智能计算在CDMA多用户检测中的应用研究

论文摘要

随着现代化数字移动通信技术的飞速发展，第三代及第四代移动通信必将使人们的工作和日常生活更加便捷、丰富。为提供丰富的多媒体业务及高速数据业务，无论是第三代还是四代移动通信系统都需要更高的无线容量。CDMA移动通信系统是一种干扰限制的系统，多址干扰是这种通信系统的主要干扰。如何有效地抑制多址干扰，提高系统性能和容量具有很重要的现实意义。解决多址干扰问题的一种有效途径是多用户检测，它不是把多址干扰简单地看作干扰噪声来处理，而是把多址干扰作为一种有用的信息加以利用，充分地利用各用户间的关联进行综合检测，提高系统的检测性能和容量，因此多用户检测成为CDMA移动通信系统的关键技术之一。 CDMA多用户检测问题可以看作一个组合优化问题，可将智能计算的优化机理应用于多用户检测的寻优过程。本文主要致力于智能计算方法在多用户检测的应用研究。由于采用最大似然检测(MLD)的最优多用户检测方法具有指数的计算复杂度，因此，研究能够有效抑制多址干扰(MAI)、具有低误码率(BER)和合理的计算复杂度、对远近问题不敏感的次优检测方法是本文的主要内容。 本文主要包括以下创新之处： (1)提出了一种随机加扰的Hopfield神经网络并设计了多用户检测方法。并结合遗传算法和进化规划设计了基于神经网络遗传算法和神经网络进化规划的多用户检测器。 (2)提出了一种新的简单有效的的克隆选择算法，结合改进的克隆选择算法(CSA)和Hopfield神经网络，提出两种混合多用户检测算法。一种方法是使用CSA作为Hopfield神经网络的初始阶段给后面阶段的Hopfield神经网络提供一个好的初始值，一种方法是把Hopfield神经网络嵌入到CSA的每一代中。通过混合Hopfield神经网络到CSA中，可以加快CSA的收敛速度减少计算复杂度。另外，CSA所提供的好的初值可以改善Hopfield神经网络的性能，嵌入的Hopfield神经网络还改善了CSA的性能。将免疫系统的免疫

论文目录

• 第1章 绪论
• 1.1 引言
• 1.2 多用户检测的研究意义
• 1.3 多用户检测技术的发展概况
• 1.4 智能计算方法概述
• 1.4.1 人工免疫系统
• 1.4.2 进化算法
• 1.4.3 神经网络
• 1.4.4 群体智能
• 1.4.5 量子计算
• 1.5 论文的结构及内容安排
• 第2章 DS-CDMA系统及典型多用户检测器
• 2.1 多用户检测系统的数学模型
• 2.1.1 离散时间同步模型
• 2.1.2 离散时间非同步模型
• 2.2 多用户检测技术的性能测度
• 2.2.1 误码率
• 2.2.2 渐进有效性
• 2.2.3 抗远近效应能力
• 2.3 典型多用户检测技术
• 2.3.1 传统检测器
• 2.3.2 最优多用户检测器
• 2.3.3 次优检测器
• 2.4 计算机仿真
• 2.5 本章小结
• 第3章 进化算法在多用户检测中的应用
• 3.1 进化算法
• 3.1.1 进化算法简介
• 3.1.2 遗传算法
• 3.1.3 进化规划
• 3.2 斯扰动的Hopfield神经网络多用户检测器
• 3.2.1 离散Hopfield神经网络
• 3.2.2 基于高斯扰动的Hopfield神经网络多用户检测器
• 3.3 基于进化算法和神经网络的多用户检测
• 3.3.1 基于神经网络遗传算法的多用户检测
• 3.3.2 基于神经网络进化规划算法的多用户检测
• 3.4 计算机仿真
• 3.4.1 基于随机神经网络多用户检测器的计算机仿真
• 3.4.2 基于神经网络遗传算法多用户检测器的仿真
• 3.4.3 基于神经网络进化规划多用户检测器的仿真
• 3.5 本章小结
• 第4章 人工免疫系统在多用户检测中的应用
• 4.1 克隆选择算法
• 4.1.1 克隆选择原理简介
• 4.1.2 克隆选择算法的模型描述
• 4.1.3 克隆算子
• 4.1.4 简单的克隆选择算法
• 4.1.5 简单克隆选择算法的收敛性
• 4.2 克隆选择算法的改进
• 4.3 基于克隆选择算法的多用户检测器
• 4.3.1 基于克隆选择算法的多用户检测器设计
• 4.3.2 克隆随机神经网络的多用户检测器（CSAGHNN）
• 4.3.3 克隆选择神经网络多用户检测器（CSAHNN）
• 4.3.4 计算复杂度分析
• 4.3.5 计算机仿真
• 4.4 基于免疫算法的多用户检测
• 4.4.1 神经网络制作疫苗的免疫遗传算法
• 4.4.2 基于免疫遗传算法的多用户检测器
• 4.4.3 计算复杂度分析
• 4.4.4 计算机仿真
• 4.5 本章小结
• 第5章 粒子群算法在多用户检测中的应用研究
• 5.1 粒子群优化算法
• 5.2 基于离散 PSO算法的多用户检测器
• 5.2.1 离散粒子群优化算法
• 5.2.2 精简的离散粒子群算法
• 5.2.3 基于离散PSO算法的多用户检测器
• 5.2.4 基于神经网络粒子群算法的多用户检测器
• 5.2.5 基于免疫粒子群优化算法的多用户检测器
• 5.3 计算机仿真
• 5.3.1 基于NNPSO算法的多用户检测器仿真
• 5.3.2 基于IPSO算法的多用户检测器仿真
• 5.4 本章小结
• 第6章 量子算法在多用户检测中的应用研究
• 6.1 遗传量子算法中的基本概念
• 6.1.1 量子计算
• 6.1.2 量子位
• 6.1.3 量子门
• 6.2 遗传量子算法的实现
• 6.2.1 量子位编码
• 6.2.2 具体实现步骤
• 6.3 基于神经网络量子算法的多用户检测
• 6.4 计算机仿真
• 6.5 本章小结
• 第7章 基于智能计算的MC-CDMA多用户检测
• 7.1 MC-CDMA多用户检测技术的现状
• 7.2 信道模型
• 7.3 MC-CDMA系统的最优和Hopfield检测器
• 7.3.1 最优检测机制
• 7.3.2 HNN检测机制
• 7.4 计算机仿真
• 7.5 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历