核方法信号处理在多用户检测中的应用

摘要

随着社会的发展，科学技术的进步，人们对无线通信技术的发展要求越来越高，移动通信系统正朝着数字化、高速化和多媒体化方向发展，信号传输速率不断提高。因此，对移动通信系统的设计提出了更高的要求，只有采用先进的多址接入方式以及现代数字信号处理技术，才能实现高容量、高质量的移动通信。现在普遍使用的多址接入方式有频分多址、时分多址以及码分多址，其中码分多址较之频分多址、时分多址，具有更高的频谱利用率、系统容量以及其他优良特性。采用码分多址技术，能满足现在以及将来一段时间内人们对移动通信的需要。但码分多址也有其不足之处，码分多址存在多址干扰，多址干扰限制了系统的容量，同时也使远近效应的影响更严重。为了消除或者抑制多址干扰，必须使用多用户检测技术。目前，国内外学者在多用户检测技术领域做了大量的研究工作，概括为以下几类与空时二维信号处理技术相结合、与多载波调制技术相结合、与智能天线技术相结合以及与智能算法相结合的多用户检测技术。本文研究了将核方法与多用户检测技术相结合，并通过仿真实验验证了方法的有效性，得到了满意的结果。本文的研究工作主要包括如下： 第一，在介绍CDMA通信系统模型的基础上，分析了几种经典多用户检测器的性能，并指出了每种检测器的优缺点。 第二，阐述了核方法的基本理论并分析支持向量机应用于CDMA系统的可能性。 第三，研究了一种在线的支持向量机多用户检测方法(FOSVC)。该算法利用KKT条件判别实时增加的训练序列并构造当前训练样本集，从而能够有效地减少训练样本大小，加快训练速度。仿真实验表明，该算法在不影响分类效果的情况下大大加快了训练速度，且用于分类的支持向量较少，同时性能与传统支持向量机算法相当且明显优于MMSE(RLS)多用户检测器。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究目的和意义

1.2多用户检测的研究和发展趋势

1.3本文的主要工作

第二章核方法的基本原理

2.1统计学习理论

2.1.1 VC维

2.1.2机器学习模型

2.1.3经验风险最小化原则

2.1.4学习机器推广能力的界

2.1.5结构风险最小化原则

2.1.6学习机器的实现方法

2.2核方法的原理

2.2.1机器学习算法的具体核化过程

2.2.2核方法和传统模式识别方法的主要区别

2.3支持向量机

2.2.1线性支持向量机

2.2.2非线性支持向量机

2.2.3支持向量机的应用

2.4本章小结

第三章多用户检测技术

3.1同步和异步CDMA模型

3.1.1同步CDMA模型

3.1.2异步CDMA模型

3.2线性多用户检测

3.2.1解相关多用户检测器

3.2.2最小均方误差多用户检测器

3.2.3线性多用户检测器的优缺点

3.3非线性多用户检测器

3.3.1干扰消除型检测器

3.3.2解相关判决反馈检测器

3.3.3非线性多用户检测器的优缺点

3.4多用户检测器的性能度量

3.5本章小结

第四章多径衰落信道下支持向量机的多用户检测

4.1引言

4.2系统模型

4.3基于支持向量机的多用户检测器

4.4一种快速在线支持向量机的多用户检测器

4.4.1快速在线支持向量分类(FOSVC)算法的基本思想

4.4.2算法的收敛性

4.4.3数据仿真及结果

4.4.4 FOSVC算法的收敛速度

4.4.5 FOSVC用于多用户检测的性能

4.5本章小结

第五章总结与展望

致谢

参考文献

攻读学位期间发表的论文