函数与Hopfield神经网络的能量函数相结合,提出了两种实现DS-CDma盲多用户检测的基于约束恒模算法的Hopfield神经网络算法。仿真表明新算法在复杂度和收敛性方面优于目前同类算法。3.针对恒模算法的缺陷,研究了更新约束恒模算法,并将其与Hopfield神经网络相结合,提出了两种基于更新约束恒模算法的改进型Hopfield神经网络算法。仿真表明两种新算法误码率、信干比性能都优于传统算法,且收敛速度明显提高。
张承瑞[6](2007)在《基于Hopfield神经网络的多用户检测技术研究》文中研究指明码分多址系统具有抗干扰能力强、系统容量大等优点,但是多址干扰的存在限制了系统的容量和性能。为此,人们提出采用多用户检测技术来抑制多址干扰。目前,大多数的多用户检测算法还存在着算法复杂、收敛速度慢等缺点,而神经网络具有运算速度快、并行处理能力强等优点,因此成为多用户检测技术研究中的热点课题。本文在分析最佳检测、线性检测、解相关检测、盲多用户检测等几种多用户检测方法的基础上,研究了基于Hopfield神经网络(Hopfield Neural Network,HNN)的多用户检测方法。本文的主要工作可以分为三部分:一是移动通信系统及多用户检测相关知识的介绍;二是Hopfield神经网络基本理论的论述;三是移动通信系统中基于HNN多用户检测技术的研究、仿真和分析。其中,第三部分是本文工作的重点,主要包含以下几个方面:1.分析了基于HNN的最优多用户检测器,针对其能量函数易陷于局部极小点的问题,提出了一种改进型HNN多用户检测器,仿真结果表明改进型检测器在误码率性能和网络收敛速度上相比原检测器都得到了一定的提高。2.将基于MMSE准则的线性多用户检测算法与Hopfield神经网络相结合,提出了一种基于HNN的线性MMSE多用户检测器,降低了线性MMSE多用户检测器的计算复杂度。仿真结果表明该检测器具有良好的误码率性能。3.本文对MC-CDMA系统中基于HNN的最优多用户检测器进行了研究。仿真结果表明,在多径衰落(Multipath Fading,MPF)信道下通过使用精确的信道状态信息(Channel State Information,CSI),MC-CDMA系统中基于HNN的最优多用户检测器可以获得次最优的性能,并且CSI的精确与否将会严重影响该检测器的误码率性能。4.本文将基于HNN的盲多用户检测器应用到MC-CDMA系统中,提出了MC-CDMA系统中基于KCNN的盲多用户检测器和改进型HNN盲多用户检测器。仿真结果表明,在MC-CDMA系统中两种检测器都能有效地抑制多径衰落,同时具有良好的误码率性能和跟踪信道变化的能力,并且改进型HNN盲多用户检测器可以获得比KCNN盲多用户检测器更优的性能。
王砚[7](2007)在《基于径向基函数神经网络多用户检测算法的研究》文中研究指明码分多址通信系统是一种干扰受限系统,不同用户的随机接入,导致用户之间扩频码不完全正交,产生了多址干扰和远近效应等问题。多用户检测是解决这些问题的关键技术,能使系统具有优良的抗干扰性能,降低系统对功率控制精度的要求,显着提高系统容量。多用户检测本质上是一个组合优化问题,而径向基函数(RBF)神经网络具有很强的函数逼近能力、简单的网络结构和快速易行的训练方法,是解决这类问题的一种有效手段。将二者有机结合,期望获取更好的检测性能,是近来的一大研究热点。本文的主要工作有:(1)综述了多用户检测的发展方向和研究现状,并进行了分类;通过仿真实验比较了几种典型的多用户检测,为后面算法的性能比较奠定了基础。(2)阐述了RBF神经网络的基本原理,分析比较了几种常用的学习算法的特点,讨论了RBF神经网络多用户检测的原理和系统结构。(3)分析了梯度下降法训练的RBF神经网络多用户检测中学习速率和隐含层节点数对算法性能的影响。针对其不足,分别引入一种变学习速率梯度下降法和最近邻聚类算法,构成混合学习算法训练RBF神经网络,并应用到多用户检测中。仿真表明,新算法计算速度快,性能优于传统算法和OLS算法训练的RBF神经网络多用户检测。(4)提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数,引入了改进的染色体编码方案,用基于奇异值分解的最小二乘法计算网络输出层权值,提高了遗传搜索的效率,精简了网络结构;并用变学习速率梯度下降法优化遗传训练出的最优网络,应用到多用户检测中。仿真表明,新混合学习算法训练出的网络结构优于其他算法训练的网络结构,并且性能良好。
