一、基于遗传算法和神经网络的多用户检测器（论文文献综述）
温少国[1]（2020）在《非正交多址中用户码本的设计和优化》文中研究指明近年来,移动通信技术获得了快速的发展,在系统容量、频谱利用、通信时延等方面都有显着的提升,但同时“物联网”的普及以及移动互联网业务量的爆炸式增长也给移动通信技术提出了新的挑战。一方面,移动设备接入量迅速扩增,未来移动通信网络需要更大的系统容量;另一方面,频谱资源有限,新一代移动通信技术需要更有效地利用频谱资源。非正交多址技术允许用户信号以非正交的方式共同占用通信资源,可以有效地提升频谱利用率和系统容量。由于用户的信息是经过码本映射后叠加在同一个资源节点上发送,在检测时难免会存在用户间的干扰,需要设计和优化合适的码本用以区分不同的用户信号,这在非正交多址系统中起着至关重要的作用,因此本文主要是针对非正交多址中的用户码本进行设计和优化,以进一步提升系统的性能。本文首先构建统一的非正交多址模型以及提出通用的码本设计,将多个可优化的信号域融入一个映射矩阵中,同时从系统容量和译码错误率两个方面对系统进行理论评估,并以这两个评估指标作为目标对码本进行优化。其次,本文基于上述的通用码本采用了新的损失函数并提出使用批量梯度下降法去联合优化码本,在密集连接或是对多个信号域做联合优化时,该方法比遗传算法等启发式搜索算法复杂度更低、收敛速度更快,仿真结果显示本方法获得的方法具有更优的误码性能。最后,本文创新性地提出将星座重排应用在非正交多址系统中,使之成为一个新的可优化域,通过改进后的模拟退火算法去优化得到最优的重映射方式,改善了传统的功率域和相位域码本优化对信道状态信息的估计准确性比较敏感的问题,并且可以进一步提高系统的误码性能。
邹丽[2]（2013）在《基于智能算法多用户检测技术的研究》文中提出码分多址技术是一种在蜂窝和个人通信中扮演重要角色的复用技术，由于该技术中各用户使用的扩频码并非严格正交，从而产生了多址干扰等问题。当用户数较少时，产生的多址干扰很小，但是当系统中用户数增多或者信号功率增大时，多址干扰就成了系统的主要干扰，从而成为制约CDMA通信系统发展的一大难题。因此，要想提升系统性能和容量，首先要考虑如何才能有效地抑制多址干扰。而解决多址干扰问题的一种有效方法是多用户检测技术，它把多址干扰当作一种具有一定结构的有效信息，而不是简单地看作干扰噪声，这样就能充分地利用各用户间的相互关联进行联合检测，大幅度地提升了系统的性能。本文主要研究的是智能算法在多用户检测中的应用。最优多用户检测在降低多址干扰和“远近”效应方面有很好的效果，但是它具有与用户数成指数增长的计算复杂度，这在当前的硬件水平下是不可能实现的。最优多用户检测可以看成一个组合优化问题，可以将智能算法应用到寻优过程中。因此，深入研究智能优化算法，将其与多用户检测技术有机结合，探索具有较低计算复杂度的能够抑制多址干扰和远近效应的检测方法具有重要的意义。本文从CDMA系统出发，首先研究了几种典型的多用户检测技术，并分析了其优缺点。介绍了遗传算法和离散Hopfield神经网络，利用两者在解决组合优化问题上的优点，将两种算法有机结合起来，提出了一种基于遗传算法和离散Hopfield神经网络的多用户检测器，利用遗传算法为神经网络提供一个较好的初始解，在此基础上，神经网络按梯度下降的机制进行局部寻优。介绍了模拟退火算法，考虑到遗传算法容易陷入局部最优，将模拟退火思想融入遗传算法中，并设计了自适应交叉概率和变异概率，提出了自适应模拟退火遗传算法，该算法能够使遗传算法避免早熟收敛，由于模拟退火算法具有良好的爬山性能，使遗传算法的性能得到了提升，最终搜索到最优解。提出了基于禁忌搜索的多用户检测算法，采用传统检测器的输出作为搜索的初始解，邻域选择与当前解汉明距为1的解，搜索过的解构成禁忌表。这种算法可以得到良好的检测性能。考虑到初始解的选择对禁忌搜索的性能的影响很大，故选择模拟退火遗传算法的输出作为搜索的初始解。计算机仿真表明，这种混合算法的误码率曲线与最优多用户检测的很接近，且具有较高的收敛速度。
张鹏飞[3]（2011）在《3G多用户检测技术分析与研究》文中研究指明在扩频通信技术上发展而来的CDMA码分多址技术具有很多的优点,这个技术实现了系统通信量大,信号涵盖面积大,通话质量优秀,对各种干扰具有很强的抵抗作用,特别是在安全方面具有保密性强等方面是非常成功的。弥补了现在通信系统的不足,并且完全可以用来满足未来通信系统的诸多要求。所以一般都认为码分多址技术就是第三代和第四代移动通信的首先技术。当然目前来说CDMA技术并不是十全十美,这个技术还需要进一步的完善。目前来说这个系统的两大主要缺陷就是码间干扰（ISI）和多址干扰（MAI）。在一般情况下,还会出现远近效应问题。为了消除码分多址系统中的MAI,增强系统的承载能力,本论文就针对这种情况利用遗传算法来训练RBF网络,并将优化后的RBF神经网络应用到多用户检测中。从而实现消除MAI和ISI,缓解远近效应问题,从而彻底改善系统性能,提高系统容量。由于RBF神经网络是一种典型的局部逼近网络,容易陷入局部最小。本论文提出利用遗传算法来确定RBF网络的结构和输出层权值。本论文提出利用混合梯度遗传算法来确定RBF网络,在利用最小二乘方法来确定输出层权值的实验研究中发现算法会出现矩阵奇异,不可行解等问题,于是就利用了奇异值分解法解决这些问题。最终很好的消除了MAI和ISI等问题,改善了系统性能,提高了系统容量。
