基于神经网络的扩频系统抗窄带干扰技术研究

基于神经网络的扩频系统抗窄带干扰技术研究

论文摘要

窄带干扰预测抑制技术是为了解决扩频通信中强窄带干扰导致系统无法正常工作的问题。本文基于神经网络这一强有力的非线性工具来预测接收信号中的窄带干扰,并将其从接收信号中抵消,从而消除了强窄带干扰的影响。论文首先对扩频通信和神经网络进行了概述,主要讨论了扩频通信的基本原理、工作方式和主要特点,并介绍了神经网络的原理、特点、学习算法及其在非线性预测方面的应用。然后,论文总结了几种窄带干扰信号的特点和产生方式,给出了衡量窄带干扰预测抑制算法优良的准则,并研究了各种时域上的窄带干扰抑制技术。最后,论文重点介绍了基于神经网络的窄带干扰预测抑制技术及其学习算法改进,并进行了基于Matlab语言的仿真试验。针对常规时域自适应线性和非线性干扰预测抑制技术误差大、收敛速度慢的缺点,给出了基于递归神经网络的窄带干扰预测抑制技术,并详细介绍了递归神经网络的构架和实时递推学习(RTRL)算法,最后对基于RTRL算法的递归神经网络干扰预测抑制技术与常规时域自适应线性和非线性干扰预测抑制技术进行了仿真和性能比较,发现:基于RTRL算法的递归神经网络干扰预测抑制技术相对于其它技术在干噪比改善量和信噪比损失量上有很大改善,但收敛速度较慢。针对递归神经网络中RTRL算法收敛速度慢的缺点,提出了用扩展Kalman滤波(EKF)学习算法对递归神经网络干扰预测抑制技术进行改进,并进行了仿真和性能比较,发现:基于EKF学习算法的递归神经网络干扰预测抑制技术相对于基于RTRL算法的递归神经网络干扰预测抑制技术在干噪比改善量和信噪比损失量上有一定改善,更重要的是其大大提高了干扰预测的收敛速度,但由于实际噪声统计量假定和线性化引入的误差都会导致EKF学习算法性能变差,甚至滤波发散。针对递归神经网络中EKF学习算法线性化引入误差和需要已知噪声统计特性的缺点,提出了能够补偿线性化和实际噪声统计特性未知引入误差的鲁棒Kalman滤波(RKF)学习算法,并进行了仿真和性能比较,发现:与前面所述干扰预测抑制算法相比,基于RKF学习算法的递归神经网络干扰预测抑制技术的干噪比改善量最大,信噪比损失量最小且收敛速度也很快,成功解决了常规时域自适应线性和非线性干扰预测抑制技术预测误差大、收敛速度慢的缺点。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  • 1.1 选题背景及意义
  • 1.2 国内外研究概况
  • 1.3 论文的研究内容及章节安排
  • 第2章 扩频通信和神经网络概述
  • 2.1 扩频通信概述
  • 2.1.1 扩频通信工作原理
  • 2.1.2 扩频通信主要特点
  • 2.1.3 扩频通信工作方式
  • 2.2 神经网络概述
  • 2.2.1 神经网络基本原理
  • 2.2.2 神经网络的分类
  • 2.2.3 神经网络的学习算法
  • 2.2.4 神经网络用于非线性干扰预测领域
  • 2.3 本章小结
  • 第3章 直扩系统中的窄带干扰抑制技术概述
  • 3.1 直接序列扩频系统
  • 3.1.1 直接序列扩频工作原理
  • 3.1.2 直接序列扩频抗干扰原理
  • 3.2 常见窄带干扰信号
  • 3.2.1 音频干扰
  • 3.2.2 AR干扰
  • 3.2.3 低速率数字脉冲干扰
  • 3.3 性能评价指标
  • 3.3.1 干噪比改善量和信噪比损失量
  • 3.3.2 均方误差
  • 3.4 窄带干扰抑制技术
  • 3.4.1 时域自适应线性预测窄带干扰抑制技术
  • 3.4.2 时域自适应非线性预测窄带干扰抑制技术
  • 3.5 本章小结
  • 第4章 基于递归神经网络的抗窄带干扰预测技术
  • 4.1 基于递归神经网络的干扰预测抑制系统
  • 4.1.1 窄带干扰抑制系统
  • 4.1.2 窄带干扰抑制系统中的递归神经网络
  • 4.2 递归神经网络中的RTRL算法
  • 4.3 算法仿真与性能比较
  • 4.3.1 仿真模型、参数与对象
  • 4.3.2 仿真结果
  • 4.4 本章小结
  • 第5章 基于Kalman滤波学习算法的递归神经网络抗窄带干扰技术研究
  • 5.1 Kalman滤波理论
  • 5.1.1 Kalman滤波模型
  • 5.1.2 正交投影定理
  • 5.1.3 离散Kalman滤波的递推形式
  • 5.2 扩展Kalman滤波的状态一步预测学习算法研究
  • 5.2.1 算法描述
  • 5.2.2 算法仿真与性能比较
  • 5.3 鲁棒Kalman滤波的状态一步预测学习算法研究
  • 5.3.1 算法描述
  • 5.3.2 算法仿真与性能比较
  • 5.4 本章小结
  • 结论
  • 参考文献
  • 攻读硕士学位期间发表的论文和取得的科研成果
  • 致谢
  • 相关论文文献

