利用隐含观测量估计将复杂神经网络分解为多个单隐元学习的新方法

本文从统计学的角度研究多层多隐元前神经网络（ＮＮ）的参数估计学习问题,利用ＮＮ激励函数的析线线性近似,提出一种求解多隐层多隐元ＮＮ每个隐元指导信号（隐含观测量）的新方法,利用每个隐元的指导信号估计可以半多隐多层多隐元ＮＮ的参数估计学习转化为多个相互独立的单隐元ＮＮ参数估计学习训练问题,从而将复杂系统参数估计问题转化为简单系统的参数估计问题而得以解决。     

一种基于卡尔曼滤波修正的LRP信道预测算法

提出了一种基于卡尔曼滤波和AR模型的、针对由于移动台高速移动而引起的信道状态变化的信道预测方法。在研究传统的LRP信道预测算法的基础上抽取采样数据,通过训练序列得到AR模型系数,采用LRP信道预测算法进行信道预测,并引入一个决策模块,当信道状态变化较大时,采用Kalman滤波进行替代预测,可获得较好的预测性能。     

MC-DS-CDMA系统载波频偏估计的隐导频算法

针对多载波直扩码分多址（MC-DS-CDMA）系统上行链路的多用户载波频偏（CFO）,提出了一种基于隐导频的载波频偏估计算法．该算法利用信息符号和隐导频信号的不同统计特性,在接收端分段近似分离出仅包含对应用户的隐导频信号成分,经过幅角提取得到各用户的载波频偏估计值．该算法能节约信号发送带宽并且计算复杂度低,适合在载波频偏细估计阶段跟踪频偏．仿真结果表明,该算法在使用较低隐导频功率时的频偏估计误差也能满足正交频分复用（OFDM）系统对频偏误差的要求．     

基于多门限估计节点个数的自适应退避算法

针对现有接入协议的性能随着WLAN中节点个数增加而显著下降的问题,本文提出一种新的基于多门限估计激活节点个数的自适应退避算法.该算法优化了时延模型,针对最优退避竞争窗口,分析给出了竞争窗口是激活节点数目的线性函数以及准确的窗系数计算方法;通过更公平地计算空闲时隙间隔,使用三个门限来识别节点个数变化的四种情况,实现了节点个数的估计.理论分析表明,该退避算法使得碰撞概率较小并能获得较高的总吞吐量,同时节点个数的变化对性能影响较小.仿真验证了分析的正确性和算法较好的可扩展性,在公平性方面也优于其它算法.     

双线性系统辨识与自适应控制

本文研究随机双线性系统的自适应控制，主要包括：双线性系统的辨识和双线性系统的预测控制，极点配置控制，提出－全局收敛的并且可收敛于无偏最优解的辨识新算法。在此基础上，研究双线性系统的预测和极点配置控制，给出一可实时检测系统稳定性的新方法，解决控制系统的闭环时变极点的稳定性问题。     

利用EM算法估计隐含观测量的回馈神经网络学习新方法

研究回馈神经网络(RNN)参数估计的新方法.利用隐含观测量,将复杂RNN的训练分解为线性输出层和多个单隐元的参数估计.基于每个隐元激励函数的多点线性近似,RNN可利用统计混合专家网络模型(ME)描述,从而将RNN的参数估计转化为包含隐含观测量的线性系统的最大似然估计问题,最后利用期望最大化(EM)算法获得RNN的隐含观测量及其参数估计.     

带有时偏的MC-CDMA上行链路的盲信道估计

为了能在带有时偏的MC-CDMA上行链路中估计信道，提出了一种新的信道估计方法。该方法能消除时偏对信道估计产生的影响，从而无需系统同步就能准确估计出信道。另外，由于扩频序列的信息对接收端是已知的，因此该信道估计方法可以利用扩频码的信息来完成盲估计。最后的仿真结果显示，该信道估计方法有良好的性能。     

基于TMS320VC5416的G.729E算法实时实现

G.729E算法是一种优秀的语音编码算法,其最大特点是可用于带背景噪声语音或音乐信号的编码.在多媒体通信中具有广泛的应用前景.本文在介绍其基本算法的基础上.给出了该算法在TMS320VC5416DSP上实时实现的软硬件解决方案.并给出了在硬件平台上实时实现编解码运算的测试结果.     

基于累积量的两层前馈神经网络盲辨识

由于非线性系统输出是其参数的非线性函数,直接利用高阶累积量辨识两层前馈神经网络(FNN)通常是十分困难的。为解决这一问题,该文提出两种基于四阶累积量的FNN辨识方法。第一种方法,FNN的隐元在其输入空间利用多个线性系统近似,进而FNN利用一统计模型混合专家(ME)网络重新描述。基于ME模型,FNN参数可利用统计期望值最大化(EM)算法获得估计。第二种方法,为简化FNN的ME模型,引入隐含观测量。基于隐含观测量估计,FNN被分解为多个单隐元的训练问题,进而整体FNN可利用一两阶层ME描述。基于单隐元的参数估计,FNN可利用一具有更快收敛速度的简化算法获得估计。     

基于神经网络模型的最小预测误差非线性自适应控制器

主要研究基于神经网络模型的最小预测误差非线性自适应控制算法.利用神经网络激励函数的分段局部线性近似,将基于神经网络的非线性系统一步前向预测控制转化为一系列局部的线性预测控制问题.利用线性系统参数估计方法获得神经网络预测模型的参数估计.在此基础上利用并联线性系统的预测控制方法设计全局收敛的非线性系统预测控制器.