彭海燕[4]（2011）在《基于量子克隆遗传算法的多用户检测研究》文中研究指明随着社会的进步与发展,DS-CDMA移动通信技术也得到了飞跃的发展。到目前为止,已经发展到第三代（3G）移动通信,它给人们的日常生活和工作带来了更加方便、快捷的服务。但随着多媒体业务以及高速数据业务内容的不断丰富,这就要求新一代的移动通信必须具有更高的系统容量。在目前所采用的DS-CDMA移动通信系统中,随着用户数量的增多,用户之间的干扰也越来越严重,其中最主要的干扰就是多址干扰（MAI）,它是一种小区内用户之间的干扰。它的存在严重制约了移动通信系统的性能和系统容量。这迫使研究者们去寻找一种能消除多址干扰的技术,由此提出了多用户检测技术。多用户检测技术的基本思想就是把多址干扰作为一种有用的用户信息加以利用,而不是将其简单地看作干扰噪声来处理掉,它能有效地消除多址干扰或将多址干扰减少到最低,从而达到提高系统的性能和容量的目的。由于现有的量子克隆遗传算法在算法中增加了免疫克隆策略,避免了算法的盲目性和随机性,能避免早熟,具有加速收敛的特点,但是该算法性能的提升是以扩大空间搜索范围,增加计算时间为代价的;而且,算法中采用根据量子的叠加特性和量子跃迁的理论而设计的量子旋转门的变异策略,使得量子门的全局最优搜索方向的确定存在盲目性。为此,针对这些缺陷,在李阳阳[5]给出的量子克隆遗传算法的基础上,在进化早期,采用小生境协同进化策略初始化量子种群,便于最优染色体的寻优;在进化中期,引入量子全干扰交叉,在整个种群内进行信息传递,避免陷入局部极值点,加速算法收敛,同时使用自适应量子旋转角更新策略,加速最优解的搜索;在进化后期,为避免早熟和进化停滞,采用量子灾变策略,使用优体全干扰交叉,使种群从各个不同方向搜索目标解,由此给出了一种改进的量子克隆遗传算法（Improved Quantum Clone Genetic Algorithm, IQCGA）。经全局收敛性证明和性能测试表明,IQCGA算法具有种群多样性好、全局寻优能力强、搜索效率高、收敛速度快、算法效率适当的特点,可以应用到组合优化问题中。多用户检测是一个组合优化问题,基于IQCGA,给出了DS-CDMA系统的多用户检测算法。利用Matlab将其与基于遗传算法的多用户检测器（GA-MUD）、基于量子遗传算法的多用户检测器（QGA-MUD）和基于量子克隆遗传算法的多用户检测器（QCGA-MUD）进行仿真对比,仿真结果表明:IQCGA-MUD的误码率、收敛速度、抗多址干扰能力和抗“远近”效应的能力均优于GA-MUD、QGA-MUD和QCGA-MUD。
高洪元[5]（2010）在《多用户检测中的智能信息处理理论研究》文中认为随着无线移动通信技术的快速发展,人们的工作和日常生活变得更加便捷、丰富。无论是第三代还是第四代移动通信系统都需要更大的系统容量,才能为用户提供更丰富的多媒体业务及高速数据传输业务。众所周知,CDMA通信系统是一种严重受干扰限制的系统,多址干扰和远近效应是这种通信系统很难避免的主要干扰。如何有效地抑制多址干扰和远近效应,提高通信系统性能和容量具有很重要的理论价值和现实意义。解决这些问题的一种有效方法就是在接收端使用多用户检测技术,多用户检测不是把多址干扰和远近效应简单地看作干扰噪声来处理,而是把他们作为一种有用的信息,充分地利用各用户间的关联进行联合检测,提高系统的检测性能和系统容量,因此多用户检测成为CDMA通信系统的一个关键技术。最优多用户检测使用的穷尽搜索方法具有指数级的计算复杂度,这在当前的硬件水平下是不可能实现的。无论DS-CDMA还是MC-CDMA系统的最优或准最优多用户检测都可以看作一个组合优化问题,可以用智能计算方法解决。因此,深入研究智能优化理论,将智能优化的优化机理和多用户检测技术相结合,研究能够抑制多址干扰（MAI）和远近效应并具有低误码率（BER）和低计算复杂度的智能检测方法具有深远的意义,也是本文要解决的主要难题。本文研究了在高斯和冲击噪声环境下DS-CDMA系统和MC-CDMA系统的多用户检测模型,同时深入研究了智能信息处理理论,提出了一系列智能计算新方法,结合工程难题设计了多种基于智能计算的多用户检测方法。在多用户检测和智能信息处理理论研究方向,本论文的主要内容和创新如下：1.为了有效控制各个用户的功率,研究了三个测向难题,提出了解决这些技术难题的测向目标函数,并且设计了三种智能计算方法去分别求解目标函数：文化量子算法、差分粒子群算法和文化蜂群算法。所设计的三种测向方法不仅可有效用于多用户检测技术的功率控制,而且还可推广到其它应用测向技术的领域。提出的基于文化量子算法的广义加权子空间拟合测向突破了基于四阶累积量测向的一些局限。提出的基于差分粒子群算法的分数低阶协方差子空间拟合测向方法更适于冲击噪声环境下测向。所提基于文化蜂群算法的非圆极大似然测向方法更有效地利用了信号的非圆信息。2.针对DS-CDMA系统最优多用户检测器计算量大的缺点,提出了使用智能计算方法解决这个矛盾的三种框架。在每一种框架下,设计了一种新的智能计算方法完成最优多用户检测器的设计。仿真结果表明基于神经网络粒子群、免疫克隆量子算法和克隆量子算法的三种智能多用户检测器都具有结构简单和检测性能优的特点,适用于不同环境下的应用要求。3.结合神经网络和量子计算的特点,提出了新型的量子神经网络和量子混沌神经网络。所提的量子神经网络和量子混沌神经网络把量子演进机制和神经元的特点较完美的结合起来,具有更好的检测性能。使用所提的量子神经网络和量子混沌神经网络不仅可设计出有效的多用户检测方法,而且还可推广到一些可用Hopfield神经网络解决的组合优化问题。然后,基于量子机制和蛙跳算法的原理设计了量子蛙跳算法,与量子神经网络结合得到一种快速收敛的智能多用户检测方法。4.在给出了MC-CDMA系统的数学模型基础上,基于随机Hopfield神经网络、量子神经网路和两种群集智能,提出了神经网络鱼群算法多用户检测器和免疫蚁群算法多用户检测器,在多径衰落信道环境下验证了所设计的两种MC-CDMA检测器具有接近最优检测器的优良性能。5.在讨论了非高斯噪声DS-CDMA和MC-CDMA系统的多用户检测数学模型基础上,给出两种鲁棒多用户检测模型。结合DNA计算、群集智能和免疫系统的相关理论,提出了DNA克隆选择算法和DNA鱼群算法,设计了三种鲁棒多用户检测器以适合不同的冲击噪声背景的检测需要。
