第1章 绪论 1
1.1CDMA移动通信系统研究背景及意义 1
1.2第三代移动通信系统及其关键技术 2
1.2.13G系统及其展望 2
1.2.23G系统中的关键技术 5
1.3第四代移动通信系统的研究目标与现状 7
1.3.14G系统研究目标 7
1.3.24G系统的研究现状及其关键技术 8
1.43G与4G系统中的DS-CDMA 10
1.5空时信号处理与多用户检测 11
1.5.1使用阵列天线的必要性 11
1.5.2空时信号处理 11
1.5.3多用户检测 12
1.6通信中的智能信号处理 14
1.7本书的主要内容 15
参考文献 15
2.1引言 23
第2章 自适应子波网络多用户检测 23
2.2自适应子波神经网络 24
2.2.1子波变换、逼近以及分类 24
2.2.2自适应子波神经网络 25
2.3自适应子波神经网络检测 26
2.3.1自适应子波神经网络单用户检测 26
2.3.2自适应子波神经网络多用户检测 27
2.3.3自适应子波神经网络学习算法和实现考虑 28
2.3.4仿真实验与性能分析 29
2.3.5评述 34
2.4自适应子波神经网络空时多用户检测 34
2.4.1多天线接收时的空时信号模型 35
2.4.2空时匹配滤波与最大比多径合并 36
2.4.3空时最佳多用户检测与自适应子波神经网络实现 38
2.4.4仿真实验与性能分析 39
2.5.1MMSE线性多用户检测 42
2.5基于自适应子波网络的MMSE检测器 42
2.4.5评述 42
2.5.2基于自适应子波网络的MMSE检测器 43
2.5.3算法分析 44
2.5.4性能分析与仿真结果 44
2.6本章小结 47
参考文献 47
第3章 支持矢量机多用户检测 51
3.1支撑矢量机算法 51
3.1.1模式识别支撑矢量机 51
3.1.2回归支撑矢量机 53
3.2支撑矢量机多用户检测 55
3.2.1支持矢量机多用户检测结构 55
3.2.2空时联合多用户检测 55
3.2.3仿真实例 56
3.3自适应支撑矢量机多用户检测 57
3.3.1自适应支撑矢量机 57
3.3.2试验仿真 60
3.4小结与讨论 63
参考文献 64
第4章 递归网络盲自适应多用户检测 66
4.1引言 66
4.2以码片速率采样的异步传输信号模型 67
4.3递归神经网络盲自适应多用户检测 67
4.3.1递归神经网络盲自适应多用户检测 67
4.4性能分析 69
4.4.1输出信干噪比 69
4.3.3递归神经网络盲自适应多用户检测 69
4.3.2盲最小均方误差多用户检测 69
4.4.2渐进多用户有效性与抗“远近”效应能力 70
4.4.3计算复杂度比较 71
4.4.4计算时间比较 71
4.4.5失配对性能的影响 72
4.5仿真实验 73
4.6.2自适应MMSE多用户检测器 80
4.6基于GRNN的自适应MMSE多用户检测器 80
4.6.1MMSE多用户检测器 80
4.6.3基于GRNN的自适应MMSE多用户检测器 82
4.6.4性能分析与仿真结果 83
4.7本章小结 84
参考文献 84
第5章 独立分量分析算法在CDMA中的应用 87
5.1引言 87
5.2盲信号分离 87
5.2.1盲信号分离的数学模型 88
5.2.2求解原理 89
5.2.3盲信号分离的神经网络结构 89
5.3独立分量分析的基本算法 90
5.3.1去相关算法 91
5.3.2自然梯度算法 91
5.3.3迭代求逆算法 91
5.4.2按码片速率采样的ICA多用户检测 92
5.4.1匹配滤波器级联神经网络的多用户检测 92
5.3.5ICA算法的收敛性 92
5.4基于ICA算法的多用户检测 92
5.3.4EASI算法 92
5.4.3仿真结果 93
5.5基于独立分量分析的CDMA系统信道估计方法 96
5.5.1系统模型 96
5.5.2仿真试验 98
参考文献 99
第6章 基于最大特征向量学习机的盲波束形成 101
6.1引言 101