韩静[8](2007)在《基于随机神经网络的多用户检测技术》文中认为码分多址通信系统中,所有用户同时共享一个物理信道。由于多径时延的存在,各用户的信号不能同时到达接收机,使得到达接收机的各用户信息存在相对时延,这样,各用户之间的扩频码不再是完全正交的,从而产生了多址干扰(Multi-Access Interference,MAI)。只有当码的互相关特性对各种时延都为零时,才不存在多址干扰。事实上,完全正交的码在同步码分多址系统中很难找到,在非同步系统中几乎不可能找到。另一方面,在移动环境中还存在“远近效应”。上述两个问题的存在,使得常规的匹配滤波器接收机受到很大限制,实际的码分多址通信系统的性能也因此受到严重制约。为解决多址干扰问题,人们提出了多用户检测技术。经过几十年的发展,该技术已经日渐成熟,但是现有的多用户检测算法普遍存在计算复杂、收敛速度慢等缺陷,不能满足实时检测的要求,导致这项技术迟迟不能投入实际应用。近年来,与其他领域的科学相结合而提出的多用户检测算法逐渐显现出独有的优势,成为了研究的热点。神经网络作为一种有效的非线性优化工具,为多用户检测的研究提供了新的思路和方法。一方面,神经网络高度的非线性全局作用使得它能够实现从输入状态空间到输出状态空间的非线性映射。另一方面,神经网络可以通过训练和学习来获得网络的权值,有很强的自学习能力和对环境的适应能力。因此,结合神经网络的多用户检测技术就成为了一种重要的检测技术。本论文在深入研究了基于神经网络的多用户检测算法的基础上,提出了一种新的基于随机神经网络的多用户检测器,并通过仿真实验得到了一些有意义的结果。现将主要工作总结如下:1.建立了码分多址通信系统的发射和接收模型,通过数学推导分析了多址干扰的成因,并给出其数学公式。这有助于从整体上明确多用户检测的必要性和本论文的研究环境。2.介绍了多用户检测的原理和分类,对现有的几种典型算法进行了分析比较,得出了它们的优势和缺陷。3.重点对基于神经网络的多用户检测方法做了详细分析和数学推导,对BP算法、RBF网络和Hopfield模型的优缺点进行了分析比较。4.针对BP算法和Hopfield算法容易陷入局部极小点这一缺陷,本文提出了一种新的基于随机神经网络的多用户检测方法。该方法将遵循Boltzmann分布的随机神经网络应用到多用户检测中来,在该网络的收敛过程中又引入了平均场退火的概念,使得该算法同时具备了随机神经网络和平均场退火算法的优点。最后,从收敛速度、误码率、抗远近效应和抗信道突变多个方面对新算法的性能进行了仿真。仿真结果表明新算法吸取了随机神经网络和平均场退火算法的优点,克服了原有算法的缺陷,有效地降低了检测过程的收敛速度和误码率,达到了较好的检测效果。
薛越峰[9](2007)在《基于小波神经网络多用户检测算法的研究》文中指出多址干扰是影响CDMA通信系统容量的主要因素,而多用户检测能够充分利用造成多址干扰的所有用户信号信息对期望用户信号进行联合检测,不仅可以提高系统容量,还可以解决远近效应问题,具有优良的抗干扰性能。目前大多数多用户检测算法存在着算法复杂、收敛速度慢等缺点。近年来,人工神经网络作为一种新兴的优化方法,具有运算速度快、并行处理能力强等优点,得到广泛的应用。将神经网络与多用户检测相结合成为研究的热点课题。因此,本文对基于小波神经网络的多用户检测算法进行了分析研究。本文的主要工作如下:1.介绍了多用户检测技术的研究意义及现状,分析和总结了现有的主要算法,提出了今后进一步研究的方向。2.在分析小波神经网络理论的基础上,将小波神经网络与多用户检测相结合,提出了基于小波神经网络的多用户检测算法,针对传统前馈神经网络多用户检测算法收敛时间长、误码率高等不足,分别研究了基于BP算法的小波神经网络多用户检测和基于改进型BP算法小波神经网络多用户检测。仿真结果表明,两种算法误码率、信干比性能都优于传统前馈神经网络多用户检测算法,且收敛速度明显提高。3.阐述了恒模原理,将恒模算法应用到小波神经网络中,构造出新的代价函数,分别研究了基于恒模算法和加约束条件的恒模算法小波神经网络多用户检测。仿真表明,这两种算法在误码率、抗远近效应能力方面明显优于同类算法。