侯香存[6]（2010）在《基于神经网络的盲多用户检测算法的研究》文中提出在3G移动通信CDMA系统中,主要的干扰有多址干扰、多径衰落、“远-近”效应、噪声和窄带干扰。多用户检测技术是CDMA通信系统的一个关键技术,由于CDMA系统是一个干扰受限系统,随着干扰的消除,系统的容量和性能都将会得到提高。多用户检测技术将各用户发送的信号做联合检测,此方式缓解了远近效应问题,有效地消除了多址干扰,改善了系统性能,提高了系统容量。但是,其实现复杂度高,一般只用于基站,而对于移动台一般采用盲多用户检测。在神经网络理论迅速发展的同时,人们也加强了其在通信领域应用的研究。近年来,基于神经网络的盲多用户检测结合了盲多用户检测对已知信息量需求少和神经网络运算速度快,并行处理能力强的优点,而成为研究的热点。本文对无线多径衰落信道条件下的盲多用户检测的两种算法进行了研究和分析。第一种是将BP神经网络和MMSE准则结合起来的BP-MMSE算法。第二种是将改进的遗传算法与BP神经网络相结合并应用于盲多用户检测。仿真结果表明第一种算法相对于单纯的MMSE准则的盲多用户检测算法具有更好的收敛特性,但是其抗远近效应能力却有待进一步提高。而第二种是将遗传算法全局搜索最优和传统的BP神经网络模型局部寻优结合起来,取长补短,既可以减小遗传算法的搜索空间、提高搜索效率,又可以较容易地收敛到最优解,使算法具有一定的实用性。且仿真结果表明:基于遗传算法的BP神经网络盲多用户检测算法其收敛性相对于第一种算法收敛性更好,系统误码率更低,并且在某种程度上能够有效地抑制多址干扰,抗远近效应的能力也更强。
陈英,周焱[7]（2010）在《煤矿通信中遗传神经网络的最优多用户检测研究》文中指出给出了煤矿通信中遗传神经网络在最优多用户检测中的应用及性能分析,通过仿真发现很好地逼近了最优多用户检测的性能,而且在一定程度上解决了最优多用户检测中的复杂度问题。在典型信道中对该算法进行了性能分析,得出基于遗传神经网络的方法具有较理想的误码率结果和抗远近效应性能。
岳克强[8]（2009）在《智能优化算法及在通信中的应用研究》文中提出以模仿自然与生物机理为特征的智能优化算法,能够解决传统优化方法难以处理的问题,从而成为研究热点。本文主要研究量子遗传算法、粒子群算法、混合蛙跳算法、免疫克隆算法性能的改进及其在多用户检测和盲均衡中的应用。最优多用户检测能有效抑制多址干扰（MAI）、多径干扰,且可以减少远近效应,但计算复杂度高,因此寻找计算复杂度合理,而性能接近最优多用户检测的次优检测方法是本文的主要内容。本文首先提出了一种改进的量子遗传算法（MQGA）,改进算法中通过小生境协同进化策略初始化量子种群,并采用自适应更新旋转角策略;随后提出了基于MQGA的多用户检测算法（MQGA-MUD）,仿真结果表明MQGA-MUD性能要优于基于遗传算法的多用户检测算法（GA—MUD）和基本量子遗传算法的多用户检测算法（QGA-MUD）。然后提出了离散化的混合蛙跳算法（DSFLA）,为了增加青蛙种群的多样性,提高蛙跳算法性能,本文分别把神经网络、免疫算法和克隆算法引入蛙跳算法中,加快蛙跳算法的收敛速度,使得算法能跳出局部解,向全局最优进化;提出了神经蛙跳算法（HDSFAL）、免疫蛙跳算法（IDSFLA）和克隆蛙跳算法（KDSFLA）;并将它们分别应用到多用户检测,提出了基于DSFLA的多用户检测算法（DSFLA-MUD）、基于HDSFAL的多用户检测算法（HDSFLA-MUD）、基于IDSFLA的多用户检测算法（IDSFLA-MUD）和基于KDSFLA的多用户检测算法（KDSFLA-MUD）。仿真结果表明,本文所提出的DSFLA—MUD的性能与MQGA-MUD相当;HDSFLA-MUD的性能优于DSFLA-MUD ; IDSFLA-MUD和KDSFLA-MUD性能相近,都优于HDSFLA-MUD,是本文所设计的性能最好的多用户检测算法。盲均衡技术能有效克服码间干扰,得到了广泛的应用。本文根据归一化原理,首先推导了六、二阶归一化累积量盲均衡准则。然后为了改进连续混合蛙跳算法性能,提出了新的更新策略,在此基础上提出了优选蛙跳算法（SSFLA）和拉伸蛙跳算法（NSFLA）,并将它们应用于盲均衡中,得到了基于SSFLA的盲均衡算法和基于NSFLA的盲均衡算法。仿真结果表明,基于六、二阶归一化累积量盲均衡准则的算法有较好的性能;所提出的基于SSFLA的盲均衡算法和基于NSFLA的盲均衡算法的性能要优于基于基本蛙跳的盲均衡算法。为了提高基本粒子群算法求解连续优化问题的能力,提出一种具有中心交流机制的改进双种群粒子群算法,结合协同进化算法理论,随后提出概率选择的改进双种群协同的粒子群算法（PIDPSO）,将PIDPSO应用到盲均衡中,得到了基于PIDPSO的盲均衡算法。仿真结果表明,所提出的基于PIDPSO的盲均衡算法的性能优于基于普通的双种群协同粒子群算法的盲均衡算法和基于基本粒子群算法的盲均衡算法。
