RBF神经网络CDMA多用户检测方法

分析了采用正交最小二乘(OLS)算法的RBF神经网络应用于DS-CDMA扩频通信的多用户检测的问题,给出了基于RBF网络进行多用户检测的理论依据和仿真分析性能。     

神经网络在自适应噪声抵消中的应用研究

本文将基于正交最小二乘的RBF神经网络算法引入自适应噪声对消中,提出一种基于最小二乘算法和径向基网络的自适应噪声抵消(adaptive filter based on least square algorithm and radial basis network,简称OLSRBFAF)算法。RBF网络因其具有良好的推广能力,简单的结构和快速的训练过程等诸多优点已被成功应用于很多领域。RBF神经网络中关键因素是基函数中心的选取,中心选取不当构造出来的RBF网络的性能一般不能令人满意。利用正交最小二乘(orthogonal least squares,简称OLS)算法选取RBF网络中心,解决了径向基函数网络构造这一关键问题。并由于OLS算法中采用了最小二乘(least-square,简称LS)准则,其对时变信道具有快速跟踪的能力。利用MATLAB仿真结果分析可知,通过将两种算法结合引入自适应噪声抵消系统,使该系统具有误差更小,消除噪声能力更强的优点。     

一种快速递归全局最小二乘算法

针对FIR系统输入和输出信号均被噪声干扰的情况,提出一种快速递归全局最小二乘(XS-RTLS)算法用于迭代计算全局最小二乘解,算法沿着输入数据的符号方向并采用著名的快速增益矢量,搜索约束瑞利商(c-RQ)的最小值得到系统参数估计。算法关于方向更新矢量的内积运算可通过加减运算实现,有效降低了计算复杂度;另外XS-RTLS算法没有进行相关矩阵求逆递归运算,因而具有长期稳定性,算法的全局收敛性通过Laslle不变性原理得到证明。最后通过仿真比较了XS-RTLS算法和递归最小二乘(RLS)算法在非时变系统和时变系统中的性能,验证了XS-RTLS算法的长期稳定性。     

Alpha稳定分布噪声中的韧性投影 近似子空间跟踪算法

 为了克服投影近似子空间跟踪算法(PAST)在脉冲噪声环境下性能的退化,本文以Alpha 稳定分布为脉冲噪声模型,依据韧性的M估计方法提出了一种新的代价函数,并推导出基于递归最小M估计的韧性投影近似自适应信号子空间跟踪算法(RLM_-PAST).由于采用了适合噪声模型的M估计函数,新算法与采用递归最小二乘估计的子空间跟踪算法相比,在稳定分布脉冲噪声环境下具有更好的性能.把新方法应用于波达方向(DOA)估计,数值仿真结果表明了该算法的有效性.     

最小二乘算法在RBF神经网络中的应用

RBF神经网络构造的关键问题是网络中心的选取，最小二乘算法采用正交化方法，独立计算回归算子对输出的贡献，可以使中心的选择步骤简单有效。文章给出了最小二乘算法及其应用函数逼近的实例，结果证明，由于计算过程中应用了这一算法的正交化性质，所以网络调整时对已有模式的扰动达到最小。这说明最小二乘算法不仅简单有效，而且性能优越，并有较强的实用性，在许多领域有广泛应用。     

适于参数识别的多信道QRD自适应格型算法

本文基于格型滤波器的阶递归特性和Givens旋转算法的优越数值性能,推导了两种多信道递归最小二乘格型算法。第一种算法的推导是直接基于对输入数据矩阵进行正交-三角分解,并利用Givens旋转方法来计算其正交-三角分解。首先对输入数据矩阵进行预旋转,然后重复利用单信道Givens格型算法,便可得到第二种算法。两种算法都具有优越的数值性能,尤其是对有限字长的稳健性。待估计的滤波器参数矢量可根据算法的内部变量直接提取,而无需额外的三角阵进行后向代入求解运算。两信道参数识别的计算机模拟结果验证了本文的推导。     

多径CDMA信道下一种新的RLS空时接收机

针对多径CDMA信道下的多用户检测中出现的线性约束二次规划问题提出一种新的递归最小二乘算法，该算法可以完全避免因约束而引进的矩阵求逆运算(相对常规的递归最小二乘算法)，并将这种算法与CDMA多用户系统结合起来给出了一种新的自适应接收机，仿真结果表明了这种算法是有效的(无论在检测性能上还是在收敛性能上)。     

l0-范数约束的稀疏多径信道RLS常模盲均衡算法

针对稀疏多径信道下MPSK信号的快速盲均衡问题,提出了一种l0-范数约束的递归最小二乘常模盲均衡算法.该算法借鉴传统的递归最小二乘常模盲均衡算法思想,结合稀疏自适应滤波理论,首先利用l0-范数对均衡器抽头系数进行稀疏性约束,构造出一种l0-范数约束的加权最小二乘误差代价函数,然后依据递归最小二乘算法推导出均衡器抽头系数更新公式.该算法发挥递归最小二乘常模算法收敛速度快的优势,并对幅度极小系数附加零点吸引调整,从而实现不同幅度抽头系数的快速收敛.理论分析与仿真结果表明,与现有算法相比,该算法在保证较低剩余符号间干扰的前提下,能有效提高均衡器的收敛速度.     