王砚,魏建荣,张立毅[10](2006)在《基于RBF神经网络的多用户检测算法的研究》文中提出径向基函数神经网络是一种具有较强函数逼近能力、分类能力和较快学习速度的三层前馈神经网络,本文论述了几种基于径向基函数神经网络的多用户检测的原理和特点。实验结果表明,基于 RBF神经网络的多用户检测器具有较强的抑制多址干扰、噪声干扰和克服远近效应的能力。
二、RBF神经网络CDMA多用户检测方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、RBF神经网络CDMA多用户检测方法(论文提纲范文)
(1)基于机器学习的多用户干扰消除技术(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 多用户干扰消除技术 |
1.2.2 基于机器学习的多用户干扰消除技术 |
1.3 本文的研究内容 |
1.4 本文的组织结构 |
第2章 相关技术的基础理论 |
2.1 多用户干扰消除技术 |
2.1.1 MMSE多用户干扰消除技术 |
2.1.2 SIC多用户干扰消除技术 |
2.2 机器学习 |
2.2.1 k-近邻算法 |
2.2.2 朴素贝叶斯 |
2.3 深度学习 |
2.3.1 全连接层神经网络 |
2.3.2 激活函数 |
2.3.3 损失函数 |
2.3.4 反向传播算法 |
2.4 本章小结 |
第3章 在SISO系统中基于机器学习的多用户干扰消除技术 |
3.1 系统模型 |
3.1.1 信道模型 |
3.1.2 上行链路 |
3.1.3 下行链路 |
3.2 基于机器学习的SISO发射接收机设计 |
3.2.1 基于机器学习的上行链路模型 |
3.2.2 基于机器学习的下行链路模型 |
3.3 实验结果对比与分析 |
3.3.1 实验数据 |
3.3.2 实验结果 |
3.4 本章小结 |
第4章 在MIMO系统中基于机器学习的多用户干扰消除技术 |
4.1 系统模型 |
4.1.1 上行链路 |
4.1.2 下行链路 |
4.2 基于机器学习的MIMO发射接收机设计 |
4.2.1 基于机器学习的上行链路模型 |
4.2.2 基于机器学习的下行链路模型 |
4.3 实验结果对比与分析 |
4.3.1 实验数据 |
4.3.2 实验结果 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 全文总结 |
5.2 展望 |
参考文献 |
指导教师对研究生学位论文的学术评语 |
学位论文答辩委员会决议书 |
致谢 |
攻读硕士学位期间取得的成果 |
(2)3G多用户检测技术分析与研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 移动通信技术的发展 |
1.2 码分多址技术 |
1.3 多用户检测技术的研究现状 |
1.4 本论文主要工作 |
第二章 空时二维CDMA系统与神经网络 |
2.1 空时信号模型 |
2.2 空时二维接收机 |
2.3 人工神经网络 |
2.4 HOPFIELD神经网络在多用户检测的应用 |
2.5 混沌神经网络在组合优化中的应用 |
第三章 遗传算法 |
3.1 遗传算法 |
3.2 遗传算法的基本步骤和编码 |
3.3 基于二进制编码的遗传算法 |
3.4 递阶遗传算法优化RBF网络 |
3.5 混和梯度遗传算法优化RBF网络 |
第四章 基于遗传算法的RBF网络多用户检测 |
4.1 遗传编码的优化 |
4.2 参数选择 |
4.3 种群初始化设置 |
4.4 选择适应度函数 |
4.5 遗传算法的具体操作 |
第五章 DS-CDMA系统仿真实验 |