6.2极大特征向量算法 101
6.2.1Oja算法 101
6.2.2一类求解最大特征值问题的神经网络模型 102
6.2.3求解复矩阵特征值问题的神经网络方法 103
6.3求解广义特征值问题的神经网络 103
6.3.1网络模型 103
6.3.2网络性态分析 104
6.4.1基本假设 107
6.4.2阵列信号模型分析 107
6.4CDMA的阵列信号模型 107
6.5基于最大特征矢量学习机的盲波束形成 109
6.5.1求解最大特征向量的复数神经网络（CNN）模型 109
6.5.2求解最大特征向量的MEVA迭代算法 111
6.6多径衰落情况下的盲波束形成 111
6.7仿真实验 112
参考文献 116
6.8小结 116
第7章 非线性信道的Volterra级数模型及其辨识算法 118
7.1MIMO非线性系统的Volterra级数模型 118
7.2MIMO非线性系统辨识 120
7.2.1随机响应法 120
7.2.2脉冲响应法 122
7.3仿真研究 122
参考文献 124
7.4结论 124
第8章 非线性系统的均衡器设计 125
8.1引言 125
8.2SISO非线性系统的均衡器设计 126
8.2.1Volterra滤波均衡器 126
8.2.2Volterra滤波器的局部l2稳定性 127
8.2.3存在性及误差分析 127
8.2.4Volterra预滤波及后滤波均衡器的存在性 128
8.2.5有限阶Volterra预滤波及后滤波均衡器误差 129
8.3MIMO非线性系统的均衡器设计 130
8.3.1Volterra滤波器的局部l2稳定性 130
8.3.2Volterra滤波均衡器的存在性及误差分析 131
8.3.3Volterra滤波均衡器的存在性 132
8.3.4有限阶Volterra滤波均衡器误差分析 133
8.4仿真研究 134
8.4.1SISO非线性Volterra滤波均衡器仿真 134
8.4.2MIMO非线性Volterra滤波均衡器仿真 139
8.5结论 144
参考文献 144
第9章 基于多子波神经网络的多用户检测器与基于正交码的多子波CDMA 146
9.1基于多子波神经网络模型的多用户检测 146
9.1.1多子波网络模型 146
9.1.2应用理论 147
9.1.3学习算法 151
9.1.4降维预处理 154
9.1.5多子波神经网络多用户检测器 160
9.2基于正交码的多子波CDMA 161
9.2.1引言 162
9.2.2多子波 162
9.2.3多子波CDMA 163
9.2.4理想信道情况下的仿真 164
9.2.5抗白噪声干扰的分析与仿真 165
参考文献 166
10.1.2多子波分析滤波器 168
10.1.1引言 168
第10章 多子波CDMA理论和多子波CDMA 168
10.1多子波CDMA理论与框架 168
10.1.3多子波CDMA框架 170
10.1.4仿真 172
10.1.5结论 172
10.2基于Haar子波低通滤波器的多子波CDMA 172
10.2.1引言 173
10.2.2多子波分析滤波器 173
10.2.3基于Haar子波低通滤波器的多子波CDMA 174
10.2.4仿真 177
10.2.5结论 177
参考文献 178
第11章 基于子波包变换的CDMA和子波包优化 180
11.1引言 180
11.2单子波包的基本概念 181
11.3多子波包的基本概念及其性质 182
11.4最优基的选择 187
11.5双正交多子波 187
11.6双正交多子波包的基本概念及其性质 189
11.7WPT-CDMA系统模型 195
11.7.1系统的频谱特性分析 198
11.7.2仿真实验 199
11.8基于多子波包变换的CDMA 202
11.8.1MWPT-CDMA系统模型 202
11.8.2MWPT-CDMA系统性能分析 204
11.8.3MWPT-CDMA性能仿真 206
参考文献 207
