通信中的智能信号处理2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

通信中的智能信号处理PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1CDMA移动通信系统研究背景及意义1

1.2第三代移动通信系统及其关键技术2

1.2.13G系统及其展望2

1.2.23G系统中的关键技术5

1.3第四代移动通信系统的研究目标与现状7

1.3.14G系统研究目标7

1.3.24G系统的研究现状及其关键技术8

1.43G与4G系统中的DS-CDMA10

1.5空时信号处理与多用户检测11

1.5.1使用阵列天线的必要性11

1.5.2空时信号处理11

1.5.3多用户检测12

1.6通信中的智能信号处理14

1.7本书的主要内容15

参考文献15

2.1引言23

第2章 自适应子波网络多用户检测23

2.2自适应子波神经网络24

2.2.1子波变换、逼近以及分类24

2.2.2自适应子波神经网络25

2.3自适应子波神经网络检测26

2.3.1自适应子波神经网络单用户检测26

2.3.2自适应子波神经网络多用户检测27

2.3.3自适应子波神经网络学习算法和实现考虑28

2.3.4仿真实验与性能分析29

2.3.5评述34

2.4自适应子波神经网络空时多用户检测34

2.4.1多天线接收时的空时信号模型35

2.4.2空时匹配滤波与最大比多径合并36

2.4.3空时最佳多用户检测与自适应子波神经网络实现38

2.4.4仿真实验与性能分析39

2.5.1MMSE线性多用户检测42

2.5基于自适应子波网络的MMSE检测器42

2.4.5评述42

2.5.2基于自适应子波网络的MMSE检测器43

2.5.3算法分析44

2.5.4性能分析与仿真结果44

2.6本章小结47

参考文献47

第3章 支持矢量机多用户检测51

3.1支撑矢量机算法51

3.1.1模式识别支撑矢量机51

3.1.2回归支撑矢量机53

3.2支撑矢量机多用户检测55

3.2.1支持矢量机多用户检测结构55

3.2.2空时联合多用户检测55

3.2.3仿真实例56

3.3自适应支撑矢量机多用户检测57

3.3.1自适应支撑矢量机57

3.3.2试验仿真60

3.4小结与讨论63

参考文献64

第4章 递归网络盲自适应多用户检测66

4.1引言66

4.2以码片速率采样的异步传输信号模型67

4.3递归神经网络盲自适应多用户检测67

4.3.1递归神经网络盲自适应多用户检测67

4.4性能分析69

4.4.1输出信干噪比69

4.3.3递归神经网络盲自适应多用户检测69

4.3.2盲最小均方误差多用户检测69

4.4.2渐进多用户有效性与抗“远近”效应能力70

4.4.3计算复杂度比较71

4.4.4计算时间比较71

4.4.5失配对性能的影响72

4.5仿真实验73

4.6.2自适应MMSE多用户检测器80

4.6基于GRNN的自适应MMSE多用户检测器80

4.6.1MMSE多用户检测器80

4.6.3基于GRNN的自适应MMSE多用户检测器82

4.6.4性能分析与仿真结果83

4.7本章小结84

参考文献84

第5章 独立分量分析算法在CDMA中的应用87

5.1引言87

5.2盲信号分离87

5.2.1盲信号分离的数学模型88

5.2.2求解原理89

5.2.3盲信号分离的神经网络结构89

5.3独立分量分析的基本算法90

5.3.1去相关算法91

5.3.2自然梯度算法91

5.3.3迭代求逆算法91

5.4.2按码片速率采样的ICA多用户检测92

5.4.1匹配滤波器级联神经网络的多用户检测92

5.3.5ICA算法的收敛性92

5.4基于ICA算法的多用户检测92

5.3.4EASI算法92

5.4.3仿真结果93

5.5基于独立分量分析的CDMA系统信道估计方法96

5.5.1系统模型96

5.5.2仿真试验98

参考文献99

第6章 基于最大特征向量学习机的盲波束形成101

6.1引言101

6.2极大特征向量算法101

6.2.1Oja算法101

6.2.2一类求解最大特征值问题的神经网络模型102

6.2.3求解复矩阵特征值问题的神经网络方法103

6.3求解广义特征值问题的神经网络103

6.3.1网络模型103

6.3.2网络性态分析104

6.4.1基本假设107

6.4.2阵列信号模型分析107

6.4CDMA的阵列信号模型107

6.5基于最大特征矢量学习机的盲波束形成109

6.5.1求解最大特征向量的复数神经网络（CNN）模型109

6.5.2求解最大特征向量的MEVA迭代算法111

6.6多径衰落情况下的盲波束形成111

6.7仿真实验112

参考文献116

6.8小结116

第7章 非线性信道的Volterra级数模型及其辨识算法118

7.1MIMO非线性系统的Volterra级数模型118

7.2MIMO非线性系统辨识120

7.2.1随机响应法120

7.2.2脉冲响应法122

7.3仿真研究122

参考文献124

7.4结论124

第8章 非线性系统的均衡器设计125

8.1引言125

8.2SISO非线性系统的均衡器设计126

8.2.1Volterra滤波均衡器126

8.2.2Volterra滤波器的局部l2稳定性127

8.2.3存在性及误差分析127

8.2.4Volterra预滤波及后滤波均衡器的存在性128

8.2.5有限阶Volterra预滤波及后滤波均衡器误差129

8.3MIMO非线性系统的均衡器设计130

8.3.1Volterra滤波器的局部l2稳定性130

8.3.2Volterra滤波均衡器的存在性及误差分析131

8.3.3Volterra滤波均衡器的存在性132

8.3.4有限阶Volterra滤波均衡器误差分析133