5.1 DS-CDMA系统信道模型 |
5.2 传统检测器模型 |
5.3 连续时间信号模型 |
5.4 离散时间信号模型 |
5.5 基于OLS算法的RBF网络 |
5.6 不同多用户检测器的比较 |
结论 |
致谢 |
参考文献 |
附录 |
作者简介 |
攻读硕士学位期间研究成果 |
(3)基于鲁棒RBF网络的TD-SCDMA系统功率控制方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及意义 |
1.2 第三代移动通信系统概述 |
1.3 CDMA移动通信系统功率控制发展现状 |
1.4 神经网络发展现状 |
1.5 本文主要研究内容 |
第2章 TD-SCDMA移动通信系统及功率控制基本理论 |
2.1 TD-SCDMA移动通信系统 |
2.2 移动通信系统功率控制基本理论 |
2.2.1 功率控制概述 |
2.2.2 功率控制技术分类 |
2.2.3 功率控制准则 |
2.3 本章小结 |
第3章 基于鲁棒学习的鲁棒RBF神经网络 |
3.1 径向基函数(RBF)神经网络 |
3.1.1 径向基函数与插值问题 |
3.1.2 RBF网络模型 |
3.1.3 RBF网络逼近性能 |
3.2 RBF网络常用学习算法 |
3.2.1 聚类方法 |
3.2.2 梯度训练方法 |
3.2.3 正交最小二乘学习算法 |
3.3 基于鲁棒学习算法的鲁棒RBF神经网络 |
3.3.1 离群点简介 |
3.3.2 鲁棒学习算法 |
3.3.3 鲁棒RBF神经网络 |
3.4 仿真分析 |
3.5 本章小结 |
第4章 基于鲁棒RBF神经网络的通信系统功率控制 |
4.1 TD-SCDMA移动通信系统功率控制的影响因素 |
4.2 TD-SCDMA移动通信系统功率控制模型和方法 |
4.2.1 上行链路闭环功率控制模型 |
4.2.2 两个用户的功率控制模型 |
4.2.3 传统闭环功率控制算法及实现 |
4.3 基于鲁棒RBF网络的TD-SCDMA移动通信系统功率控制 |
4.3.1 简单的功率控制算法框架 |
4.3.2 基于鲁棒RBF功率控制模型 |
4.4 鲁棒RBF功率控制器结构 |
4.5 仿真分析 |
4.5.1 数据预处理 |
4.5.2 模型初始参数设置 |
4.5.3 基于鲁棒RBF网络功率控制过程 |
4.5.4 结果分析 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 主要工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
(5)基于恒模约束神经网络盲多用户检测算法的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 第三代移动通信及其关键技术 |
1.1.1 第三代移动通信的发展现状 |
1.1.2 第三代移动通信面临的主要问题 |
1.1.3 第三代移动通信的关键技术 |
1.2 第三代移动通信中的多用户检测技术 |
1.3 第三代移动通信中的盲多用户检测技术 |
1.4 本论文的结构安排 |
第二章 多用户检测技术 |
2.1 多用户检测技术的信道模型 |
2.1.1 离散时间同步信道模型 |
2.1.2 离散时间异步信道模型 |
2.2 盲多用户检测的基本原理及其常用算法 |
2.2.1 盲多用户检测的基本原理 |
2.2.2 盲多用户检测的常用算法 |
2.3 基于神经网络的盲多用户检测 |
2.3.1 人工神经网络概述 |
2.3.2 前馈神经网络盲多用户检测算法 |
2.3.3 反馈神经网络盲多用户检测算法 |
2.4 多用户检测器性能的评价参数 |
2.4.1 误码率 |
2.4.2 渐近有效性 |
2.4.3 抗远近效应 |
2.5 本章小结 |
第三章 基于约束恒模算法的Hopfield神经网络盲多用户检测器 |
3.1 约束恒模算法 |
3.1.1 恒模算法的意义及发展 |
3.1.2 约束盲自适应恒模算法 |
3.2 Hopfield神经网络 |
3.2.1 Hopfield神经网络模型 |
