基于神经网络实现解扩的扩频系统性能分析

文章在论文《一种采用神经网络实现解扩的扩频系统》的基础上对采用BP网解扩的扩频系统的性能进行了分析。并用MATLAB提供的神经网络工具箱对这种扩频系统进行了仿真。仿真结果表明:采用BP网实现对直接序列扩频信号解扩的方案不仅合理可行,而且其抗干扰能力较一般的扩频系统更强。而且这种方法可以通过训练和学习使系统具有很强的自适应性,以适应信道传输特性的变化,可以说是一种自适应解扩方法,具有很好的应用前景。     

一种DS扩频系统抗干扰性能的仿真

针对传统直接序列扩频系统(DS-SS)抗干扰性能仿真方法在工程应用中难以实施及系统纯硬件实现的复杂性,提出一种基于VHDL的仿真方案.设计两种不同扩频增益系统,在扩频信号中引入表征各种干扰环境集中产生的噪声;收端采用序列相位搜索捕获法获得同步进而实现相关解扩.在两种处理增益下通过增大噪声,对各种干扰环境下系统性能进行分析.仿真结果表明,提高扩频增益可提高抗干扰性能.当扩频增益为127时,接收扩频信号中误码率为26%时系统能正确解扩;扩频增益增加3dB,即使错误码元达38%,系统仍能零误码解扩.仿真方法和结论对实际应用有一定的参考价值.     

BPSK直接序列扩频接收机设计与仿真

阐述了BPSK直接序列扩频接收机的工作原理,结合BPsK信号的调制方式,提出了一种BPSK直接序列扩频接收机设计方案,建立了Madab／Simulink仿真模型。通过Simulink仿真实现了BPSK直接序列扩频接收机解扩解调功能,得到了原始信号。     

TD-SCDMA系统中LS-DRMTCMA算法研究

该文提出了TD-SCDMA移动通信系统中的一种改进的解扩重扩多目标恒模阵列(LS-DRMTCMA)算法。首先采用传统RAKE接收,再利用直接矩阵求逆(DMI)法由训练序列得到初始权值,最后利用LS-DRMTCMA算法跟踪训练权值。仿真结果表明,改进的LS-DRMTCMA算法的性能明显优于常规方法,有效地降低了系统的误码率。     

直接序列扩频系统匹配滤波器的FPGA实现

根据直接序列扩频系统相关解扩中的匹配滤波器的特点,提出了一种结构简单、基于FPGA实现匹配滤波器的方法,阐述了设计要点和关键部分的实现。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于神经网络的复杂仿真系统验证方法

在复杂仿真系统模型验证的有效方法的研究中,神经网络可以做为复杂仿真系统校核、验证和确认的主要应用工具和手段.首先介绍了传统仿真系统的验证方法,指出了传统验证方法存在的问题.提出了基于神经网络的复杂仿真系统验证方法.采用神经网络模型识别和验证,根据神经网络时间序列预测和神经网络的最大熵谱估计验证方法.最后给出了具体仿真应用示例并分析了几种验证方法的优缺点,可以为解决复杂仿真系统验证问题提供了一条新的途径.     

基于SystemView的DSSS通信仿真与分析

利用一个完整的动态系统设计、仿真和分析的可视化环境SystemView,构造直接序列扩频通信系统仿真模型,利用该模型仿真分析,得到从信源扩频、调制、加噪声、到解扩和滤波等各个环节的直接序列扩频通信系统的时域图及其相关的时域技术数据,为通信系统设计技术的研究提供支持。结果表明直扩系统的抗干扰能力远远大于普通的二进制系统。     

利用神经网络盲估计混沌直扩信号扩频序列*

混沌扩频序列具有比传统直扩序列更高复杂度的特点,然而它也同时是盲估计混沌直扩序列的难点。利用神经网络能无限任意逼近非线性函数的特点,设计了一种改进型的基于神经网络盲估计混沌扩频序列的方法。仿真结果表明,该方法无需搜索信息码和扩频序列之间的同步点,即使是在较低信噪比的条件下,仍然能有效的从噪声背景中盲分离出混沌扩频信号,并且盲估计出原始混沌序列。     

一种短码直扩信号分层盲解扩算法

针对非合作低信噪比条件下短码二进制频移键控(Binary phase shift keying,BPSK)/直接序列扩频(Direct sequence spread spectrum,DSSS)信号的盲解扩问题,提出了一种分层的处理方法。算法首先估计序列扩频周期,然后利用短码DSSS信号的相关特性寻找短码序列的起始位,构造两个扩频周期长度的滑动窗口。通过两窗口序列内积的符号判断相邻码字的相对极性。每轮迭代通过滑动对起始位进行修正,提高算法的鲁棒性。仿真实验表明,信噪比高于-2 dB时盲解扩算法可以实现低于2×10－4的误码率,算法具有一定的工程应用价值。     