常禹[9]（2009）在《基于混合遗传算法的多用户检测技术研究》文中研究指明码分多址（CDMA）技术是3G的主流技术,它用不同的地址码区分不同的用户,但实际的地址码间不能达到完全正交,这就给系统带来了多址干扰,多址干扰的存在严重影响了CDMA的系统性能,多用户检测技术即是消除多址干扰的一种关键技术。最优多用户检测器性能最优但复杂度随用户数呈指数增长,不适用于实际通信系统,同时理论证明最优多用户检测是一种典型的NP完备问题,而优化算法是解决此类问题的有效方法。本文主要进行了以下几个方面的工作:1)在研究扩频通信原理以及CDMA同步系统模型的基础上,研究了多用户检测的基本原理、系统模型以及几种典型的多用户检测方法,并对这几种多用户检测方法的性能进行了分析比较。2)将基本遗传算法应用于多用户检测中,利用遗传算法较好的全局搜索能力搜索最优解,并与几种典型的多用户检测方法进行比较。3)重点研究了两种混合遗传算法多用户检测,即基于模拟退火遗传算法的多用户检测和基于串行、并行两种工作方式的Hopfield神经网络遗传算法多用户检测,混合遗传算法一方面使用全局搜索能力强的遗传算法来保证得到全局最优解,另一方面利用局部搜索能力较强的模拟退火算法和Hopfield神经网络算法来进行局部寻优,提高搜索速度。实验结果表明,使用混合遗传算法的检测器不仅在消除多址干扰和抗远近效应能力上有了改善,而且在计算量上也要小于基本遗传算法检测器所需计算量,因此这两种混合遗传算法检测方法都是可靠高效的现代多用户检测方法。
王鸿斌,王砚,张立毅,王华奎[10]（2009）在《基于RBF神经网络混合遗传算法的多用户检测》文中提出提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数,引入了改进的染色体编码方案,用基于奇异值分解的最小二乘法计算网络输出层权值,提高了遗传搜索的效率,精简了网络结构。并用变学习速率梯度下降法优化遗传训练出的最优网络,应用到多用户检测中。仿真结果表明,新混合学习算法训练出的网络结构优于其它算法训练的网络结构,并且性能良好。
二、基于遗传算法和神经网络的多用户检测器（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于遗传算法和神经网络的多用户检测器（论文提纲范文）
（1）非正交多址中用户码本的设计和优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 概述 |
| 1.1 选题背景 |
| 1.2 非正交多址技术的发展现状 |
| 1.3 用户码本设计与优化的研究现状 |
| 1.4 论文主要研究内容及结构安排 |
| 1.4.1 论文的主要内容 |
| 1.4.2 论文的结构安排 |
| 第二章 非正交多址的统一模型构建 |
| 2.1 非正交多址系统 |
| 2.1.1 统一模型的构建 |
| 2.1.2 通用码本设计 |
| 2.2 系统理论性能评估 |
| 2.2.1 和速率 |
| 2.2.2 成对差错概率 |
| 2.3 基于消息传递的迭代检测译码算法 |
| 2.4 本章总结 |
| 第三章 基于批量梯度下降法的联合码本优化 |
| 3.1 梯度下降法 |
| 3.1.1 梯度下降法简介 |
| 3.1.2 梯度下降法在码本优化中的可行性 |
| 3.2 基于批量梯度下降的码本优化 |
| 3.2.1 前向传播过程 |
| 3.2.2 不带约束的反向传播过程 |
| 3.2.3 带约束的反向传播过程 |
| 3.3 优化结果以及分析 |
| 3.3.1 不带约束下的优化结果 |
| 3.3.2 带约束下的优化结果 |
| 3.3.3 瑞利信道下优化结果 |
| 3.4 多层NOMA的码本优化结果 |
| 3.5 本章总结 |
| 第四章 基于星座重排的码本设计与优化 |
| 4.1 星座重排介绍 |
| 4.2 基于星座重排的优化 |
| 4.3 优化结果及分析 |
| 4.3.1 不同因子图下的优化结果 |
| 4.3.2 联合星座图分析 |
| 4.3.3 BER性能及分析 |
| 4.4 本章总结 |
| 第五章 总结与展望 |
| 5.1 本文的主要工作和贡献 |
| 5.2 下一步的研究方向 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（2）基于智能算法多用户检测技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 CDMA 移动通信系统研究背景及意义 |
| 1.2 第三代移动通信系统及其关键技术 |
| 1.2.1 第三代移动通信系统 |
| 1.2.2 3G 系统的关键技术 |
| 1.3 多用户检测研究的现状 |
| 1.4 本文的组织结构 |
| 第2章 CDMA 系统模型及多用户检测的基本概论 |
| 2.1 多用户检测的数学模型及性能测度 |
| 2.1.1 同步 CDMA 系统接收模型 |
| 2.1.2 异步 CDMA 系统接收模型 |
| 2.1.3 多用户检测的性能测度 |
| 2.2 扩频码 |
| 2.2.1 m 序列的结构及性质 |
| 2.2.2 Gold 码的产生 |
