基于径向基函数神经网络多用户检测算法的研究

论文摘要

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，显著提高系统容量。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。

论文目录

• 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