    • [1].基于递归神经网络和FPGA的非线性方程组快速求解研究[J]. 传感器世界 2015(10)
    • [2].基于结构优化递归神经网络的网络流量预测[J]. 西南大学学报(自然科学版) 2016(02)
    • [3].对角递归神经网络在控制系统中的应用现状分析[J]. 电气自动化 2016(02)
    • [4].具有变时滞和马尔可夫切换的随机递归神经网络的弱收敛(英文)[J]. 数学理论与应用 2015(01)
    • [5].带马尔可夫跳的时滞随机递归神经网络的以分布渐近稳定性[J]. 数学的实践与认识 2018(06)
    • [6].基于递归神经网络的散文诗自动生成方法[J]. 计算机系统应用 2018(08)
    • [7].基于对角递归神经网络的控制系统[J]. 福州大学学报(自然科学版) 2016(06)
    • [8].具时滞离散递归神经网络稳定性分析的一种延迟剖分方法[J]. 江南大学学报(自然科学版) 2012(05)
    • [9].混沌对角递归神经网络的船舶横摇预报方法[J]. 控制与决策 2012(11)
    • [10].具时滞离散递归神经网络的全局指数稳定性[J]. 昆明理工大学学报(自然科学版) 2011(01)
    • [11].简单动态递归神经网络在非线性系统辨识中的应用[J]. 河北科技大学学报 2009(02)
    • [12].基于深度递归神经网络的电力系统短期负荷预测模型[J]. 电力系统及其自动化学报 2019(01)
    • [13].一类变时滞忆阻器递归神经网络全局指数周期性[J]. 计算机应用与软件 2016(03)
    • [14].基于动态递归神经网络的地连墙安全预测[J]. 路基工程 2016(03)
    • [15].基于多尺度时间递归神经网络的人群异常检测[J]. 软件学报 2015(11)
    • [16].基于模糊递归神经网络的污泥容积指数预测模型[J]. 化工学报 2013(12)
    • [17].基于分布估计算法的对角递归神经网络短期负荷预测模型研究[J]. 青岛大学学报(工程技术版) 2012(02)
    • [18].对角递归神经网络永磁同步电机的无传感器控制[J]. 沈阳工业大学学报 2008(01)
    • [19].基于递归神经网络的桥梁变形趋势预测研究[J]. 公路与汽运 2018(02)
    • [20].基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版) 2018(03)
    • [21].基于递归神经网络局部建模的人群异常事件监测[J]. 计算机应用研究 2018(06)
    • [22].时标上一类具有广义激活函数的高阶递归神经网络系统的指数收敛性(英文)[J]. 昆明理工大学学报(自然科学版) 2015(02)
    • [23].一类变时滞递归神经网络概周期解的存在性[J]. 山西大同大学学报(自然科学版) 2012(06)
    • [24].时滞递归神经网络鲁棒稳定性分析的统一方法[J]. 华中科技大学学报(自然科学版) 2009(06)
    • [25].一种基于神经网络的学生成绩预测方法[J]. 辽宁师专学报(自然科学版) 2019(03)
    • [26].基于递归神经网络的化工反应过程建模[J]. 高校化学工程学报 2019(05)
    • [27].基于字符的递归神经网络在中文语言模型中的研究与实现[J]. 现代信息科技 2018(08)
    • [28].使用递归神经网络的目标依赖产品评价分析[J]. 计算机工程与设计 2018(11)
    • [29].机器阅读理解软件中答案相关句的抽取算法研究[J]. 软件工程 2017(10)
    • [30].二阶对角递归神经网络船舶横摇运动预测[J]. 华中科技大学学报(自然科学版) 2011(06)

    标签:;  ;  ;  ;  ;  

    基于神经网络的扩频系统抗窄带干扰技术研究
    下载Doc文档

    猜你喜欢