基于变学习率三角基函数神经网络的4型FIR滤波器设计

本文提出一种基于变学习率三角基函数神经网络的线性相位4型FIR滤波器设计方法。该方法根据三角基函数神经网络与线性相位4型FIR滤波器幅频特性之间的关系,构建了一种变学习率三角基函数神经网络模型,在神经网络训练过程中引入变学习率算法自调整学习率取值,解决学习率通常依靠经验或试凑法确定带来的不确定性,提高神经网络的学习效率和收敛速度。通过训练神经网络的权值,使设计的FIR滤波器幅频响应与理想幅频响应在整个通带和阻带内的误差平方和最小。文中利用该方法对FIR高通滤波器和带通滤波器进行了优化设计,仿真结果表明了该方法设计FIR滤波器的有效性和优越性。     

Novel neural network modeling method and applications

Neural networks play an important role for designing the parametric model of electromagnetic structures. The current neural network methods are unfit for a circuit model with many input variables because it is costly to extract a large number of the training data and test data to complete the highly nonlinear mapping approximation. This article proposes a new neural network modeling method—the multidimensional neural network model, which can be used to solve the issue of multivariable radiofrequency and microwave passive device modeling. The entire multidimensional neural network modeling problem is simplified into a set of neural network submodels through decomposition method. Then the submodels are combined into an equivalent model, and the final entire model is produced through the neural‐network mapping model developed with the submodels and equivalent model. A microstrip hairpin filter model is developed using the proposed method. The simulation results show the correctness and the effectivity of the proposed method. © 2015 Wiley Periodicals, Inc. Int J RF and Microwave CAE 25:769–779, 2015.     

分形滤波的网络流量预测

提出了一种结合分形滤波与线性神经网络进行网络流量预测的新方法。通过分形滤波增强网络流量中的长相关结构,使序列更加平滑,根据相空间重构理论利用线性神经网络进行预测操作,并用实际网络流量验证该模型的有效性。     

基于UKF 和神经网络的一类非线性系统状态估计

在模型未知的情况下,估计过程的重要变量尤为重要.鉴于此,采用不敏卡尔曼滤波(UKF)与神经网络相结合的方法,解决一类未知模型非线性系统的状态估计问题.采用动态神经网络对非线性系统进行建模,利用UKF对状态和权值进行同时更新,从而达到神经网络逼近真实模型,估计值跟随真实值的目的.通过两个仿真实例表明了所提出的方法具有良好的估计效果,并且状态在输出中的比重越大,其估计精度越高.     

基于容积卡尔曼滤波的神经网络训练算法

针对现有的利用非线性滤波算法对神经网络进行训练中存在滤波精度受限和效率不高的缺陷, 提出一种基于容积卡尔曼滤波(CKF) 的神经网络训练算法. 在算法实现过程中, 首先构建神经网络的状态空间模型; 然后将网络连接权值作为系统的状态参量, 并采用三阶Spherical-Radial 准则生成的容积点实现神经网络中节点连接权值的训练. 理论分析和仿真结果验证了所提出算法的可行性和有效性.

     

一种基于非线性滤波的倒立摆控制方法研究

对于倒立摆这样的强非线性系统,采用传统的BP算法存在着收敛速度慢、易陷入局部极小值的缺陷,而采用卡尔曼滤波方法则会带来很大的模型误差。为了解决上述问题,提出了基于粒子滤波优化神经网络的方法。首先建立了倒立摆神经网络控制器的物理模型并将模型粒子化,而后用粒子滤波算法对粒子进行优化估计,将估计结果作为网络的权值应用到倒立摆控制中,采用离线训练方式,仿真比较了卡尔曼滤波和粒子滤波两种方法控制效果,结果表明,新算法较卡尔曼滤波方法在控制性能上有明显提高。     

基于深度神经网络的庞氏骗局合约检测方法

区块链技术的发展吸引了全球投资者的目光.目前,有数以万计的智能合约部署在以太坊上.在给金融、溯源等诸多行业带来颠覆性的创新之余,以太坊上的部分智能合约含有诸如庞氏骗局等欺诈形式,给全球投资者造成了数百万美元的损失.但是,目前针对互联网金融背景下庞氏骗局的定量识别方法较少,针对以太坊上庞氏骗局合约检测的研究较少,且检测精...     

基于灰色神经网络和自适应网络过滤的流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。在灰色神经网络研究的基础上,提出一种新的网络预测方法,通过自适应过滤法对灰色神经组合模型时产生的残差进行修正,从而达到比较精确的效果。实验结果表明,该方法有效可行。     

红外气体传感器的数据处理

为了提高智能型红外气体传感器的性能，通过采集数据分析了数据特点。在仪器的研制中采用数字滤波和神经网络的数据处理方法以克服干扰、提高稳定性和准确性。证明数字滤波方法适用于减小红外气体传感器数据的随机误差，神经网络方法可以拟合出平滑的浓度-比值曲线；应用这些数据处理方法可以充分发挥智能型红外气体传感器的优异性能。     

基于统计聚类RBF神经网络的孤立点检测研究

孤立点挖掘是数据挖掘的一个重要领域,而统计分析方法在孤立点检测中具有天然的优势。本文将统计聚类方法融入RBF神经网络,提出了一种基于统计聚类RBF神经网络的新的孤立点检测算法——SCRBF。该算法包括两部分,先用统计聚类方法对神经网络进行初始化,然后根据网络的训练情况进行隐单元的简化,提高了神经网络的泛化能力,同时也降低了过拟合现象的出现概率。与LSC算法的对比实验表明,该算法是有效的。