基于Hopfield神经网络的多用户信号检测器

用连续Ｈｏｐｆｉｅｌｄ神经网络实现ＣＤＭＡ通信系统中多用户信号检测的设想，并针对同步ＣＤＭＡ系统构造了基于连续Ｈｏｐｆｉｅｌｄ神经网络的用户信号检测器。计算机仿真结果表明：这种检测器的性能远远优于传统检测器的性能，它的性能可与最佳多用户信号检测相比拟。     

基于神经网络的智能用户检测技术在CDMA中的应用

多用户检测技术是第3代移动通信系统IMT－2000中的一项关键技术。求解最优多用户检测器的目标函的最小值问题可以转化为求解Hopfield神经网络的能量函数的最小值问题。对两种基于神经网络的智能多户检测器进行性能分析和计算机仿真,通过与最佳多用户检测器和传统检测器的比较,证实了这两种神经网络检测器都能较好地实现多用户检测的功能,因此,神经网络多用户检测技术是一种切实可行的方案。     

直接序列码分多址通信系统中最佳多用户检测器的一种实现方法

本文叙述了通过构造一种复合神经网络实现直接序列码分多址通信系统中实时最佳多用户检测器的方法。这种最佳多用户检测的实时性来自复合神经网络运算结构的并行性，复合神经网络由一个前向单层网络和一个竞争网络构成，其中前向单层网络进行似然函数计算，而竞争网络实现选择最大项操作。     

神经网络多用户检测

介绍了基于神经网络的ＣＤＭＡ系统最佳多用户检测器和盲多用户检测器，给出了它们的发展现状，讨论了各自的原理和实现技术，比较了其性能，并指出了今后可能的努力方向。     

直接序列码分多址通信系统中最佳多用户检测器的一种实时实现方法

本文叙述了通过构造一种复合神经网络实现直接序列码分多址通信系统中实时最佳多用户检测器的方法。这种最佳多用户检测器的实时性来自复合神经网络运算结构的并行性。复合神经网络由一个前向单层网络和一个竞争网络构成，其中前向单层网络进行似然函数计算，而竞争网络实现选择最大项操作。     

基于并行遗传算法的CDMA优化多用户检测方法

多用户检测技术是第三代移动通信系统CDMA中的一项关键技术。在多用户检测中求解最佳矢量问题可以转化为在遗传算法中求解具有最高适应度函数的问题。本文提出了一种基于并行遗传算法的CDMA多用户检测器,并与最佳多用户检测和传统检测器进行比较,实验结果表明本方法可获得接近最佳检测的性能。由于采用并行遗传算法,这种多用户检测器更易于实时应用和硬件实现。     

基于遗传算法和神经网络的多用户检测器

利用两种方法的优点,并将它们应用于CDMA多用户检测中,提出一种基于并行遗传算法和递归神经网络的多用户检测器。该检测器中,遗传算法首先给神经网络提供较好的初始值,然后神经网络实时快速地获得最优解。计算机模拟结果表明:本文所提出的检测器在误码率和抗“远近”效应方面均具有良好的性能。     

基于Hopfield神经网络的DS—CDMA多用户检测

从新的角度研究ＤＳ－ＣＤＭＡ（直接序列码分多址）系统中的多用户检测，将多用户检测的优化问题映射为Ｈｏｐｆｉｅｌｄ神经网络（ＨＮＮ）“能量”函数的最小化问题，利用连续ＨＮＮ固有的快速下降特性，实现了坟对ＣＤＭＡ（码分多址）系统的多用户检测。与现有各种方案比较，具有运算量小、抗远近效应强、实时性好等优点。     

直接序列扩频多址通信系统中最佳线性多用户信号检测器研究

本文提出了平均误经特率最小意义下的最佳线性多用户信号检测器，并给出了救解这种最佳线性多用户信号检测器的近似方法－－训练单层感知器法，初步的研究结果表明；这种检测器的性能优于以往多种检测器。     

最佳线性多用户信号检测器及其近似求解

本文提出了平均误比特率最小意义下的最佳线性多用户信号检测器，并给出了求解这种最佳线性多用户信号检测器的近似方法－训练单层感知器不。     

基于免疫克隆量子算法的多用户检测器

为了解决CDMA系统最佳多用户检测的高计算复杂度问题,基于免疫克隆选择理论和新的遗传量子算法,该文提出了免疫克隆量子算法。该算法把根据神经网络制作的疫苗接种到克隆量子算法的每一代中,通过接种疫苗到CQA中,可以加快CQA的收敛速度减少计算复杂度。另外,CQA所提供的好的初值可以改善疫苗的性能,接种的疫苗还改善了CQA的性能,文中给出了在免疫克隆量子算法中使用随机神经网络制作疫苗的统一理论框架结构。仿真结果证明了该方法不仅能够快速收敛到全局最优解,并且无论抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用以前智能计算算法的多用户检测器。     

遗传算法在多用户检测中的应用研究

本文针对CDMA系统中多用户检测的组合优化问题,提出一种结合遗传算法和Hopfield神经网络的检测方法。该方法首先由遗传算法给神经网络提供一个初始解,神经网络在此基础上再进行局部寻优。研究表明：这种方法具有平方的计算复杂度,优于Hopfield神经网络检测方法、以及单独采用遗传算法的检测方法,对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。     

