无线信道估计与混沌时间序列预测方法研究

论文摘要

无线通信系统中利用了许多统计学相关技术完成对一些具体问题的最优化求解,如信道估计,信号检测,调制识别,但是随着系统本身的日益复杂,人们逐步需要从繁琐的数据中寻求简便智能的方法给出对这些问题的解决方案。统计学习理论试图帮助人们从繁多的数据和现象中揭示事物规律本质。与传统统计学相比,统计学习理论（Statistical Learning Theory,SLT）是一种专门研究小样本情况下机器学习规律的理论。该理论针对小样本统计问题建立了一套新的学习理论体系,在这种体系下的统计推理规则不仅考虑了对渐近性能的要求,而且追求在现有有限信息的条件下得到最优结果。论文主要围绕统计学习理论在通信系统中的一些应用问题进行了研究和探讨,其主要贡献在于:1、针对混沌时间序列的特性,根据混沌动力系统的相空间重构理论,利用SVM可以自动把输入向量映射到一个高维特征空间中实现数据的线性及非线性划分的功能,将具有统计学习功能的最小二乘支持向量机用于构建预测模型,并用该模型对混沌跳频序列进行预测,通过计算机仿真验证了该模型的正确。2、针对混沌时间序列的动态系统特性及普通神经网络在预测时存在的局限,论文提出一种将具有混沌动态特性的神经节用于构造混沌神经网络进行预测的方法,并以此对一般混沌动态系统建立预测模型,最后对Mackey-Glass混沌序列和Logistic-Kent映射的混沌跳频序列进行预测研究,并通过仿真验证了该模型的正确。3、不同于传统的经验风险最小化准则下的信道估计方法,论文研究了在结构风险最小化准则下,基于支持向量机的信道估计技术。由于MIMO及非线性通信信道的复杂性使得信道估计精度和速度相比SISO信道估计大大降低,在样本数量有限的情况下,这一问题就更加突出。现有信道估计方法往往局限于SISO信道的非线性估计,或者是非时变线性MIMO信道估计,而对于非线性时变信道估计则通常是将时变非平稳信道估计看作是在一段时间内的平稳信道估计进行处理,但在收敛精度和速度上不能达到满意的结果。针对以上不足,论文利用最小二乘支持向量技术将MIMO信道估计问题转变为求解多维信道函数的回归问题,利用支持向量技术的动态多维拟合方法对MIMO系统进行自适应非线性信道估计,显著提高了收敛精度和预测速度。4、在无先验样本可利用的情况下,仅依靠有限的信号先验统计特性,针对已有的盲信道估计和均衡算法在收敛速度上的不足,利用最小二乘支持向量技术改进传统的恒模盲均衡算法,并采用迭代权值方法进一步减小计算量,加快收敛速度,计算机仿真验证了该方法的高效性。5、根据跳频通信网中跳频序列族满足最大汉明相关距离最小化的正交特性,论文提出适用于非平稳条件下的多个子网混和跳频信号的盲分离模型,并将一种改进的短时相关算法和改进的最小互信息量算法应用于混和跳频信号的在线盲分离,验证了该算法的有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 统计学习理论基础
• 1.1.1 机器学习模型
• 1.1.2 人工神经网络
• 1.1.3 统计学习理论和支持向量机
• 1.2 信道估计技术
• 1.3 混沌时间序列预测技术
• 1.3.1 混沌理论基础
• 1.3.2 混沌时间序列预测研究现状
• 1.3.3 混沌预测在跳频对抗中的应用
• 1.4 盲信源分离技术
• 1.4.1 盲信源分离的原理
• 1.4.2 盲信源分离在通信侦察中的研究意义
• 1.4.3 盲信源分离的研究现状
• 1.4.3.1 信息理论化算法
• 1.4.3.2 基于统计量的算法
• 1.5 论文内容安排
• 1.6 论文主要创新点
• 第二章 基于多维支持向量拟合的信道估计方法研究
• 2.1 引言
• 2.2 支持向量机
• 2.3 MIMO信道估计技术
• 2.4 MIMO系统信道估计模型
• 2.5 支持向量多维拟合算法（M-SVR）
• 2.5.1 支持向量机拟合方法
• 2.5.2 自适应多维支持向量拟合机（AM-SVR）
• 2.5.3 AM-SVR的自适应求解
• 2.6 仿真实验和结果分析
• 2.6.1 MIMO系统平稳非线性信道估计
• 2.6.2 MIMO系统非平稳非线性信道估计
• 2.7 本章小结
• 第三章 基于支持向量机的信道盲均衡方法研究
• 3.1 引言
• 3.2 数学模型描述
• 3.3 Bussgang恒模算法
• 3.4 神经网络的盲均衡
• 3.5 支持向量机的盲均衡
• 3.6 迭代权值求解
• 3.7 仿真实验和结果分析
• 3.8 本章小结
• 第四章 混沌时间序列的神经网络预测方法研究
• 4.1 引言
• 4.1.1 m序列的产生
• 4.1.2 宽间隔跳频图案
• 4.1.3 混沌序列在跳频通信中的应用
• 4.1.4 离散混沌映射
• 4.2 跳频电台跳频码的混沌特性
• 4.3 基于嵌入维数的混沌序列预测
• 4.4 混沌神经网络预测
• 4.4.1 对角递归神经网络
• 4.4.2 对角递归神经网络的训练算法
• 4.5 混沌对角递归神经网络
• 4.6 混沌对角递归神经网络的训练
• 4.7 仿真实验和结果分析
• 4.7.1 对Mackey-Glass序列预测
• 4.7.2 对Logistic-Kent跳频序列预测
• 4.8 本章小结
• 第五章 混沌时间序列的支持向量机预测方法研究
• 5.1 引言
• 5.1.1 最小二乘法
• 5.1.2 LS-SVM
• 5.2 基于LS-SVM的混沌跳频序列全局预测算法
• 5.3 基于LS-SVM的混沌跳频序列局域预测算法
• 5.4 仿真实验和结果分析
• 5.5 本章小结
• 第六章 跳频通信网中多信号盲分离方法研究
• 6.1 引言
• 6.2 多通道盲解卷（MBD）模型
• 6.3 混合跳频信号分离模型
• 6.4 盲分离算法
• 6.4.1 改进最小互信息准则算法
• 6.4.2 输出互相关平方最小化准则算法
• 6.5 仿真实验和结果分析
• 6.5.1 最小互信息准则算法
• 6.5.2 输出互相关平方最小化算法
• 6.6 本章小结
• 第七章 全文总结
• 7.1 论文总结
• 7.2 有待解决的问题
• 参考文献
• 致谢
• 个人简历
• 作者在攻读博士学位期间研究成果及参与科研项目
• 参与项目