| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 宽带无线通信的发展 | 第13-15页 |
| 1.2 信道的时变特性 | 第15-16页 |
| 1.3 研究的目的及意义 | 第16-17页 |
| 1.4 本文内容安排 | 第17-19页 |
| 第二章 MIMO系统原理和时变信道预测算法 | 第19-31页 |
| 2.1 MIMO系统原理 | 第19-21页 |
| 2.2 典型的信道模型 | 第21-25页 |
| 2.2.1 SCM模型 | 第21-25页 |
| 2.2.2 AR信道模型 | 第25页 |
| 2.3 常用的信道预测技术 | 第25-30页 |
| 2.3.1 基于信道冲激响应的信道预测 | 第26-30页 |
| 2.3.2 基于信道特征模式的信道预测 | 第30页 |
| 2.4 小结 | 第30-31页 |
| 第三章 复数神经网络信道预测算法 | 第31-51页 |
| 3.1 基于复数BP神经网络的时变MIMO信道预测算法 | 第31-41页 |
| 3.1.1 复数BP神经网络结构及其学习算法 | 第31-36页 |
| 3.1.2 复数BP神经网络在时变MIMO信道预测中的应用 | 第36-39页 |
| 3.1.3 复数BP神经网络设计的关键因素 | 第39-40页 |
| 3.1.4 仿真结果及分析 | 第40-41页 |
| 3.2 基于复数小波神经网络的时变MIMO信道预测算法 | 第41-49页 |
| 3.2.1 复数小波神经网络基本概念 | 第41-43页 |
| 3.2.2 复数小波神经网络在时变MIMO信道预测中的应用 | 第43-44页 |
| 3.2.3 仿真结果及分析 | 第44-49页 |
| 3.3 小结 | 第49-51页 |
| 第四章 基于GPC的时变信道预测算法 | 第51-63页 |
| 4.1 传统GPC(Grassmannian Predictive Coding)算法原理 | 第51-53页 |
| 4.2 传统GPC(Grassmannian Predictive Coding)算法步长优化 | 第53-55页 |
| 4.2.1 传统GPC算法步长优化方法 | 第53-54页 |
| 4.2.2 仿真结果及分析 | 第54-55页 |
| 4.3 基于劳埃德量化算法及GPC算法的MIMO信道预测算法 | 第55-62页 |
| 4.3.1 传统的Lloyd算法 | 第55-57页 |
| 4.3.2 应用于MIMO系统的Lloyd算法 | 第57-59页 |
| 4.3.3 基于劳埃德量化的GPC算法在MIMO信道预测中应用 | 第59页 |
| 4.3.4 仿真结果及分析 | 第59-62页 |
| 4.4 小结 | 第62-63页 |
| 结束语 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