第12章 基于免疫算法的多用户检测 209
12.1基于遗传算法的多用户检测 209
12.1.1标准遗传算法 209
12.1.2基于遗传算法的多用户检测 210
12.2免疫算法 210
12.2.1免疫概念 211
12.2.2免疫算法 213
12.2.3免疫算法的收敛性 213
12.2.4免疫疫苗 214
12.2.5免疫算子 216
12.2.6仿真实验 217
12.2.7结论与讨论 219
12.3基于免疫算法的多用户检测 219
12.3.1实现结构 219
12.3.2计算复杂度分析 220
12.3.3仿真结果 221
参考文献 221
第13章 免疫策略RBF网络多用户检测 224
13.1引言 224
13.2空时二维CDMA系统 224
13.2.1空时信号模型 224
13.2.2空时二维接收机 226
13.3.2RBF网络与多层感知器的比较 229
13.3基于免疫策略的RBF网络 229
13.3.1RBF网络的基本形式 229
13.3.3免疫策略算法 230
13.3.4RBF网络的学习策略 231
13.3.5基于免疫策略的RBF网络 233
13.4免疫神经网络的学习算法 234
13.4.1网络激励函数的选取方法 234
13.4.2网络的自学习算法 235
13.4.3免疫神经网络的设计实例 236
13.5基于免疫RBF网络的CDMA多用户检测判决器 238
13.6仿真结果与分析 239
13.7结论与讨论 242
参考文献 242
第14章 免疫克隆算法 244
14.1用于CDMA多用户检测的免疫克隆算法 244
14.1.1算法收敛性分析 246
14.1.2算法复杂度分析 247
14.1.3算法参数影响分析 248
14.2基于免疫克隆算法的多用户检测器的仿真结果与分析 249
14.2.1与最佳多用户检测器的比较 250
14.2.2同步CDMA系统下的仿真 250
14.2.3异步CDMA系统下的仿真 251
14.2.4瑞利衰落信道多径CDMA系统下的仿真 253
14.3小结 256
参考文献 256
15.1.1状态的叠加 257
15.1量子计算原理 257
第15章 量子进化算法在CDMA中的应用 257
15.1.2状态的相干 258
15.1.3状态的纠缠 258
15.1.4量子并行性 258
15.1.5目前的研究重点 258
15.2量子计算智能的几种模型 259
15.2.1量子人工神经网络 259
15.2.3基于量子特性的优化算法 260
15.2.2基于量子染色体的进化算法 260
15.2.4量子聚类算法 261
15.2.5量子模式识别算法 261
15.2.6量子小波与小波包算法 261
15.2.7量子退火算法 262
15.2.8其他 262
15.3量子进化算法的提出 262
15.4量子进化算法中用到的一些基本概念 264
15.4.1量子比特 264
15.4.2量子染色体 264
15.5量子进化算法 264
15.5.1算法描述 265
15.5.2量子染色体的机理和优点 265
15.5.3量子变异 266
15.5.4量子交叉 267
15.5.5量子进化算法的结构框架 268
15.5.6量子进化算法的收敛性 270
15.6量子进化算法用于最佳多用户检测 272
15.7结论和讨论 274
参考文献 275
第16章 智能信息处理技术在MIMO通信系统中的应用 280
16.1引言 280
16.2MIMO系统基本原理 280
16.3MIMO技术的研究进展 281
参考文献 281
附录A 多用户检测基本原理 283
附录B 命题8.1的证明 290
附录C 引理8.1～引理8.3的证明 291
附录D 定理8.1～定理8.3的证明 294
附录E 式（8.6）与式（8.7）的推导过程 296
附录F 定理9.3的证明 298
附录G 定理11.1～定理11.5的证明 300
附录H 定理12.1与定理12.2的证明 303