3.2.2 Lyapunov函数 |
3.3 基于单约束恒模算法的Hopfield神经网络盲多用户检测器 |
3.3.1 算法形式 |
3.3.2 仿真结果 |
3.4 基于多约束恒模算法的Hopfield神经网络盲多用户检测器 |
3.4.1 算法形式 |
3.4.2 仿真结果 |
3.5 小结 |
第四章 改进的基于更新约束恒模算法的Hopfield神经网络盲多用户检测器 |
4.1 更新约束恒模算法 |
4.2 改进的单约束Hopfield神经网络多用户检测器 |
4.2.1 算法形式 |
4.2.2 仿真实验 |
4.3 改进的多约束Hopfield神经网络多用户检测器 |
4.3.1 算法形式 |
4.3.2 仿真实验 |
4.4 小结 |
第五章 总结与展望 |
5.1 本文所做的工作 |
5.2 进一步研究的方向 |
参考文献 |
致谢 |
在读期间发表的论文 |
(6)基于Hopfield神经网络的多用户检测技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 多用户检测的基本原理 |
1.3 国内外发展现状 |
1.4 本文的内容安排 |
第二章 DS-CDMA 系统中的多用户检测技术 |
2.1 系统模型 |
2.1.1 离散时间同步信道模型 |
2.1.2 离散时间异步信道模型 |
2.2 传统检测器 |
2.3 多用户检测技术 |
2.3.1 多用户检测的思想 |
2.3.2 多用户检测技术的性能测度 |
2.3.3 多用户检测技术的分类 |
2.4 几种常见的多用户检测技术 |
2.4.1 最优多用户检测 |
2.4.2 解相关多用户检测 |
2.4.3 最小均方误差检测 |
2.5 线性多用户检测与线性变换 |
2.6 盲自适应线性多用户检测 |
2.6.1 盲多用户检测器的基本原理 |
2.6.2 盲多用户检测器采用的基本算法 |
2.7 非线性多用户检测 |
2.8 本章小结 |
第三章 DS-CDMA系统中基于HNN的多用户检测 |
3.1 引言 |
3.2 Hopfield神经网络 |
3.3 基于HNN的最优多用户检测 |
3.3.1 基于HNN的最优多用户检测器 |
3.3.2 改进型 HNN多用户检测器 |
3.3.3 数值仿真 |
3.4 基于 HNN的线性 MMSE多用户检测器 |
3.4.1 理论分析 |
3.4.2 数值仿真 |
3.5 本章小结 |
第四章 MC-CDMA系统中基于 HNN的多用户检测 |
4.1 多载波CDMA系统 |
4.2 多径信道 MC-CDMA系统模型 |
4.3 MC-CDMA系统中基于HNN的最优多用户检测 |
4.3.1 干扰分析 |
4.3.2 基于HNN的最优多用户检测器 |
4.3.3 数值仿真 |
4.4 MC-CDMA系统中基于 HNN的盲多用户检测 |
4.4.1 KCNN盲多用户检测器在 MC-CDMA中的应用 |
4.4.2 改进型HNN盲多用户检测器在 MC-CDMA中的应用 |
4.4.3 数值仿真 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 本文所做的工作 |
5.2 今后的研究方向 |
参考文献 |
致谢 |
攻读硕士期间发表的论文 |
(7)基于径向基函数神经网络多用户检测算法的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 多用户检测的研究意义和发展动态 |
1.1.1 多用户检测的研究意义 |
1.1.2 多用户检测的国内外研究动态 |
1.2 基于神经网络的多用户检测的研究现状 |
1.2.1 基于Hopfield神经网络的多用户检测 |
1.2.2 基于BP神经网络的多用户检测 |
1.2.3 基于RBF神经网络的多用户检测 |
1.3 论文内容与结构安排 |
第二章 多用户检测与RBF神经网络基本原理 |
2.1 多用户检测的系统模型 |
2.1.1 离散时间同步信道模型 |
2.1.2 离散时间异步信道模型 |
