第1章 绪论 | 第1-18页 |
1.1 引言 | 第11页 |
1.2 多用户检测的研究意义 | 第11-12页 |
1.3 多用户检测的研究概况 | 第12-13页 |
1.4 仿生智能计算方法概述 | 第13-16页 |
1.4.1 仿生过程算法 | 第14-15页 |
1.4.2 仿生结构算法:神经网络 | 第15-16页 |
1.4.3 仿生行为算法:群体智能 | 第16页 |
1.5 本文的主要工作及内容安排 | 第16-18页 |
第2章 CDMA系统模型及多用户检测 | 第18-32页 |
2.1 多用户检测模型 | 第18-23页 |
2.1.1 离散时间同步模型 | 第19-21页 |
2.1.2 离散时间非同步模型 | 第21-23页 |
2.2 多用户检测性能测度 | 第23-25页 |
2.2.1 误码率 | 第23-24页 |
2.2.2 抗远近能力 | 第24-25页 |
2.3 几种典型多用户检测技术 | 第25-30页 |
2.3.1 传统检测方法 | 第25页 |
2.3.2 最优检测方法 | 第25-26页 |
2.3.3 去相关检测器 | 第26-28页 |
2.3.4 多阶段检测器 | 第28-30页 |
2.4 计算机仿真 | 第30-31页 |
2.5 本章小结 | 第31-32页 |
第3章 克隆选择算法在多用户检测中的应用 | 第32-49页 |
3.1 克隆选择算法 | 第32-38页 |
3.1.1 克隆选择原理简介 | 第32-33页 |
3.1.2 克隆选择算法的模型描述 | 第33-35页 |
3.1.3 克隆选择算法的改进 | 第35-38页 |
3.2 基于克隆选择算法的多用户检测器 | 第38-42页 |
3.2.1 用于多用户检测的克隆选择算法 | 第38-39页 |
3.2.2 计算复杂度分析 | 第39-40页 |
3.2.3 计算机仿真 | 第40-42页 |
3.3 基于克隆选择算法和神经网络的多用户检测器 | 第42-48页 |
3.3.1 离散Hopfield神经网络 | 第42-44页 |
3.3.2 克隆选择算法和神经网络在多用户检测中的应用 | 第44-46页 |
3.3.3 计算机仿真 | 第46-48页 |
3.4 本章小结 | 第48-49页 |
第4章 神经网络在多用户检测中的应用 | 第49-62页 |
4.1 进化Hopfield神经网络设计 | 第49-56页 |
4.1.1 进化算法简介 | 第49-50页 |
4.1.2 遗传Hopfield神经网络 | 第50-54页 |
4.1.3 进化规划Hopfield神经网络算法 | 第54-55页 |
4.1.4 免疫Hopfield神经网络算法 | 第55-56页 |
4.2 基于进化Hopfield神经网络的多用户检测器 | 第56-57页 |
4.3 基于高斯扰动的Hopfield神经网络多用户检测器 | 第57-58页 |
4.4 计算机仿真 | 第58-61页 |
4.5 本章小结 | 第61-62页 |
第5章 粒子群算法在多用户检测中的应用研究 | 第62-80页 |
5.1 粒子群优化算法 | 第62-64页 |
5.2 基于离散PSO算法的多用户检测器 | 第64-73页 |
5.2.1 离散粒子群优化算法 | 第64-65页 |
5.2.2 新的离散粒子群算法的提出 | 第65-67页 |
5.2.3 基于离散PSO算法的多用户检测器 | 第67-68页 |
5.2.4 离散Hopfield网络级联NDPSO的检测器 | 第68-69页 |
5.2.5 级连式NDPSO/MSD检测器 | 第69页 |
5.2.6 嵌入式NDPSO/MSD检测器 | 第69页 |
5.2.7 计算机仿真 | 第69-73页 |
5.3 PSO-RBF神经网络多用户检测方法的设计 | 第73-79页 |
5.3.1 径向基函数神经网络 | 第73-74页 |
5.3.2 基于粒子群优化算法的两级RBF网络学习机制 | 第74-76页 |
5.3.3 基于变异PSO算法的RBF神经网络 | 第76-77页 |
5.3.4 基于PSO-RBF神经网络的多用户检测器 | 第77-78页 |
5.3.5 计算机仿真 | 第78-79页 |
5.4 本章小结 | 第79-80页 |
结论 | 第80-82页 |
参考文献 | 第82-89页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第89-90页 |
致谢 | 第90页 |