一种多层前向神经网络译码器的实现

本文提出了和种源于汉明类多层前向神经网络分组码译码器。它不需要改变结构和参数，根据输入可完成硬判决，软判决和最小距离译码，该网络不存在漫长的过程。计算机模拟表明，在加性高斯噪声下，使用该神经网络可以达到最大似然译码。     

一种神经网络均衡器/译码器

均衡与译码是通信中两个重要问题。通常,均衡与译码是各自完成的,本文利用神经网络的特点,提出了能同时完成均衡和译码两种功能的自适应神经网络均衡器/译码器。计算机仿真表明其误码率较低,它能适合于最小相位信道、非最小相位信道,也能适合于非线性信道。     

一种空时分组码最大似然检测的迭代算法

为了探讨某一类型空时码的最大似然检测的迭代算法。给出了这类码基于冗余线性预编码的通用构架,包括许多空时码算法示例．用这些码的特殊线性结构导了出在估计参数和检测发送数据组中字符之间进行迭代处理的ML准则迭代算法．结果表明,两步迭代大大改善系统的SER性能,但进一步的迭代不能再提高性能。     

一种酉空时调制的快速搜索译码算法

针对系统产生的酉空时星座,提出一种快速的搜索译码算法．接收机产生一个星座点,与接收信号对应维相乘后,将各维乘积分量按照不同的累加方式累加,得到4个星座点与该接收信号的相关系数．新算法通过几次加减法与三次内积运算,可以节省产生另外3个星座点所需的计算旋转矩阵的乘法、旋转矩阵与基本矩阵的乘法以及这3个星座点与接收信号的相关运算．理论上证明了新算法完全没有损失性能,可以将最大似然算法的搜索范围降低75％左右．     

快速收敛全局最优的多层前向神经网络综合反向传播算法

提出一种用于多层前向神经网络的快速收敛全局最优的综合反向传播算法。该算法使用了综合考虑绝对误差和相对误差的广义指标函数,采秀了在网络输出空间搜索的反传技术,具有动态自调整学习率和动量因子,有神经元激活特性自调整、减少平台现象和消除学习过程中不平衡现象的能力。对比实验表明该算法有比基本ＢＰ算法快得多的收敛速度,并能取得全局最优解。     

4天线准正交空时分组码的设计与性能分析

分析了几种准正交空时分组码的结构及特点,提出两种新的4天线准正交分组码编码方案,增加了4天线准正交空时分组码的可用码字．在不增加译码复杂度的情况下,新的编码方案性能接近于TBH码和Jafarkhani码．比较了最大似然译码算法和QR分解译码算法．仿真结果表明,QR分解译码算法对新的准正交分组码具有较好的检测性能,译码复杂度降低．     

一种低复杂度的4天线准正交空时分组码设计

为了在满足全速率满分集的条件下具有较低的译码复杂度,本文设计一种4天线准正交空时分组码编码。文中的编码设计是根据当分集积最大时,选取旋转角度对星座图进行旋转来使分集积最大,获得性能最佳。星座图旋转一方面增加了准正交空时分组码的分集增益,但同时也增加了解码复杂度,所以要采用对编码矩阵进行改进来降低解码复杂度。实验结果表明:这种编码设计可以获得译码复杂度最低的单符号解码,所以对编码矩阵进行改造,得到单符号解码无疑是降低解码复杂度的有效办法。     

低密度奇偶校验码的线性规划译码研究

分析了应用线性松弛方法对低密度奇偶校验(LDPC)码进行最大似然译码的基本原理,介绍了基于LDPC码校验矩阵因子图表达构造码字多胞形的方法。这些多胞形描述过于复杂,并且存在冗余,因此给出了一种简化约束条件。从接收正确码字必须服从校验方程出发,导出了以错误模式为变量、基于伴随式的LDPC码最大似然译码优化模型。     

相关跳频通信系统安全性分析

分析了相关跳频通信系统中频率序列的检测以及纠错译码,并从第三方接收的角度探讨了相关跳频信号的接收、译码以及转移函数反推的复杂度。分析结果表明:相关跳频通信并不是一种抗截获的无线通信方式,其通信安全是建立在转移函数机制上的。转移函数反推的复杂度非常高,给相关跳频通信体制提供了很好的安全性。     

