一种基于优化神经网络的最佳多用户检测器

基于优化理论和神经网络理论提出了一种优化神经网络最佳多用户检测器,将DS-CDMA通信中的多用户信号检测问题看作一种组合优化问题,利用神经网络能有效地求解优化问题的优势:推导了一种优化神经网络最佳多用户检测器,理论分析和计算结果表明:1)在误比特性能和抗多址干扰性能上这种检测器均优于传统检测器和解相关检测器;2)在抗"远近"干扰能力方面,这种检测器优于传统检测器而弱于解相关检测器;3)易于实时应用和VLSI实现。     

基于并行遗传算法的去相关多用户检测器

通过将码分多址通信系统中的最佳多用户检测视为组合优化问题,利用遗传算法能全局寻优的优势,提出了一种基于并行遗传算法的去相关多用户检测器。理论分析和仿真表明:该多用户检测器无论是抗多址干扰的能力还是抗远近效应的能力都明显优于传统的检测器和去相关多用户检测器;由于采用了基于"联姻"策略的并行遗传算法,使这种多用户检测器更易于实时应用和硬件实现。     

多用户检测技术对CDMA系统的影响研究

定量分析了具有多用户检测功能的CDMA移动通信系统的容量和覆盖,讨论了采用遗传算法实现多用户检测的方法,仿真结果表明无论是抗多址干扰还是抑制远近效应,基于遗传算法的多用户检测技术都明显优于传统检测器。     

改进的混合遗传算法在多用户检测技术中的应用

研究了一种混合遗传算法的多用户检测技术,通过将模拟退火融入进遗传算法,运用到多用户检测技术上,进行了仿真比较.结果表明,该多用户检测技术在抗多址干扰和远近效应的能力方面均接近于最优多用户检测器,优于传统的多用户检测器.     

衰落信道下多用户检测器的研究

论述了在瑞利衰落信道下ＣＤＭＡ多用户信号检测技术,分析了此情况下,最佳多用户检测器系统模型．提出了一种次最佳多用户检测器,并对其系统性能进行了分析比较．结果显示,随着分集数的增加,该检测器性能随之提高,且其性能优于传统检测器．     

基于克隆遗传量子算法的多用户检测

基于免疫克隆选择理论和遗传量子算法,提出了一种解决CDMA系统多用户检测问题的克隆遗传量子算法.通过使用克隆选择算子和遗传量子算法的理论,新算法能执行随机搜索和经验学习.所提的算法把随机神经网络嵌入到克隆遗传量子算法的每一代中.通过结合随机神经网络到CGQA中,可以加快CGQA的收敛速度、减少计算复杂度.另外,CGQA所提供的好的初值可以改善SHNN的性能,嵌入的SHNN还提高了CGQA的性能.在讨论了使用新算法设计多用户检测器的性能特点后,在CDMA系统进行了计算机仿真并和一些多用户检测器进行了比较.仿真结果证明了文中所提多用户检测器的抗多址干扰能力和抗远近效应能力都优于一些应用以前算法的多用户检测器.     

码分多址通信系统中线性多用户信号检测器研究

提出了通过非线性优化求解线性多用户检测器中线性变换矩阵的一种方法,并分析了基于这种线性变换矩阵的检测器性能．计算结果表明,在理想功率控制条件下,这种检测器的误比特率小于传统多用户信号检测器和解相关多用户信号检测器的误比特率;在抗远－近效应方面,这种检测器强于传统检测器,而弱于解相关检测器．     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

基于干扰相消的多用户检测器的原理及比较

通过对串行干扰相消的多用户检测器(SIC)和并行干扰相消的多用户检测器(PIC)的思想及其框图的分析，提出了串并行干扰相消的多用户检测器(SPIC)的基本思想及其设想的SPIC原理框图。分析表明：这种检测器能够利用串并行结合的优点进行多用户检测，并能够在复杂度和性能上得到很好的折衷，具有进一步研究的价值。     

基于干扰相消的多用户检测器的原理及比较

通过对串行干扰相消的多用户检测器(SIC)和并行干扰相消的多用户检测器(PIC)的思想及其框图的分析,提出了串并行干扰相消的多用户检测器(SPIC)的基本思想及其设想的SPIC原理框图。分析表明:这种检测器能够利用串并行结合的优点进行多用户检测,并能够在复杂度和性能上得到很好的折衷,具有进一步研究的价值。     

ROLS-AWS algorithm used in RBF neural network for multi-user detection

To improve the computational speed, the ROLS-AWS algorithm was employed in the RBF based MUD receiver. The radial basis function was introduced into the multi-user detection （MUD） firstly. Then a three-layer neural network demodulation spread-spectrum signal model in the synchronous Gauss channel was given and the multi-user detection receiver was analyzed intensively. Simulations by computer illustrate that the proposed RBF based MUD receiver employing the ROKS-AWS algorithm is better than conventional detectors and common BP neural network based MUD receivers on suppressing multiple access interference and near-far resistance.     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

基于免疫粒子群优化算法的多用户检测器

该文将免疫系统的免疫机制引入到粒子群优化算法的设计中.模拟免疫系统、群集智能的信息处理机制,提出了免疫粒子群优化算法.这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力.然后在CDMA系统中,利用此算法设计了多用户检测器,仿真结果证明该文的方法能够快速收敛到全局最优解,并且抗多址干扰能力和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器.     

一种免疫径向基网络多用户检测方法

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模型,它可用作码分多址中的多用户检测器,并具有较好的检测性能;但是存在不足,主要表现在网络的构造和训练算法的优化方面．针对径向基函数网络在码分多址多用户检测应用中存在的网络复杂度与性能之间的矛盾,引入免疫的思想,构造了一种新颖的免疫径向基函数网络多用户检测器．它具有收敛速度快、推广能力好、鲁棒性强等优点,因而有更好的实时性和实用性．     

求解多峰优化问题的改进布谷鸟算法

布谷鸟算法是一种简便而高效的元启发式算法.然而,布谷鸟算法在求解复杂的多峰优化问题时通常存在易陷入局部最优解的缺点.针对布谷鸟算法的这种缺点,结合神经网络算法和布谷鸟算法的特性,提出一种基于神经网络的布谷鸟算法.该算法的核心思想是借助改进神经网络算法的强大全局搜索能力和动态种群策略来平衡布谷鸟算法的全局搜索能力和局部搜索能力,从而减少布谷鸟算法陷入局部最优的可能性.该算法首先将种群中的个体依照适应度值的优劣进行排序,然后对种群中最好的一半个体通过布谷鸟算法进行优化,对种群中最差的一半个体通过改进的神经网络算法进行优化,最后将所有个体组成一个新的种群,并从中筛选出最优解.采用24个复杂基准测试函数检验所提出算法求解多峰优化问题的性能,并将优化结果与神经网络算法,布谷鸟算法以及一些改进的布谷鸟算法所获取的优化结果相比较.实验结果表明:所提出的算法充分地展现了神经网络算法和布谷鸟算法的优势,其在求解质量,求解效率以及求解稳定性上均显著优于其它算法.     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。