| 2.3 几种多用户检测方法介绍 |
| 2.3.1 传统检测器 |
| 2.3.2 最优多用户检测器 |
| 2.3.3 解相关检测器 |
| 2.3.4 线性最小均方误差检测器 |
| 2.4 计算机仿真结果 |
| 2.5 本章小结 |
| 第3章 遗传算法在多用户检测中的应用 |
| 3.1 遗传算法简介 |
| 3.1.1 遗传算法的基本思想 |
| 3.1.2 遗传算法的一般步骤 |
| 3.1.3 遗传算法的基本算子 |
| 3.2 遗传算法应用于多用户检测 |
| 3.2.1 算法的基本操作 |
| 3.2.2 计算机仿真 |
| 3.3 基于遗传算法和离散 HOPFIELD 神经网络的多用户检测 |
| 3.3.1 离散 Hopfield 神经网络 |
| 3.3.2 遗传算法和神经网络在多用户检测中的应用 |
| 3.3.3 计算机仿真 |
| 3.4 基于遗传算法和模拟退火算法的多用户检测 |
| 3.4.1 模拟退火算法 |
| 3.4.2 模拟退火遗传算法 |
| 3.4.3 基于模拟退火遗传算法的多用户检测 |
| 3.4.4 计算机仿真 |
| 3.5 本章小节 |
| 第4章 基于禁忌搜索算法多用户检测的研究 |
| 4.1 禁忌搜索算法 |
| 4.1.1 禁忌搜索算法中的几个概念 |
| 4.1.2 禁忌搜索算法的描述 |
| 4.2 基于变禁忌长度禁忌搜索的多用户检测方法 |
| 4.3 基于模拟退火遗传禁忌搜索的多用户检测 |
| 4.3.1 模拟退火遗传禁忌搜索算法设计 |
| 4.3.2 计算机仿真 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（3）3G多用户检测技术分析与研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 移动通信技术的发展 |
| 1.2 码分多址技术 |
| 1.3 多用户检测技术的研究现状 |
| 1.4 本论文主要工作 |
| 第二章 空时二维CDMA系统与神经网络 |
| 2.1 空时信号模型 |
| 2.2 空时二维接收机 |
| 2.3 人工神经网络 |
| 2.4 HOPFIELD神经网络在多用户检测的应用 |
| 2.5 混沌神经网络在组合优化中的应用 |
| 第三章 遗传算法 |
| 3.1 遗传算法 |
| 3.2 遗传算法的基本步骤和编码 |
| 3.3 基于二进制编码的遗传算法 |
| 3.4 递阶遗传算法优化RBF网络 |
| 3.5 混和梯度遗传算法优化RBF网络 |
| 第四章 基于遗传算法的RBF网络多用户检测 |
| 4.1 遗传编码的优化 |
| 4.2 参数选择 |
| 4.3 种群初始化设置 |
| 4.4 选择适应度函数 |
| 4.5 遗传算法的具体操作 |
| 第五章 DS-CDMA系统仿真实验 |
| 5.1 DS-CDMA系统信道模型 |
| 5.2 传统检测器模型 |
| 5.3 连续时间信号模型 |
| 5.4 离散时间信号模型 |
| 5.5 基于OLS算法的RBF网络 |
| 5.6 不同多用户检测器的比较 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（4）基于量子克隆遗传算法的多用户检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 多用户检测研究的背景及意义 |
| 1.2 量子行为优化算法的研究现状 |
| 1.3 多用户检测的研究现状 |
| 1.4 论文结构及内容安排 |
| 第二章 量子行为优化算法 |
| 2.1 量子计算原理 |
| 2.1.1 量子位与量子门 |
| 2.1.2 量子寄存器 |
| 2.1.3 状态的叠加 |
| 2.1.4 状态的相干 |
| 2.2 量子行为优化算法 |
| 2.2.1 量子粒子群优化算法 |
| 2.2.2 量子神经网络 |
| 2.2.3 量子蚁群算法 |
| 2.2.4 量子遗传算法 |
| 2.2.5 量子克隆遗传算法 |
| 2.3 量子优化算法的对比分析 |
| 2.4 本章小结 |
| 第三章 多用户检测技术研究 |
| 3.1 多用户检测技术的原理 |
| 3.1.1 多用户检测的系统模型 |
| 3.1.2 多用户检测的工作原理 |
| 3.2 多用户检测器的性能指标和分类 |
| 3.2.1 多用户检测器的性能指标 |
| 3.2.2 多用户检测器的分类 |
| 3.3 几种典型的多用户检测器 |
| 3.3.1 最优多用户检测器(OMD) |
| 3.3.2 最小输出能量（MOE）盲检测器 |
| 3.3.3 并行干扰消除(PIC)检测器 |
| 3.3.4 基于遗传算法的多用户检测器 |
| 3.3.5 基于量子遗传算法的多用户检测器 |
| 3.3.6 基于量子克隆遗传算法的多用户检测器 |
| 3.3.7 基于蚁群算法的多用户检测器 |
| 3.4 仿真及分析 |
| 3.5 本章小结 |
| 第四章 基于改进的量子克隆遗传算法的多用户检测器 |
| 4.1 IQCGA 算法基础 |
| 4.1.1 量子编码 |
| 4.1.2 量子交叉 |
| 4.1.3 量子旋转门 |
| 4.2 IQCGA 算法操作策略 |
| 4.2.1 小生境概率划分初始化策略 |
| 4.2.2 量子全干扰交叉策略 |
| 4.2.3 量子旋转门自适应更新策略 |
