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。     

神经网络与非线性分组码软判决译码

讨论了神经网络与纠错编码之间的关系，指出非线性分组码软判决最小距离译码等价于求神经网络能量函数最大值。     

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。     

用于最小加权距离译码的神经网络方法

构造了用于最小加权距离译码的神经网络，并证明了所构造的神经网络的收敛性，最后给出了用所构造的神经网络进行最小加权距离译码的算法。     

神经网络与非线性码最小加权距离译码算法

讨论了二值非线性码和多值非线性码的最小加权距离译码与神经网络能量函数的关系。     

基于规则学习的前馈神经网络

提出了用规则学习方法得到的规则建立人工神经网络的方法基于规则的神经网络方法。它是一种规则学习方法和人工神经网络各自取长补短有机结合的方法。它即避免了规则学习方法的识别速度慢和神经网络训练慢的缺点,又保留了规则学习方法的训练速度快,聚类能力神经网络的识别速度快,可硬件实现的优点,它为大规模训练样本来建立神经网络识别系统开辟了一条新途径。     

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．     

一种新的线性译码的准正交空时分组码方案

传统的准正交空时分组码可以实现全速率传输,但是不能获得最大的发送分集增益,而且译码复杂度相对较高,这主要是由于检测矩阵中存在干扰项造成的.为了解决这个问题,本文提出了一种新的准正交空时分组方案,该方案通过利用Givens旋转运算,将检测矩阵变换为一个对角阵,消除其中的干扰项,使得接收端可以采用线性方法来译码,从而既提高了系统的分集增益,又降低了译码的复杂度.仿真实验也验证了所提方案的优越性.     

基于前馈神经网络的潮汐预报

该文针对传统的潮汐预报多以前几日的水文数据结合气象资料为依据进行推算的方法,这样的结果是预报准确度不高。该文介绍了一种新的预测方法,利用感知器神经网络所具有的通过学习获取知识来解决问题以及能对任意连续映射进行逼近的能力,通过搭建在计算机平台的前馈神经网络模型和水文站提供的历史潮汐数据,对涌潮到达江河沿岸各观测点的时间和水位进行预报。     

八状态的格码编码和译码的模拟方法

对ＴＣＭ码进行了研究，利用子集划分再结合Ｖｉｔｅｒｂｉ算法编制出八状态的格码和编码程序，纠错能力得到提高。     

基于A*算法的快速软判决译码

指出最小序列增量译码等价于最小多氏距离译码,并建立序列增量的广义门限;把最小序列增量译码转化为有向树上的搜索过程,采用带广州门限的启发式搜索索Ａ＊算法,实现有向上的最佳软判决译码。模拟计算表明,该译码算法在保持最优译码性能的同时,能进一步加快译码速度。     

神经网络技术在纠错码研究中的现状与前景

综述了神经网络技术用于纠错码译码,设计好码与估计码的性能的研究现状,分析指出了已有工作中存在的突出问题．根据现代数字通信和信息存储系统的发展要求,展望了今后的研究重点与方向,包括研究高速有效的专用神经网络译码模型与算法并设计实用的神经网络译码器;研究神经网络译码器新思想并开展深入工作;探索神经网络ＴＣＭ技术与Ｔｕｒｂｏ码的神经网络迭代译码技术等．     

一种多层前向神经网络译码器的实现

本文提出了一种源于汉明类多层前向神经网络分组码译码器。它不需要改变网络结构和参数,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学习过程。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。     

基于免疫算法的球形译码算法研究

在多输入多输出(MIMO)系统的信号检测算法中,球形译码算法的性能最接近最大似然检测算法,是目前应用最为广泛的一种信号检测方法,但传统的球形译码算法在低信噪比时计算复杂度较高,在高信噪比时误码率性能不够理想.该文提出了一种改进的球形译码方法,利用免疫算法的寻优能力来获得最佳的初始搜索半径,从而达到在保证译码性能的同时有效地降低计算复杂度的目的.实验仿真结果表明,与传统的球形译码算法相比,基于免疫算法的球形译码方法在高信噪比下可以达到最大似然译码的性能,同时能有效降低低信噪比时的运算复杂度,从而更符合现代无线通信实时性的要求.     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型．但算法有求解精度低、搜索速度慢、易于陷入极小的缺点．蚁群算法是一种新型的模拟进化算法，有正反馈、分布式计算、启发性收敛等特性．这些特性使得解题过程加快，易于实现分布式计算．将蚁群算法和神经网络相结合起来，实现了非线性模型的辨识问题及倒立摆的控制．仿真实验表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能．     

基于六维前馈神经网络模型的图像增强算法

针对滤波去噪对边缘造成的弱化、部分采集图像不清晰以及对比度低的问题,在充分分析模型的动力学性质的基础上,提出一种基于六维前馈神经网络模型的图像增强算法。试验表明:基于六维前馈神经网络模型的图像增强算法可以更好地达到图像增强效果。与其它几种增强算法相比,增强效果清晰,且算法更优。     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型.但算法有求解精度低、搜索速度慢、易于陷入极小的缺点.蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性.这些特性使得解题过程加快,易于实现分布式计算.将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制.仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能.     

基于流体神经网络的路径选择算法

通过比较通信网络和流体神经网络,得出了通信网络路径选择的最大概率准则,给出了基于流体神经网络的路径选择算法．实验结果表明,该算法的运算速度远远快于现有的路径选择算法．