Performance of multiuser detectors based on EM-like method for ultra-wideband communications systems in multipath fading channel

An adaptive multiuser detector (MUD) is proposed for direct-sequence ultra-wideband (DS-UWB) multiple access communication systems to suppress both multiple access interference (MAI) and inter-symbol interference (ISI). In this contribution, considering the MUD from a combination viewpoint, we proposed a MUD based on electromagnetism-like (EM) method, which applied the concept of EM search to Hopfield neural network (EMHNN) for solving optimization problems. We analyze the performance of the EMHNN MUD in multipath fading channel, and compare it with the optimum detector and several suboptimum schemes such as conventional, decorrelator detector (DD), minimum-mean-squared error (MMSE) and HNN MUD. Simulation results will demonstrate that the proposed EMHNN MUD, which alleviates the detrimental effects of the MAI problem, can significantly improve the system performance.     

Neural networks applications for CDMA systems in non-Gaussian multi-path channels

Non-Gaussian noise is one of the most common noise models observed in wireless channels. This type of noise has severe impact on wireless systems with multiuser detection devices. In this paper, the issue of multiuser detection in non-Gaussian noise multipath channel is addressed. We also pay a close attention to the neural network applications, and propose a new robust neural network detector for multipath impulsive channels. The maximal ratio combining (MRC) technique is adopted to combine the multipath signals. Moreover, we discuss the performance of the proposed multiuser neural network decorrelating detector (NNDD), under class A Middleton model. Furthermore, the performance of the system under power imbalance scenario is shown. We show that the proposed NNDD has magnificent effect on the system performance. The system performance is measured through the bit error rate (BER). It is shown that the proposed robust receiver reduces the impact of the impulsive noise by processing the received signal and clipping the extreme amplitudes.     

基于免疫应答的RBF网络在动态多用户检测中的应用

径向基函数神经网络是一种具有局部逼近能力的前向神经网络,可用作码分多址中的多用户检测器,有较好的检测性能;但是目前的RBF网络多用户检测器收敛慢,不能针对实时变化的动态信道作跟踪.针对动态信道中的多用户检测问题,借鉴免疫系统二次应答原理提出了一种基于免疫机制的RBF网络.该方法结合免疫记忆机制和免疫应答机制设计免疫算子,针对动态模型中的稳定部分和突变部分作不同强度的训练;借鉴免疫系统的二次应答机制,较大地降低了算法复杂度,并且收敛快、鲁棒性强,提高了在变化的信道中的多用户检测器的动态追踪能力.     

基于神经网络和粒子群算法的MC-CDMA多用户检测

MC-CDMA系统是干扰受限系统,存在多址干扰。本文提出一种基于神经网络和粒子群算法的MC-CDMA多用户检测方法。在粒子位置更新中,随机选择部分粒子作为Hopfield神经网络的神经元组成的个体,进行神经网络的更新;其他粒子仍采用原粒子群算法的位置更新策略,从而能加快粒子群算法的收敛速度以及降低计算复杂度。仿真表明在算法参数相同时,该多用户检测方法在误码率、收敛速度、系统容量、抗远近能力等方面都优于基于粒子群算法的多用户检测和基于神经网络的多用户检测,更加逼近于最佳多用户检测的性能。     

基于混沌神经网络的多用户检测器

提出一种基于增广Lagrange乘子——暂态混沌神经网络的码分多址（Code Division Multiple Access，CDMA）多用户检测新技术。该技术将混沌模拟退火算法与增广Lagrange乘子相结合，具有良好的逃逸局部最小点的能力和较快的收敛速度，同时能有效克服惩罚函数的缺点。仿真实验结果表明，基于增广Lagrange乘子——暂态混沌神经网络的多用户检测器，其误码率性能优于Hopfield神经网络及未改进的暂态混沌神经网络等多用户检测器。     

连续型神经网络解决信元调度问题的参数分析

本文利用连续型Hopfield神经网络实现信元调度问题,对采用的新的能量函数进行仿真模拟,通过对网络模型的参数特性进行研究分析,寻找最佳的取值范围,为Hopfield神经网络今后的研究和实际应用提供帮助。     

A positively self-feedbacked Hopfield neural network architecture for crossbar switching

We propose a positively self-feedbacked Hopfield neural network architecture for efficiently solving crossbar switch problem. A binary Hopfield neural network architecture with additional positive self-feedbacks and its collective computational properties are studied. It is proved theoretically and confirmed by simulating the randomly generated Hopfield neural network with positive self-feedbacks that the emergent collective properties of the original Hopfield neural network also are present in this network architecture. The network architecture is applied to crossbar switching and results of computer simulations are presented and used to illustrate the computation power of the network architecture. The simulation results show that the Hopfield neural network architecture with positive self-feedbacks is much better than the previous works including the original Hopfield neural network architecture, Troudet's architecture and maximum neural network for crossbar switching in terms of both the computation time and the solution quality.