| 4.2.4 优体全干扰交叉量子灾变策略 |
| 4.2.5 免疫克隆策略 |
| 4.3 IQCGA 算法描述 |
| 4.3.1 初始化阶段 |
| 4.3.2 迭代进化阶段 |
| 4.4 IQCGA 的全局收敛性证明 |
| 4.5 IQCGA 的性能测试 |
| 4.6 基于IQCGA 的多用户检测器 |
| 4.7 本章小结 |
| 第五章 仿真与分析 |
| 5.1 计算复杂度分析 |
| 5.2 参数影响分析 |
| 5.3 仿真结果与分析 |
| 5.3.1 在同步DS-CDMA 系统中仿真 |
| 5.3.2 在异步DS-CDMA 系统中仿真 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 1.本文内容总结 |
| 2.下一步工作展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（5）多用户检测中的智能信息处理理论研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 多用户检测的研究意义 |
| 1.3 多用户检测的研究概况 |
| 1.4 论文涉及的智能计算方法概述 |
| 1.4.1 人工免疫系统 |
| 1.4.2 DNA计算 |
| 1.4.3 神经网络 |
| 1.4.4 群集智能 |
| 1.4.5 量子计算智能 |
| 1.4.6 文化算法 |
| 1.5 论文的主要内容和结构安排 |
| 第2章 无线通信中的多用户检测基础理论 |
| 2.1 多用户检测的数学模型 |
| 2.1.1 噪声模型简述 |
| 2.1.2 高斯噪声下的多用户检测数学模型 |
| 2.2 多用户检测的性能测度 |
| 2.3 高斯噪声环境的典型多用户检测方法 |
| 2.3.1 传统检测器 |
| 2.3.2 最优多用户检测器 |
| 2.3.3 去相关多用户检测器 |
| 2.3.4 遗传演进多用户检测器 |
| 2.3.5 粒子群优化多用户检测器 |
| 2.4 计算机仿真 |
| 2.5 本章小结 |
| 第3章 多用户功控的智能测向理论研究 |
| 3.1 文化量子算法实现的广义加权子空间拟合测向 |
| 3.1.1 广义加权信号子空间拟合测向算法 |
| 3.1.2 文化量子算法 |
| 3.1.3 基于文化量子算法的广义高阶加权信号子空间拟合测向 |
| 3.2 基于差分粒子群优化的分数低阶协方差测向 |
| 3.2.1 重构分数低阶协方差的子空间拟合测向算法 |
| 3.2.2 自适应差分粒子群 |
| 3.2.3 基于自适应差分粒子群的冲击噪声测向 |
| 3.3 非圆信号的文化蜂群测向研究 |
| 3.3.1 文化蜂群算法 |
| 3.3.2 二维非圆信号的极大似然测向 |
| 3.3.3 基于文化蜂群算法的非圆信号测向 |
| 3.4 计算机仿真与实验结果分析 |
| 3.4.1 广义高阶子空间拟合测向仿真 |
| 3.4.2 分数低阶协方差测向算法仿真 |
| 3.4.3 二维非圆信号测向方法仿真 |
| 3.5 本章小结 |
| 第4章 DS-CDMA系统的智能最优多用户检测框架 |
| 4.1 基于神经网络个体的最优多用户检测框架 |
| 4.1.1 神经网络个体多用户检测框架 |
| 4.1.2 同步CDMA系统的神经网络粒子群多用户检测器 |
| 4.1.3 计算复杂度分析 |
| 4.1.4 计算机仿真 |
| 4.2 神经网络制作疫苗的最优多用户检测器框架 |
| 4.2.1 神经网络制备疫苗的方法框架 |
| 4.2.2 量子计算基本概念 |
| 4.2.3 基于免疫克隆量子算法的多用户检测器 |
| 4.2.4 计算复杂度分析 |
| 4.2.5 计算机仿真 |
| 4.3 基于克隆量子算法的多用户检测 |
| 4.3.1 克隆量子算法 |
| 4.3.2 基于克隆量子算法的多用户检测器 |
| 4.3.3 计算复杂度分析 |
| 4.3.4 计算机仿真 |
| 4.4 本章小结 |
| 第5章 量子神经网络多用户检测技术研究 |
| 5.1 基于量子Hopfield神经网络的多用户检测器 |
| 5.1.1 量子Hopfield神经网络 |
| 5.1.2 基于量子神经网络的多用户检测 |
| 5.2 基于量子混沌神经网络的多用户检测器 |
| 5.2.1 混沌神经网络 |
| 5.2.2 基于量子混沌神经网络的多用户检测 |
| 5.3 基于量子神经网络和量子蛙跳算法的多用户检测器 |
| 5.3.1 量子蛙跳算法 |
| 5.3.2 基于量子蛙跳算法和量子神经网络的多用户检测 |
| 5.4 计算机仿真 |
| 5.4.1 基于量子神经网络的多用户检测器仿真 |
| 5.4.2 基于量子混沌神经网络的多用户检测器仿真 |
| 5.4.3 基于量子蛙跳和量子神经网络的多用户检测器仿真 |
| 5.5 本章小结 |
| 第6章 群集智能在MC-CDMA多用户检测中的应用 |
| 6.1 MC-CDMA多用户检测模型 |
| 6.2 基于神经网络鱼群算法的多用户检测 |
| 6.2.1 神经网络鱼群算法 |
| 6.2.2 基于神经网络鱼群算法的多用户检测 |
| 6.3 基于免疫蚁群算法的多用户检测 |
| 6.3.1 简化蚁群算法 |
| 6.3.2 基于免疫蚁群算法的多用户检测 |
| 6.4 计算机仿真 |