2.2 多用户检测的性能指标 |
2.2.1 误码率 |
2.2.2 渐进多用户有效性 |
2.2.3 抗远近能力 |
2.3 几种典型多用户检测 |
2.3.1 传统检测器 |
2.3.2 最优多用户检测器 |
2.3.3 解相关多用户检测器 |
2.3.4 计算机仿真 |
2.4 RBF神经网络的基本原理 |
2.4.1 神经网络概述 |
2.4.2 RBF神经网络的结构 |
2.5 RBF神经网络的学习算法 |
2.5.1 基于随机选取中心的RBF网络学习算法 |
2.5.2 基于的K-means聚类的RBF网络学习算法 |
2.5.3 基于梯度下降法的RBF网络学习算法 |
2.5.4 基于OLS算法的RBF网络学习算法 |
2.6 基于RBF神经网络的多用户检测的原理 |
2.7 本章小结 |
第三章 基于RBF神经网络混合学习算法的多用户检测 |
3.1 基于改进梯度下降法的RBF网络多用户检测 |
3.1.1 基于梯度下降法的RBF网络多用户检测 |
3.1.2 基于变学习速率梯度下降法的RBF网络多用户检测 |
3.1.3 计算机仿真 |
3.2 基于最近邻聚类算法的RBF网络多用户检测 |
3.2.1 最近邻聚类算法特点 |
3.2.2 算法设计 |
3.2.3 计算机仿真 |
3.3 基于最近邻梯度混合学习算法的RBF网络多用户检测 |
3.3.1 在线生成隐含层节点 |
3.3.2 网络参数学习 |
3.3.3 混合学习算法的实现 |
3.3.4 计算机仿真 |
3.4 本章小结 |
第四章 基于RBF神经网络混合遗传算法的多用户检测 |
4.1 遗传算法基本原理与操作 |
4.1.1 遗传算法的特点 |
4.1.2 遗传算法的流程 |
4.1.3 遗传算法的基本操作 |
4.2 混合递阶遗传算法优化RBF网络 |
4.2.1 递阶遗传算法优化RBF网络 |
4.2.2 混合递阶遗传算法优化RBF网络 |
4.3 基于递阶遗传梯度混合学习算法的RBF网络多用户检测 |
4.3.1 改进的递阶遗传编码 |
4.3.2 初始化种群 |
4.3.3 适应度函数设计 |
4.3.4 遗传操作 |
4.4 计算机仿真 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 本文所作的工作 |
5.2 进一步研究的方向 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(8)基于随机神经网络的多用户检测技术(论文提纲范文)
摘要 |
ABSTRACT |
第一章 序论 |
1.1 第三代移动通信系统及其关键技术 |
1.2 多用户检测的研究目的和意义 |
1.3 本文的内容结构 |
第二章 码分多址通信系统 |
2.1 码分多址 |
2.1.1 扩频通信 |
2.1.2 CDMA通信系统模型 |
2.2 多用户检测问题的提出 |
2.3 本章小结 |
第三章 CDMA中的多用户检测 |
3.1 引言 |
3.2 传统检测方法 |
3.3 典型的多用户检测方法 |
3.3.1 高斯信道下的最优多用户检测器 |
3.3.2 线性多用户检测器 |
3.3.3 非线性多用户检测器 |
3.3.3.1 多级多用户检测器 |
3.3.3.2 迫零判决反馈检测器 |
3.3.3.3 干扰消除检测器 |
3.4 多用户检测的研究现状 |
3.5 本章小结 |
第四章 基于人工神经网络的多用户检测器 |
4.1 人工神经网络概述 |
4.2 人工神经网络的分类及其结构 |
4.3 前馈神经网络检测器 |
4.3.1 基于BP神经网络的多用户检测 |
4.3.2 基于RBF网络的多用户检测器 |
4.4 反馈神经网络检测器──Hopfield检测器 |
4.4.1 Hopfield模型 |
4.4.2 Lyapunov函数 |
4.4.3 基于Hopfield网络的多用户检测 |
4.5 本章小结 |
第五章 平均场退火算法的随机神经网络 |
5.1 随机神经网络概述 |
5.2 Boltzmann分布和能量函数 |
5.3 平均场退火法的随机神经网络 |
