第1章 无线通信系统和盲处理方法 1
1.1 无线通信系统 1
1.1.1 无线通信的溯源和近况 1
1.1.2 无线通信系统的若干部分 2
1.1.3 无线通信系统中的信号盲处理 7
1.2 基于智能算法的信号盲处理技术发展现状 9
本章小结 14
本章参考文献 14
第2章 基于BP神经网络盲均衡方法 19
2.1 人工神经网络概述 19
2.1.1 人工神经网络的神经元模型 19
2.1.2 人工神经网络的特点 23
2.1.3 人工神经网络的连接模型 24
2.1.4 人工神经网络的学习规则 26
2.2 BP神经网络概述 27
2.3 BP算法原理 28
2.4 BP算法的缺陷和已有改进方法 31
2.5 基于BP复数神经网络的信号盲处理 32
2.5.1 代价函数 32
2.5.2 激励函数 33
2.5.3 权值设计 33
本章小结 39
本章参考文献 39
第3章 基于多智能体系统的盲均衡方法 40
3.1 多智能体系统 41
3.1.1 多智能体特性及其发展 41
3.1.2 多智能体系统的构造 42
3.1.3 MIMO系统的盲均衡模型 43
3.2 基于微粒子多智能体系统的盲均衡算法 45
3.2.1 微粒群算法原理及理论发展 46
3.2.2 用于MIMO系统盲均衡的微粒子多智能体系统 47
3.2.3 PSO算法应用前景 49
3.3 基于蚁群多智能体系统的盲均衡算法 49
3.3.1 蚁群智能体及其算法理论发展 50
3.3.2 用于MIMO系统盲均衡的蚁群多智能体系统 51
3.3.3 ACO算法应用前景 53
3.4 基于免疫多智能体系统的盲均衡算法 54
3.4.1 人工免疫系统算法及其理论发展 55
3.4.2 用于MIMO系统盲均衡的免疫多智能体系统 57
3.4.3 AIS算法应用前景 59
3.5 仿真算例 60
3.5.1 3种多智能体系统算法的参数分析 60
3.5.2 MIMO系统QPSK信号盲恢复 64
3.5.3 性能分析 66
3.5.4 3种多智能体系统的算法比较 66
本章小结 68
本章参考文献 68
第4章 基于支持向量机的信道估计和盲均衡方法 70
4.1 支持向量机的特点 71
4.2 支持向量机基本原理概述 71
4.2.1 学习问题 71
4.2.2 VC维和结构风险最小化原则 72
4.2.3 特征空间和核函数 74
4.2.4 支持向量分类 75
4.2.5 支持向量回归 78
4.3 基于ε-支持向量回归机的信道估计新方法 81
4.3.1 基于训练序列的信道估计建模 82
4.3.2 基于ε-支持向量回归机的信道估计 83
4.4 基于支持向量回归的MPSK信号盲检测 87
4.5 基于支持向量回归的QAM信号盲检测 90
4.6 基于星座匹配误差的支持向量机盲均衡算法 94
4.6.1 星座匹配误差算法概要 94
4.6.2 结合星座匹配算法的支持向量回归盲检测方法 94
4.6.3 代价函数的迭代解法 96
4.7 仿真算例 98
4.7.1 基于ε-支持向量回归机的信道估计试验 98
4.7.2 基于支持向量回归的MPSK盲均衡试验 101
4.7.3 基于星座匹配误差的支持向量回归QAM盲均衡算法试验 103
本章小结 106
本章参考文献 107
第5章 Hopfield反馈神经网络概述及其盲检测优化问题构建 109
5.1 神经动力学 110
5.2 Hopfiled神经网络概述 115
5.3 连续Hopfield神经网络基本原理概述 117
5.3.1 连续Hopfield神经元模型 118
5.3.2 连续Hopfield神经网络在优化计算中的说明 119
5.4 系统模型和信号盲检测优化问题构建 120
5.5 权阵配置 122
5.6 连续Hopfield神经网络盲检测算法的起始阶段变化规律 124
本章小结 125
本章参考文献 125
第6章 基于幅相激励的连续多阈值神经元Hopfield网络的信号盲检测 126
6.1 MPSK与QAM信号说明 126
6.2 优化函数和HNNCMVN结构 128
6.3 基于幅相联合激励法的激励函数设计 129
6.3.1 MPSK信号盲检测的连续相位多阈值激励函数 129
6.3.2 MPSK信号盲检测的连续相位多阈值EXP激励函数设计 129
6.3.3 MPSK信号盲检测的连续相位多阈值SIN激励函数设计 133
6.3.4 MPSK信号盲检测的连续相位多阈值激励函数与传统二节 激励函数的对比 133
6.3.5 QAM信号盲检测的连续幅度多阈值和相位多阈值激励函数设计 134
6.4 能量函数设计与证明和平衡条件 142
6.5 信号统计信息缺失的盲处理能力 147
6.6 仿真实验与分析 147
本章小结 161
本章参考文献 161
第7章 基于同相正交振幅激励的连续多阈值神经元Hopfield网络的密集QAM信号盲检测 162
7.1 密集QAM信号 163
7.2 连续振幅多阈值神经元复值激励函数 164
7.2.1 连续振幅多阈值SIN激励函数的设计 164
7.2.2 激励函数的逆函数积分和 165
7.2.3 激励函数的拐点、引点和斥点 166
7.2.4 激励函数的临界斜率 168
7.2.5 激励函数的临界斜率与衰减因子β的关系 171
7.2.6 从激励函数角度的放大因子范围确定 171
7.3 能量函数的设计和讨论 176
7.4 HNNCMVN盲处理方法具有高阶激励函数可激励低阶信号的能力 180
7.4.1 信号点“散布” 181
7.4.2 星座判决引导函数的设计 182
7.5 长接收序列情况处理 183
7.6 仿真实验与分析 184
本章小结 194
本章参考文献 194
第8章 基于泛函网络的信号盲处理方法 195
8.1 泛函网络概述 195
8.1.1 泛函网络的特点 195
8.1.2 泛函网络的结构 196
8.2 基于FN的信号直接盲检测的方法 196
8.2.1 用于信号盲检测的MIMO泛函网络设计 196
8.2.2 系统模型及其优化问题构建 197
8.2.3 神经函数б设计 199
8.2.4 神经函数的参数学习策略设计 199
8.3 仿真算例 200
8.3.1 FN盲处理算法仿真 200
8.3.2 正确检测率与数据量的关系 200
8.3.3 随机信道情况下不同学习率的算法性能 201
本章小结 201
本章参考文献 202