基于改进的最小二乘法实现超宽带系统数字预失真

针对超宽带通信系统中功放的失真特性,从传统的DPD(数字预失真)技术的系数提取算法中选取一种准确度较高的LS(最小二乘)算法进行改进,从数学上证明这种改进的算法很好地改善了最小二乘法在求高阶自相关矩阵的逆时不准确的问题,并用仿真实验对比分析算法改进前后的预失真性能,结果表明改进后的算法确实能够应用于功放非线性失真和记忆...     

MIMO系统的自适应均衡技术研究

研究了用于MIMO系统的自适应均衡的几种算法，比较了最小均方算法(LMS)、递归最小二乘算法(RLS)、判决反馈算法(DFE)、格型梯度自适应均衡算法(GALE)和格型最小二乘自适应均衡算法(LSALE)。文章的最后给出了仿真结果及结论。     

基于HBF神经网络的自适应观测器

传统的RBF(Radial Basis Function)神经元基函数通常把高斯类型与单一宽度作为每个神经元的激活函数,这些特性限制了网络神经元的性能,特别是在处理复杂的非线性建模问题上.为了克服这个限制,本文应用了具有类似RBF网络,但激活函数不同-超基函数HBF(Hyper Basis Function)的网络.结合RBF网络,分析了HBF网络的结构、基函数形式及基函数对网络的影响,利用决策树算法计算了网络中心.在此基础上,提出了一种基于HBF神经网络的自适应观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的稳定性;最后通过仿真验证了这种HBF神经网络观测器能很好地观测系统的状态值.     

Comparing support vector machines with Gaussian kernels to radialbasis function classifiers

The support vector (SV) machine is a novel type of learning machine, based on statistical learning theory, which contains polynomial classifiers, neural networks, and radial basis function (RBF) networks as special cases. In the RBF case, the SV algorithm automatically determines centers, weights, and threshold that minimize an upper bound on the expected test error. The present study is devoted to an experimental comparison of these machines with a classical approach, where the centers are determined by X-means clustering, and the weights are computed using error backpropagation. We consider three machines, namely, a classical RBF machine, an SV machine with Gaussian kernel, and a hybrid system with the centers determined by the SV method and the weights trained by error backpropagation. Our results show that on the United States postal service database of handwritten digits, the SV machine achieves the highest recognition accuracy, followed by the hybrid system. The SV approach is thus not only theoretically well-founded but also superior in a practical application     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于自适应投影学习算法的RBF神经网络多用户检测方法

自适应投影学习算法是一种简单有效的构造和训练径向基函数神经网络的方法,该方法能迭代地确定径向基函数的个数,中心的位置以及网络的权系数。本文将基于自适应投影学习算法的径向基函数神经网络应用于CDMA系统多用户检测,仿真表明:这种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。     

阵元位置误差影响下的神经网络测向

针对阵元位置误差情况下RBF(radial-basis function)神经网络波达方向估计,提出一种直接数据域补偿算法。这种算法通过对神经网络的输入数据进行误差补偿来获得正确的训练样本,因而在无需对RBF神经网络测向系统作任何改进的情况下,可获得对波达方向的准确估计。文中给出了应用该方法的具体步骤,通过仿真实验证明该算法的有效性。     

RBF神经网络在微波幅度均衡器设计中的应用

针对多谐振腔结构的均衡器其S参数测量数据库,提出了一种工程上实用的径向基函数(RBF)神经网络插值算法,介绍了该算法的主要思想,利用MATLAB软件给出了微波均衡器插值实例,并对其插值特性进行了分析和改进。计算和分析结果表明,该算法能在较高的插值精度条件下对数据进行有效的插值处理。该算法在微波器件的工程设计中具有一定的推广应用价值。     

组合二进制偏移载波信号的伪码周期及组合码序列盲估计

针对在非协作通信以及低信噪比下组合二进制偏移载波(CBOC)信号伪码周期和组合码序列较难估计的问题,该文提出了2次谱算法与基于径向基函数(RBF)神经网络算法。对输入信号进行2次功率谱计算,可以得到CBOC信号的伪码周期。在此基础上,首先对接收的1周期组合码序列进行重叠分段,其次优化筛选出学习系数,对每段数据向量作为RBF神经网络的输入信号并进行有监督地调节,最后对每段数据向量多次输入并反复训练权值向量就可以恢复原组合码序列。仿真结果表明,利用2次谱可以在低信噪比下估计出伪码周期;在误码率低于1%的情况下,所提出的RBF神经网络相比于反向传播(BP)神经网络与Sanger神经网络,信噪比分别提高1 dB和3 dB,并且在同等条件下所需的数据组数较少。     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对非线性时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

基于改进RBFN的信号调制识别方法

应用高阶统计量和RBF神经网络原理,针对数字调制通信信号提出了一种基于统计模式识别理论的信号调制类型识别新方法。采用信号四阶和六阶统计量提取信号特征,使用新设计的误差函数训练RBF神经网络,使得识别的效率和正确度得到了明显的改善。计算机仿真结果证明了此方法的可行性。