8.4仿真研究134

8.4.1SISO非线性Volterra滤波均衡器仿真134

8.4.2MIMO非线性Volterra滤波均衡器仿真139

8.5结论144

参考文献144

第9章 基于多子波神经网络的多用户检测器与基于正交码的多子波CDMA146

9.1基于多子波神经网络模型的多用户检测146

9.1.1多子波网络模型146

9.1.2应用理论147

9.1.3学习算法151

9.1.4降维预处理154

9.1.5多子波神经网络多用户检测器160

9.2基于正交码的多子波CDMA161

9.2.1引言162

9.2.2多子波162

9.2.3多子波CDMA163

9.2.4理想信道情况下的仿真164

9.2.5抗白噪声干扰的分析与仿真165

参考文献166

10.1.2多子波分析滤波器168

10.1.1引言168

第10章 多子波CDMA理论和多子波CDMA168

10.1多子波CDMA理论与框架168

10.1.3多子波CDMA框架170

10.1.4仿真172

10.1.5结论172

10.2基于Haar子波低通滤波器的多子波CDMA172

10.2.1引言173

10.2.2多子波分析滤波器173

10.2.3基于Haar子波低通滤波器的多子波CDMA174

10.2.4仿真177

10.2.5结论177

参考文献178

第11章 基于子波包变换的CDMA和子波包优化180

11.1引言180

11.2单子波包的基本概念181

11.3多子波包的基本概念及其性质182

11.4最优基的选择187

11.5双正交多子波187

11.6双正交多子波包的基本概念及其性质189

11.7WPT-CDMA系统模型195

11.7.1系统的频谱特性分析198

11.7.2仿真实验199

11.8基于多子波包变换的CDMA202

11.8.1MWPT-CDMA系统模型202

11.8.2MWPT-CDMA系统性能分析204

11.8.3MWPT-CDMA性能仿真206

参考文献207

第12章 基于免疫算法的多用户检测209

12.1基于遗传算法的多用户检测209

12.1.1标准遗传算法209

12.1.2基于遗传算法的多用户检测210

12.2免疫算法210

12.2.1免疫概念211

12.2.2免疫算法213

12.2.3免疫算法的收敛性213

12.2.4免疫疫苗214

12.2.5免疫算子216

12.2.6仿真实验217

12.2.7结论与讨论219

12.3基于免疫算法的多用户检测219

12.3.1实现结构219

12.3.2计算复杂度分析220

12.3.3仿真结果221

参考文献221

第13章 免疫策略RBF网络多用户检测224

13.1引言224

13.2空时二维CDMA系统224

13.2.1空时信号模型224

13.2.2空时二维接收机226

13.3.2RBF网络与多层感知器的比较229

13.3基于免疫策略的RBF网络229

13.3.1RBF网络的基本形式229

13.3.3免疫策略算法230

13.3.4RBF网络的学习策略231

13.3.5基于免疫策略的RBF网络233

13.4免疫神经网络的学习算法234

13.4.1网络激励函数的选取方法234

13.4.2网络的自学习算法235

13.4.3免疫神经网络的设计实例236

13.5基于免疫RBF网络的CDMA多用户检测判决器238

13.6仿真结果与分析239

13.7结论与讨论242

参考文献242

第14章 免疫克隆算法244

14.1用于CDMA多用户检测的免疫克隆算法244

14.1.1算法收敛性分析246

14.1.2算法复杂度分析247

14.1.3算法参数影响分析248

14.2基于免疫克隆算法的多用户检测器的仿真结果与分析249

14.2.1与最佳多用户检测器的比较250

14.2.2同步CDMA系统下的仿真250

14.2.3异步CDMA系统下的仿真251

14.2.4瑞利衰落信道多径CDMA系统下的仿真253

14.3小结256

参考文献256

15.1.1状态的叠加257

15.1量子计算原理257

第15章 量子进化算法在CDMA中的应用257

15.1.2状态的相干258

15.1.3状态的纠缠258

15.1.4量子并行性258

15.1.5目前的研究重点258

15.2量子计算智能的几种模型259

15.2.1量子人工神经网络259

15.2.3基于量子特性的优化算法260

15.2.2基于量子染色体的进化算法260

15.2.4量子聚类算法261

15.2.5量子模式识别算法261

15.2.6量子小波与小波包算法261

15.2.7量子退火算法262

15.2.8其他262

15.3量子进化算法的提出262

15.4量子进化算法中用到的一些基本概念264

15.4.1量子比特264

15.4.2量子染色体264

15.5量子进化算法264

15.5.1算法描述265

15.5.2量子染色体的机理和优点265

15.5.3量子变异266

15.5.4量子交叉267

15.5.5量子进化算法的结构框架268

15.5.6量子进化算法的收敛性270

15.6量子进化算法用于最佳多用户检测272

15.7结论和讨论274

参考文献275

第16章 智能信息处理技术在MIMO通信系统中的应用280

16.1引言280

16.2MIMO系统基本原理280

16.3MIMO技术的研究进展281

参考文献281

附录A 多用户检测基本原理283

附录B 命题8.1的证明290

附录C 引理8.1～引理8.3的证明291

附录D 定理8.1～定理8.3的证明294

附录E 式（8.6）与式（8.7）的推导过程296

附录F 定理9.3的证明298

附录G 定理11.1～定理11.5的证明300

附录H 定理12.1与定理12.2的证明303