5.4 MFTA RNN优化计算方法的性能分析 |
5.5 本章小结 |
第六章 基于随机神经网络的多用户检测 |
6.1 理论分析 |
6.2 RNN MUD的性能仿真 |
6.3 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(9)基于小波神经网络多用户检测算法的研究(论文提纲范文)
摘要 |
AB5TRACT |
第一章 绪论 |
1.1 第三代移动通信及关键技术 |
1.1.1 第三代移动通信系统概述 |
1.2 多用户检测技术的意义及现状 |
1.2.1 多用户检测技术的研究意义 |
1.2.2 多用户检测的算法研究及现状 |
1.3 研究盲多用户检测技术的意义 |
1.3.1 盲多用户检测技术的研究意义 |
1.3.2 盲多用户检测技术的算法研究及现状 |
1.4 本论文的结构安排 |
第二章 小波神经网络的基础知识 |
2.1 引言 |
2.2 小波变换 |
2.2.1 小波变换概述 |
2.2.2 连续小波变换 |
2.2.3 离散小波变换 |
2.2.4 小波基函数的选取 |
2.3 人工神经网络 |
2.3.1 人工神经网络概述 |
2.3.2 人工神经网络结构及工作方式 |
2.4 小波神经网络 |
2.4.1 小波变换与人工神经网络的结合 |
2.4.2 小波神经网络的算法 |
2.4.3 小波神经网络隐层节点数的选取 |
2.5 小波神经网络与其他神经网络的比较 |
第三章 小波神经网络在多用户检测的应用研究 |
3.1 多用户检测技术的系统模型 |
3.1.1 离散时间同步信道模型 |
3.1.2 离散时间异步信道模型 |
3.2 基于神经网络多用户检测的基本原理 |
3.3 基于前馈神经网络多用户检测算法 |
3.4 基于小波神经网络的多用户检测算法研究 |
3.4.1 小波神经网络的结构及状态方程 |
3.4.2 基于BP算法多用户检测算法的研究及仿真 |
3.4.3 基于改进型BP算法的研究及仿真分析 |
3.5 本章小结 |
第四章 基于恒模小波神经网络多用户检测算法的研究 |
4.1 恒模算法 |
4.1.1 引言 |
4.1.2 恒模算法的概念 |
4.2 基于恒模算法小波神经网络多用户检测 |
4.2.1 基于恒模算法的研究 |
4.2.2 计算机仿真分析 |
4.3 基于约束恒模算法小波神经网络盲多用户检测算法 |
4.3.1 加约束条件的恒模算法的研究 |
4.3.2 计算机仿真分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 本文所做的工作 |
5.2 今后的研究方向 |
参考文献 |
致谢 |
在读期间发表论文情况 |
四、RBF神经网络CDMA多用户检测方法(论文参考文献)
- [1]基于机器学习的多用户干扰消除技术[D]. 张常运. 深圳大学, 2020(10)
- [2]3G多用户检测技术分析与研究[D]. 张鹏飞. 长春工业大学, 2011(05)
- [3]基于鲁棒RBF网络的TD-SCDMA系统功率控制方法研究[D]. 马曾. 东北大学, 2009(03)
- [4]基于RBF神经网络混合遗传算法的多用户检测[J]. 王鸿斌,王砚,张立毅,王华奎. 计算机工程与设计, 2009(05)
- [5]基于恒模约束神经网络盲多用户检测算法的研究[D]. 邢荣峰. 太原理工大学, 2007(04)
- [6]基于Hopfield神经网络的多用户检测技术研究[D]. 张承瑞. 太原理工大学, 2007(04)
- [7]基于径向基函数神经网络多用户检测算法的研究[D]. 王砚. 太原理工大学, 2007(04)
- [8]基于随机神经网络的多用户检测技术[D]. 韩静. 太原理工大学, 2007(05)
- [9]基于小波神经网络多用户检测算法的研究[D]. 薛越峰. 太原理工大学, 2007(04)
- [10]基于RBF神经网络的多用户检测算法的研究[A]. 王砚,魏建荣,张立毅. 2006北京地区高校研究生学术交流会——通信与信息技术会议论文集(上), 2006