本文關鍵詞：基于神經網絡的無線通信算法研究

  更多相關文章： 智能優(yōu)化算法 神經網絡 模型構建 無線通信系統(tǒng)

【摘要】：人工神經網絡(Artificial Neural Network, ANN)是智能計算發(fā)展的一個主流方向,它是一種通過模仿生物神經網絡的行為特征來進行分布式并行信息處理的智能算法模型,是近幾年來快速發(fā)展的一種理想的智能優(yōu)化算法之一。相較于其它智能優(yōu)化算法,神經網絡具有的非線性、輸入輸出映射性、自適應性、容錯性、高速并行性、自學習性等優(yōu)點,必將為無線通信發(fā)展提供重要的技術支持。無線通信技術的飛速發(fā)展要求更先進的智能信息處理技術與之匹配,近幾年來,神經網絡廣泛而深入地應用于通信領域中的各種優(yōu)化問題之中。然而,由于無線通信系統(tǒng)中需要解決的問題大部分是在復數域內進行處理,比如信道均衡、信道估計等,而傳統(tǒng)的智能優(yōu)化算法往往局限于實數域內的信息處理,這就要求我們必須進一步研究基于復值神經網絡的無線通信系統(tǒng)算法。本文采用ANN,通過對無線通信領域中的資源分配問題、干擾網絡分簇問題及信道跟蹤和預測問題、MIMO檢測問題的研究,由實數域神經網絡至復數域神經網絡逐漸過渡由淺入深地研究了基于神經網絡的無線通信算法,具體內容如下：1.基于Hopfield神經網絡的組合優(yōu)化問題。由于MIMO OFDM技術是下一代無線通信的關鍵技術之一,如何更好地利用OFDM系統(tǒng)進行資源分配成為通信領域的研究重點。本文采用Hopfield神經網絡,在滿足各個用戶業(yè)務要求、傳輸速率及其性能一定的前提下提出自適應資源分配方案。該方案首先是將該資源分配問題轉化成組合優(yōu)化問題,然后再分別通過網絡模型、能量函數及動態(tài)方程的構建實現最終目標。在Hopfield神經網絡自適應資源分配的基礎上,論文進一步研究了多用戶干擾網絡中的干擾對齊(IA)分簇問題,在該問題中干擾網絡被看做是一個加權圖形,每一個用戶看成是一個頂點,各用戶之間的干擾看成是頂點之間的連線即圖形中的連接權。根據集分割理論,該分簇問題即可轉化為一種最大化簇內的邊界權值總和的優(yōu)化問題。因此,根據Hopfield神經網絡優(yōu)化方法,IA分簇問題可通過Hopfield神經網絡模型映射、Hopfield神經網絡模型構建、能量函數和動態(tài)方程的構建來實現。該應用進一步說明,通過Hopfield神經網絡無需條件放松即可直接解決非線性規(guī)劃(NLP)問題或非凸優(yōu)化問題。與傳統(tǒng)的窮舉法相比,Hopfield神經網絡方法尋優(yōu)更快、收斂性能更好、穩(wěn)定性更強。2.基于復值BP神經網絡的信道跟蹤與預測算法。由于無線信道的時變性,發(fā)射機所獲得的信道狀態(tài)信息(CSI)和信號發(fā)送時刻的真實CSI之間總會存在延時誤差。為了補償該延時誤差,本文通過復值BP神經網絡算法進行信道的跟蹤與預測。采用復值BP神經網絡進行信道跟蹤與預測,首先需要構建網絡跟蹤模型,該模型輸出是具有延時的CSI,然后再進一步將網絡跟蹤模型參數傳遞給與跟蹤模型具有相似結構的神經網絡預測模型進行信道參數的預測。與卡爾曼跟蹤算法進行比較,本文算法預測誤差更小,且由于神經網絡本身的高速并行性,本文算法運算速度更快,可以實現時變信道的實時處理。3.復值神經網絡的改進。無論是實值神經網絡還是復值神經網絡,當其輸出值接近極值(0或1)時,其輸出往往會陷入局部極值或尋優(yōu)失敗。為了避免出現該情況,本文提出了一種基于誤差修正的復值神經網絡,該誤差函數引入了一種對數函數。修正后,當輸出接近極值時,由于從公式上消除了1和輸出極值之差,此時誤差的反向傳播可以通過真實值和理想值之差直接傳播,避免網絡輸出接近極值時復值神經網絡陷入局部極值或尋優(yōu)失敗的風險。由于卡爾曼濾波是參數估計方法中較為常用的方法之一,本文首先通過卡爾曼濾波算法進行復值神經網絡的復數連接權值估計,再通過復值神經網絡訓練產生一種新型估計方法,通過該估計方法實現了復值函數的預測。首先建立神經網絡跟蹤模型,然后用卡爾曼濾波估計網絡的連接權值,估計出最優(yōu)權值后將該參數再次用于神經訓練實現最終的函數預測。盡管算法相較于傳統(tǒng)的復值神經網絡和卡爾曼濾波方法稍顯復雜,但其預測誤差更小,收斂性及穩(wěn)定性均有所提高。最后,誤差修正復值神經網絡結合小波產生新型復小波神經網絡,該網絡聚集了神經網絡和小波變換的優(yōu)點,在并行處理大規(guī)模數據的同時還具有較強的學習能力、容錯性和非線性逼近能力。復值函數逼近問題和異或問題的解決進一步驗證了該新型小波神經網絡算法的可靠性。4.新型遞歸神經網絡的研究和應用。遞歸神經網絡(RNN)由于其自身的反饋特征,能夠獲取系統(tǒng)的動態(tài)響應特征。與傳統(tǒng)前饋神經網絡(FNN)不同,RNN無需在層面之間進行模型構建,只需引入定向循環(huán)就能夠很好地處理高維度信息的整體邏輯順序。與傳統(tǒng)的RNN不同,本文中的RNN的網絡模型是根據凸優(yōu)化問題最優(yōu)性(KKT)條件進行構建,通過引入一個積分器避免了傳統(tǒng)的梯度下降算法帶來的不足,因此算法更易實現。為了驗證該遞歸神經網絡解決凸優(yōu)化問題的可靠性,本文研究了凸二次約束二次規(guī)劃問題,采用半正定放松(SDR)技術,提出了一種基于該RNN的MIMO檢測算法。與迫零(ZF) MIMO檢測算法相比,RNN MIMO檢測算法誤差性能更好。
【關鍵詞】：智能優(yōu)化算法 神經網絡 模型構建 無線通信系統(tǒng)
【學位授予單位】：山東大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP183;TN929.53
【目錄】：

