| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-21页 |
| ·多用户检测的研究意义和发展动态 | 第11-16页 |
| ·多用户检测的研究意义 | 第11-12页 |
| ·多用户检测的国内外研究动态 | 第12-16页 |
| ·基于神经网络的多用户检测的研究现状 | 第16-19页 |
| ·基于Hopfield神经网络的多用户检测 | 第16-17页 |
| ·基于BP神经网络的多用户检测 | 第17页 |
| ·基于RBF神经网络的多用户检测 | 第17-19页 |
| ·论文内容与结构安排 | 第19-21页 |
| 第二章 多用户检测与RBF神经网络基本原理 | 第21-43页 |
| ·多用户检测的系统模型 | 第21-25页 |
| ·离散时间同步信道模型 | 第21-23页 |
| ·离散时间异步信道模型 | 第23-25页 |
| ·多用户检测的性能指标 | 第25-27页 |
| ·误码率 | 第25-26页 |
| ·渐进多用户有效性 | 第26页 |
| ·抗远近能力 | 第26-27页 |
| ·几种典型多用户检测 | 第27-31页 |
| ·传统检测器 | 第27页 |
| ·最优多用户检测器 | 第27-29页 |
| ·解相关多用户检测器 | 第29-30页 |
| ·计算机仿真 | 第30-31页 |
| ·RBF神经网络的基本原理 | 第31-35页 |
| ·神经网络概述 | 第31-33页 |
| ·RBF神经网络的结构 | 第33-35页 |
| ·RBF神经网络的学习算法 | 第35-41页 |
| ·基于随机选取中心的RBF网络学习算法 | 第36-37页 |
| ·基于的K-means聚类的RBF网络学习算法 | 第37页 |
| ·基于梯度下降法的RBF网络学习算法 | 第37-39页 |
| ·基于OLS算法的RBF网络学习算法 | 第39-41页 |
| ·基于RBF神经网络的多用户检测的原理 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 基于RBF神经网络混合学习算法的多用户检测 | 第43-69页 |
| ·基于改进梯度下降法的RBF网络多用户检测 | 第43-58页 |
| ·基于梯度下降法的RBF网络多用户检测 | 第43-47页 |
| ·基于变学习速率梯度下降法的RBF网络多用户检测 | 第47-53页 |
| ·计算机仿真 | 第53-58页 |
| ·基于最近邻聚类算法的RBF网络多用户检测 | 第58-62页 |
| ·最近邻聚类算法特点 | 第59-60页 |
| ·算法设计 | 第60-61页 |
| ·计算机仿真 | 第61-62页 |
| ·基于最近邻梯度混合学习算法的RBF网络多用户检测 | 第62-67页 |
| ·在线生成隐含层节点 | 第63页 |
| ·网络参数学习 | 第63-64页 |
| ·混合学习算法的实现 | 第64-65页 |
| ·计算机仿真 | 第65-67页 |
| ·本章小结 | 第67-69页 |
| 第四章 基于RBF神经网络混合遗传算法的多用户检测 | 第69-87页 |
| ·遗传算法基本原理与操作 | 第69-74页 |
| ·遗传算法的特点 | 第69-70页 |
| ·遗传算法的流程 | 第70-71页 |
| ·遗传算法的基本操作 | 第71-74页 |
| ·混合递阶遗传算法优化RBF网络 | 第74-79页 |
| ·递阶遗传算法优化RBF网络 | 第75页 |
| ·混合递阶遗传算法优化RBF网络 | 第75-79页 |
| ·基于递阶遗传梯度混合学习算法的RBF网络多用户检测 | 第79-82页 |
| ·改进的递阶遗传编码 | 第79-80页 |
| ·初始化种群 | 第80页 |
| ·适应度函数设计 | 第80-81页 |
| ·遗传操作 | 第81-82页 |
| ·计算机仿真 | 第82-85页 |
| ·本章小结 | 第85-87页 |
| 第五章 总结与展望 | 第87-90页 |
| ·本文所作的工作 | 第87-88页 |
| ·进一步研究的方向 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-95页 |
| 攻读学位期间发表的学术论文目录 | 第95页 |