白高斯噪声下取样PPM信号的最大似然检测

在强背景光干扰的情况下 ,光 PPM信道可以看成 AWGN信道 ,从理论上推导了在这种信道中任意脉冲形状的每时隙多次抽样数字 PPM信号最大似然接收机的似然函数 ,画出了接收机的结构框图 ,并分析了这种接收机的误码率 ,最后为了验证这种接收机的可靠性并讨论各种参数对接收机性能的影响 ,对接收机的解调正确率进行了计算机仿真。     

基于前馈神经网络的分组码译码方案

在构造出分组码格图的基础上,利用一种基于前馈神经网络的多输入最小值选择网络实现分组码分组码的软判决及硬判决译码。计算结果表明,前馈神经网络总能找到全局最优解,从而使该译码算法的性能同于最大似然译码。由于该前馈网络的计算时延非常短,且基于它的译码器与传统译码器相比硬件实现简单,从而使译码的复杂性降低,时延减小。     

多层前馈神经网络的面向对象的程序设计框架

提出多层前馈神经网络的一种面向对象的程序设计框架，其中包括表示前馈神经网络中的神经元、权值的数据成员，以及完成网络的构造、初始化、学习和输出值计算等功能的成员方法，并用支持面向对象的程序设计语言Java实现了这一框架。模式分类和函数近似等问题的解决说明了这一前馈神经网络的面向对象的程序设计框架的有效性。     

关于二元线性分组码的快速译码

Ｐｌｅｓｓ提出了由于ＧＦ（４）上的（６，３，４）线性分组码构造二元（２４，１２，８）Ｇｏｌａｙ码的投影方法，并据此给出了二元Ｇｏｌａｙ码的快速译码算法，Ｖａｒｄｙ和Ｂｅ＇ｅｒｙ又利用四元（６，３，４）码的码字与二元（２４，１２，８）Ｇｏｌａｙ码的码字间的投影关系提出了到目前为止最有效的Ｇｏｌａｙ码的最大似然软判决译码算法。     

前向神经网络在图论码译码中的应用

构造了两个分别用于图论码的硬判决译码和软判决译码的前向神经网络,并证明所构造的前向神经网络能够实现图论码的最小汉明距离译码和最小软距离译码。最后给出采用所构造的前向神经网络进行一个图论码的硬判决译码和软判译码的计算机模拟结果。     

三元线性分组码的最大似然软判决译码

文中提出了一个三元线性分组码的最大似然软判决译码算法，该算法有效地应用分支限界技术考查所有列图样，而不只是考查错误图样以求得一个码字．最后给出了该算法对（４０，３６，３）三元线性汉明码的计算机模拟结果．     

一种新的多层前馈网络学习算法

基于权值解耦思想，本文提出一种新的多层前馈网络学习算法，该学习算法的收敛速度比ＰＢ学习算法快，且比并行递推预测误差学习算法有更好的数值稳定性，文中论述了它与别的学习算法之间关系，并选取神经网络对非线性系统建模的例子进行仿真，说明新算法的有效性。     

一类线性分组码的神经网络译码

讨论了线性分组码互补码的特性及分解,提出了基于神经网络的互补码分解译码方案,此方案利用神经网络的吸收子和吸收域进行纠错译码,并把互补码分解为子码及其若干陪集,更进一步减小神经网络译码的复杂性及规模,从而实现高效实时硬判决译码。给出了实现原理及步骤,并对其译码性能进行了分析比较。     

前馈神经网络的一个新的快速学习方法

通过分析前馈神经网络中各层权系数与误差能量之间的关系,在服从最小扰动原理下,本文提出了一个新的学习方法。该方法将网络训练问题变换为一系列的凸规划子问题,而这些子问题都可以在较短时间内获得全局最优解。文中给出的计算结果表明该方法很有发展前景。     

一种带非线性扩展的前向神经网络模型及其学习算法

通过提出一种带非线性扩展的前向神经网络模型,分析了ＧＧＢＰ算法的收敛性,总结出此种算法的动态学习率。仿真结果表明：此神经网络模型更适合于处理多输入,多输出的问题,在这方面其收敛速度,逼近非线性函数的能力比函数型连接网络和前向网络都优越,采用动态学习不仅可以保证网络的收敛性,而且可以使误差下降接近最快。     

对Hopfield网络求解TSP算法的一种改进

将旅行商问题映射成神经网络的形式做了改进,采用固定许行起点的方法,减少了求解过程中等价解不必要地出现。在保持原来算法优点的同时,使得所需神经元的数目减少２Ｎ－１个,这对提高计算效率以及神经网络的硬件实现是有意义的。计算机模拟说明了此算法的有效性。