• 縮略語表13-15
• 中文摘要15-17
• 英文摘要17-19
• 第1章 緒論19-37
• 1.1 研究的背景與意義19-20
• 1.2 神經網絡的分類及學習規(guī)則20-22
• 1.3 復值神經網絡22-29
• 1.3.1 研究CVNN的原因22-23
• 1.3.2 常見的CVNN23-26
• 1.3.3 CVNN的激活函數26-29
• 1.4 神經網絡在無線通信領域中的研究現狀29-31
• 1.5 神經網絡的研究難點31-34
• 1.6 論文研究工作及其組織結構34-37
• 第2章 基于Hopfield神經網絡的多用戶OFDM系統(tǒng)的自適應資源分配37-51
• 2.1 前言37-39
• 2.2 基于HNN的多用戶OFDM系統(tǒng)的自適應資源分配方法39-41
• 2.3 基于HNN的多用戶OFDM系統(tǒng)的自適應子信道分配方法41-44
• 2.3.1 HNN優(yōu)化41
• 2.3.2 OFDM系統(tǒng)模型41-42
• 2.3.3 HNN優(yōu)化算法的設計步驟42-44
• 2.4 比特分配和功率分配44-46
• 2.5 仿真結果及性能分析46-49
• 2.6 本章小結49-51
• 第3章 基于Hopfield神經網絡的多用戶干擾網絡的最優(yōu)IA分簇方法51-63
• 3.1 前言51-53
• 3.2 系統(tǒng)模型53-55
• 3.2.1 干擾網絡53
• 3.2.2 IA分簇53-54
• 3.2.3 干擾網絡的圖形解釋54-55
• 3.3 基于HNN的最優(yōu)IA分簇算法55-58
• 3.3.1 IA分簇問題的提出55
• 3.3.2 基于HNN的IA分簇方法55-58
• 3.4 仿真結果及性能分析58-60
• 3.5 結論60-63
• 第4章 復值BP神經網絡及其信道跟蹤與預測算法63-87
• 4.1 前言63-67
• 4.1.1 最速下降法64-65
• 4.1.2 復值BP神經網絡的處理單元65-67
• 4.2 傳統(tǒng)的復值BP算法67-71
• 4.2.1 前向傳播過程67-68
• 4.2.2 反向傳播過程68-70
• 4.2.3 基于復值BP神經網絡的信道均衡70-71
• 4.3 基于復值BP神經網絡的信道跟蹤及預測算法71-85
• 4.3.1 研究背景71-75
• 4.3.2 系統(tǒng)模型75-76
• 4.3.3 復值BP神經網絡的信道跟蹤與預測76-79
• 4.3.4 仿真結果分析79-85
• 4.4 本章小結85-87
• 第5章 復值神經網絡的改進87-109
• 5.1 前言87-88
• 5.2 基于改進型誤差函數的復值BP神經網絡88-93
• 5.2.1 新型誤差函數88-89
• 5.2.2 輸出層權值更新規(guī)則89-90
• 5.2.3 隱層權值更新規(guī)則90-93
• 5.2.4 實驗驗證93
• 5.3 基于Kalman濾波算法的CVNN93-99
• 5.3.1 引言93-96
• 5.3.2 基于Kalman濾波算法的復值BP神經網絡96-99
• 5.3.3 實驗驗證99
• 5.4 復值小波神經網絡99-108
• 5.4.1 引言99-103
• 5.4.2 小波神經網絡103-104
• 5.4.3 實驗驗證104-108
• 5.5 小結108-109
• 第6章 新型遞歸神經網絡及其在通信領域中的研究和應用109-121
• 6.1 前言109-111
• 6.2 新型遞歸神經網絡模型111-113
• 6.2.1 問題闡述111-112
• 6.2.2 神經網絡模型112-113
• 6.3 MIMO系統(tǒng)模型113-115
• 6.4 基于遞歸神經網絡的SDR檢測115-117
• 6.4.1 QPSK信號的SDR檢測115-116
• 6.4.2 16QAM信號的SDR檢測116-117
• 6.5 仿真結果及性能分析117-120
• 6.5.1 二次規(guī)劃問題117-118
• 6.5.2 MIMO檢測118-120
• 6.6 小結120-121
• 第7章 總結與展望121-125
• 7.1 論文總結121-122
• 7.2 論文不足與研究展望122-125
• 參考文獻125-138
• 致謝138-139
• 攻讀博士學位期間發(fā)表的論文及其他成果139-141
• 附件1141-164
• 附件2164

【參考文獻】

中國期刊全文數據庫 前1條

1 江銘炎;袁東風;;基于序貫蒙特卡羅算法的多天線快時變信道的盲跟蹤[J];通信學報;2007年02期

，

本文編號：1117842