直扩码分多址系统中若干计算智能算法的多用户检测研究

发布时间：2017-10-29 05:27

  本文关键词：直扩码分多址系统中若干计算智能算法的多用户检测研究

  更多相关文章： CDMA 多用户检测 恒模算法 人工鱼群算法 克隆选择与变异

【摘要】：多用户检测技术作为无线通信范畴多址干扰的有效解决途径,其原理是将所有干扰用户的有用信息如幅度、用户码及时延等充分利用,以减小扩频码不完全正交而带来的负面影响,从而大幅度提高系统的性能。本文对最优及经典次优多用户检测技术进行了研究,并对传统检测器、解相关多用户检测器以及最小均分误差多用户检测器进行了详细讨论,通过仿真对其性能进行了验证与比较。由仿真研究结果验证了多用户检测具有“软容量”的特点,且其抗多址干扰和抗远近效应能力较强。本文针对非标准约束恒模盲多用户检测器的鲁棒性及信道跟踪能力较差的问题,通过定义基于瑞利分布变步长的步长函数公式,并将该新变步长公式与仅需知道两相邻信号幅值差的差分恒模相结合,巧妙避免了对目标幅值的搜索,由此提出基于瑞利分布变步长的非标准约束差分恒模算法(RDV-NSCDCMA)。由仿真研究结果可知RDV-NSCDCMA的抗多址干扰能力、抗远近效应能力以及信道跟踪能力即使在信噪比较低以及多址干扰较强的情况下,仍然优越于非标准约束恒模算法(NSCCMA)。本文针对自适应人工鱼群算法(AAFSA)搜索精度及保持开发与探索平衡能力较差的问题,以MMSE检测器次优解或其变异运算结果为人工鱼初值,目标函数及其约束条件为抗原,候选解为抗体,按正比亲和度克隆高亲和度抗体,且引入自适应变异算子,采用反比亲和度变异。另外为了抗体多样性的保证,按一定比例重新初始化低亲和力抗体,由此提出自适应克隆选择与变异的改进人工鱼群算法(ACSM-IAFSA),即基于最小均方误差和改进人工鱼群的多用户检测算法。由仿真研究结果可知ACSM-IAFSA的抗多址干扰能力、收敛速度以及抗远近效应能力均优越于其他两种人工鱼群算法,且新算法的保持种群多样性以及保持开发和探索平衡的能力也更佳。
【关键词】：CDMA 多用户检测 恒模算法 人工鱼群算法 克隆选择与变异
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN929.5
【目录】：

• 摘要6-7
• Abstract7-9
• 第一章 绪论9-15
• 1.1 课题的研究背景与意义9-11
• 1.2 多用户检测提出依据和研究现状11-12
• 1.3 群智能优化算法概述12-13
• 1.4 本文主要研究内容13-15
• 第二章 直扩码分多址移动通信系统15-32
• 2.1 扩频通信系统15-20
• 2.1.1 扩频通信系统的理论基础15-17
• 2.1.2 扩频方式17-20
• 2.2 扩频序列20-24
• 2.2.1 m序列21-22
• 2.2.2 gold序列22-24
• 2.3 直扩码分多址移动通信24-32
• 2.3.1 直扩码分多址系统的性能指标25-26
• 2.3.2 直接序列扩频CDMA系统模型26-27
• 2.3.3 高斯白噪声同步直扩CDMA信道模型27-28
• 2.3.4 高斯白噪声异步直扩CDMA信道模型28-32
• 第三章 多用户检测32-48
• 3.1 多用户检测技术32-35
• 3.1.1 多用户检测的分类33-34
• 3.1.2 最优多用户检测器34-35
• 3.2 多用户检测器的性能指标35-37
• 3.3 典型的多用户检测器37-44
• 3.3.1 解相关多用户检测器39-41
• 3.3.2 最小均方误差多用户检测器41-42
• 3.3.3 自适应多用户检测器42-44
• 3.4 性能仿真44-48
• 3.4.1 抗多址干扰能力44-45
• 3.4.2 噪声功率的影响45
• 3.4.3 用户数的影响45-46
• 3.4.4 抗远近效应能力46-48
• 第四章 恒模算法在盲多用户检测中的研究48-61
• 4.1 盲多用户检测48-51
• 4.1.1 盲多用户检测的典范表示49
• 4.1.2 盲多用户检测的自适应算法49-51
• 4.2 恒模盲多用户检测算法51-57
• 4.2.1 标准约束恒模盲多用户检测算法52-54
• 4.2.2 非标准约束恒模盲多用户检测算法54
• 4.2.3 非标准约束恒模的改进算法研究54-57
• 4.3 性能仿真57-61
• 4.3.1 抗多址干扰能力57-58
• 4.3.2 抗远近效应能力58-59
• 4.3.3 信道跟踪能力59-61
• 第五章 人工鱼群在多用户检测中的研究61-77
• 5.1 人工鱼群算法61-64
• 5.1.1 人工鱼群算法的结构模型61-63
• 5.1.2 人工鱼群算法的寻优与实现63-64
• 5.2 人工鱼群多用户检测算法64-72
• 5.2.1 自适应人工鱼群算法65-67
• 5.2.2 基于自适应克隆选择与变异的人工鱼群算法67-70
• 5.2.3 自适应克隆选择与变异的改进人工鱼群算法70-72
• 5.3 性能仿真72-77
• 5.3.1 抗多址干扰能力73-74
• 5.3.2 收敛速度74-75
• 5.3.3 抗远近效应能力75-77
• 第六章 总结与展望77-79
• 6.1 总结77-78
• 6.2 展望78-79
• 参考文献79-85
• 致谢85-86
• 攻读硕士学位期间撰写的论文86

，

本文编号：1111630