| 6.4.1 基于神经网络鱼群算法的多用户检测仿真 |
| 6.4.2 基于免疫蚁群算法的多用户检测仿真 |
| 6.5 本章小结 |
| 第7章 基于DNA计算的鲁棒多用户检测器 |
| 7.1 鲁棒多用户检测模型 |
| 7.1.1 DS-CDMA鲁棒多用户检测 |
| 7.1.2 MC-CDMA鲁棒多用户检测 |
| 7.2 基于DNA鱼群计算的CDMA鲁棒多用户检测 |
| 7.2.1 DNA鱼群算法 |
| 7.2.2 DNA鱼群算法的鲁棒多用户检测器 |
| 7.3 基于DNACSA算法的MC-CDMA系统的鲁棒检测器 |
| 7.3.1 DNA编码的克隆选择算法 |
| 7.3.2 基于DNACSA算法的MC-CDMA鲁棒检测器 |
| 7.4 计算机仿真 |
| 7.4.1 基于DNA人工鱼群算法的鲁棒多用户检测仿真 |
| 7.4.2 基于DNACSA算法的MC-CDMA鲁棒多用户检测仿真 |
| 7.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
（6）基于神经网络的盲多用户检测算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究盲多用户检测的意义 |
| 1.1.1 多用户检测技术存在的问题及其局限性 |
| 1.2 盲多用户研究的现状 |
| 1.3 盲多用户研究方向 |
| 1.4 论文章节安排 |
| 2 神经网络盲多用户检测的基本理论 |
| 2.1 神经网络的基本知识 |
| 2.1.1 人工神经网络的基本概念 |
| 2.1.2 人工神经网络的分类 |
| 2.1.3 人工神经网络的发展趋势及应用 |
| 2.2 神经网络盲多用户检测的基本原理 |
| 2.3 多用户检测器性能的评价参数 |
| 2.4 本章小结 |
| 3 BP 神经网络盲多用户检测 |
| 3.1 BP 神经网络结构及其算法 |
| 3.2 MMSE 准则与BP 算法的结合 |
| 3.3 数值仿真结果 |
| 3.4 本章小结 |
| 4 基于GA 的BP 网络盲多用户检测 |
| 4.1 遗传算法的基本知识 |
| 4.1.1 遗传算法的发展史 |
| 4.1.2 遗传算法定义 |
| 4.1.3 遗传算法特点 |
| 4.1.4 遗传算法的应用 |
| 4.2 基于GA 的BP 网络盲多用户检测 |
| 4.2.1 霍勒德遗传算法 |
| 4.2.2 改进的遗传算法 |
| 4.2.3 遗传算法的基本要素 |
| 4.2.4 GA 和BP 算法的结合 |
| 4.3 数值仿真结果 |
| 4.4 本章小结 |
| 5 总结 |
| 致谢 |
| 参考文献 |
（7）煤矿通信中遗传神经网络的最优多用户检测研究（论文提纲范文）
| 0 引言 |
| 1 最优多用户检测模型 |
| 2 基于遗传算法, 神经网络的多用户检测 |
| 3 遗传神经网络实现最优多用户检测 |
| 4 计算机仿真 |
（8）智能优化算法及在通信中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 智能优化算法的研究背景 |
| 1.2 多用户检测的发展及研究现状 |
| 1.3 盲均衡的发展及研究现状 |
| 1.4 本文的主要工作及章节安排 |
| 第2章 智能优化算法 |
| 2.1 量子遗传算法 |
| 2.1.1 量子遗传算法的基本原理 |
| 2.1.2 量子遗传算法参数的选择 |
| 2.2 粒子群算法 |
| 2.2.1 粒子群算法原理 |
| 2.2.2 粒子群算法参数的选择 |
| 2.3 混合蛙跳算法 |
| 2.3.1 蛙跳算法原理 |
| 2.3.2 蛙跳算法参数的选择 |
| 2.4 免疫克隆算法 |
| 2.4.1 免疫算法原理 |
| 2.4.2 克隆算法原理 |
| 2.4.3 算法参数的选择 |
| 2.5 本章小结 |
| 第3章 多用户检测和盲均衡基础知识 |
| 3.1 多用户检测 |
| 3.1.1 最优多用户检测 |
| 3.1.2 多用户检测的性能测度 |
| 3.2 盲均衡 |
| 3.2.1 盲均衡数学模型 |
| 3.2.2 盲均衡准则 |
| 3.2.3 盲均衡的性能指标 |
| 3.3 本章小结 |
| 第4章 智能优化算法在多用户检测中的应用 |
| 4.1 基于改进量子遗传算法的多用户检测 |
| 4.1.1 基本量子遗传算法 |
| 4.1.2 基于改进的量子遗传算法的多用户检测 |
| 4.1.3 算法仿真与性能分析 |
| 4.2 基于离散混合蛙跳算法的多用户检测 |
| 4.2.1 基于离散化的混合蛙跳算法的多用户检测 |
| 4.2.2 算法仿真与性能分析 |
| 4.2.3 离散蛙跳算法与粒子群算法的复杂度比较 |
| 4.3 基于神经网络蛙跳算法的多用户检测 |
| 4.3.1 离散Hopfield 神经网络 |
| 4.3.2 基于神经网络离散混合蛙跳算法的多用户检测 |
| 4.3.3 算法仿真与性能分析 |
| 4.4 基于免疫克隆蛙跳算法的多用户检测 |
| 4.4.1 免疫离散混合蛙跳算法 |
| 4.4.2 克隆离散混合蛙跳算法 |
| 4.4.3 基于IDSFLA 和KDSFLA 的多用户检测 |
| 4.4.4 算法仿真与性能分析 |
| 4.5 本章小结 |
| 第5章 基于智能优化算法的盲均衡技术 |
| 5.1 基于累积量的盲均衡新准则 |
| 5.2 基于改进蛙跳算法的盲均衡技术研究 |
| 5.2.1 新的更新策略 |
| 5.2.2 种群优选蛙跳算法 |
| 5.2.3 适应度拉伸蛙跳算法 |
| 5.2.4 两种基于改进蛙跳算法的盲均衡技术 |
| 5.2.5 算法仿真与性能分析 |
| 5.3 基于多协同进化粒子群算法的盲均衡技术 |
| 5.3.1 改进双种群协同的粒子群算法 |
| 5.3.2 基于多协同粒子群算法的盲均衡算法 |
| 5.3.3 算法仿真与性能分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于混合遗传算法的多用户检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 移动通信的发展 |
| 1.2 选题背景及研究意义 |
| 1.2.1 CDMA通信系统的特点 |
| 1.2.2 CDMA系统中的多址干扰(MAI) |
| 1.2.3 多用户检测技术研究概况 |
| 1.3 本文主要工作及内容安排 |
| 2 CDMA通信系统概述 |
| 2.1 CDMA通信系统工作原理 |
| 2.2 CDMA扩频通信基本概念及理论基础 |
| 2.3 直接序列扩频CDMA通信系统(DS-CDMA) |
| 2.4 CDMA系统中的关键技术 |
| 2.5 本章小结 |
| 3 多用户检测技术基本理论 |
| 3.1 多用户检测的系统模型 |
| 3.1.1 同步CDMA通信系统模型 |
| 3.1.2 多用户检测系统模型 |
| 3.2 多用户检测的性能测度 |
| 3.3 几种典型的多用户检测器 |
| 3.3.1 最优多用户检测器 |
| 3.3.2 传统检测器(Conventional detector,CD) |
| 3.3.3 解相关检测器(Decorrelating Detector,DD) |
| 3.3.4 最小均方误差检测器(Minimum Mean-Squared Error detector,MMSE) |
| 3.3.5 串行干扰消除检测器(Successive Interference Cancellation,SIC) |
| 3.3.6 并行干扰消除检测器(Parallel Interference Cancellation,PIC) |
| 3.4 计算机仿真及结果分析 |
| 3.5 本章小结 |
| 4 基于遗传算法的多用户检测 |
| 4.1 遗传算法概述 |
| 4.1.1 遗传算法的运算流程 |
| 4.1.2 适应度函数 |
| 4.1.3 遗传算子 |
| 4.1.4 遗传算法的优缺点及发展方向 |
| 4.2 基本遗传算法在多用户检测中的应用 |
| 4.3 计算机仿真及结果分析 |
| 4.4 本章小结 |
| 5 基于混合遗传算法的多用户检测:第一部分 |
| 5.1 模拟退火(SA)算法 |
| 5.1.1 物理退火过程 |
| 5.1.2 模拟退火算法原理及操作步骤 |
| 5.1.3 模拟退火算法的应用 |
| 5.2 模拟退火遗传算法 |
| 5.3 基于模拟退火遗传算法的多用户检测器 |
| 5.4 计算机仿真及结果分析 |
| 5.5 本章小结 |
| 6 基于混合遗传算法的多用户检测:第二部分 |
| 6.1 人工神经网络概述 |
| 6.2 Hopfield神经网络模型 |
| 6.2.1 离散Hopfield神经网络 |
| 6.2.2 连续Hopfield神经网络 |
| 6.3 Hopfield神经网络模型稳定性分析 |
| 6.3.1 离散Hopfield神经网络稳定性分析 |
| 6.3.2 连续Hopfield神经网络稳定性分析 |
| 6.4 离散Hopfield网络工作方式 |
| 6.5 Hopfield神经网络多用户检测器 |
| 6.6 基于混合遗传算法的多用户检测 |
| 6.6.1 遗传算法与Hopfield神经网络相结合的混合遗传算法 |
| 6.6.2 基于Hopfield神经网络遗传算法的多用户检测 |
| 6.7 计算机仿真与分析 |
| 6.8 本章小结 |
| 7 总结与展望 |
| 致谢 |
| 参考文献 |
四、基于遗传算法和神经网络的多用户检测器（论文参考文献）
- [1]非正交多址中用户码本的设计和优化[D]. 温少国. 北京邮电大学, 2020(04)
- [2]基于智能算法多用户检测技术的研究[D]. 邹丽. 哈尔滨工程大学, 2013(04)
- [3]3G多用户检测技术分析与研究[D]. 张鹏飞. 长春工业大学, 2011(05)
- [4]基于量子克隆遗传算法的多用户检测研究[D]. 彭海燕. 华东交通大学, 2011(05)
- [5]多用户检测中的智能信息处理理论研究[D]. 高洪元. 哈尔滨工程大学, 2010(05)
- [6]基于神经网络的盲多用户检测算法的研究[D]. 侯香存. 西安科技大学, 2010(05)
- [7]煤矿通信中遗传神经网络的最优多用户检测研究[J]. 陈英,周焱. 煤矿机械, 2010(04)
- [8]智能优化算法及在通信中的应用研究[D]. 岳克强. 杭州电子科技大学, 2009(02)
- [9]基于混合遗传算法的多用户检测技术研究[D]. 常禹. 南京理工大学, 2009(01)
- [10]基于RBF神经网络混合遗传算法的多用户检测[J]. 王鸿斌,王砚,张立毅,王华奎. 计算机工程与设计, 2009(05)