| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-22页 |
| ·研究背景 | 第12-13页 |
| ·多用户检测的研究意义 | 第13-14页 |
| ·多用户检测的研究概况 | 第14-15页 |
| ·论文涉及的智能计算方法概述 | 第15-20页 |
| ·人工免疫系统 | 第16-17页 |
| ·DNA计算 | 第17页 |
| ·神经网络 | 第17-18页 |
| ·群集智能 | 第18-19页 |
| ·量子计算智能 | 第19页 |
| ·文化算法 | 第19-20页 |
| ·论文的主要内容和结构安排 | 第20-22页 |
| 第2章 无线通信中的多用户检测基础理论 | 第22-37页 |
| ·多用户检测的数学模型 | 第22-26页 |
| ·噪声模型简述 | 第22-23页 |
| ·高斯噪声下的多用户检测数学模型 | 第23-26页 |
| ·多用户检测的性能测度 | 第26-28页 |
| ·高斯噪声环境的典型多用户检测方法 | 第28-35页 |
| ·传统检测器 | 第28-29页 |
| ·最优多用户检测器 | 第29-30页 |
| ·去相关多用户检测器 | 第30-32页 |
| ·遗传演进多用户检测器 | 第32-34页 |
| ·粒子群优化多用户检测器 | 第34-35页 |
| ·计算机仿真 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 多用户功控的智能测向理论研究 | 第37-61页 |
| ·文化量子算法实现的广义加权子空间拟合测向 | 第37-43页 |
| ·广义加权信号子空间拟合测向算法 | 第38-40页 |
| ·文化量子算法 | 第40-43页 |
| ·基于文化量子算法的广义高阶加权信号子空间拟合测向 | 第43页 |
| ·基于差分粒子群优化的分数低阶协方差测向 | 第43-48页 |
| ·重构分数低阶协方差的子空间拟合测向算法 | 第44-46页 |
| ·自适应差分粒子群 | 第46-48页 |
| ·基于自适应差分粒子群的冲击噪声测向 | 第48页 |
| ·非圆信号的文化蜂群测向研究 | 第48-54页 |
| ·文化蜂群算法 | 第49-51页 |
| ·二维非圆信号的极大似然测向 | 第51-53页 |
| ·基于文化蜂群算法的非圆信号测向 | 第53-54页 |
| ·计算机仿真与实验结果分析 | 第54-60页 |
| ·广义高阶子空间拟合测向仿真 | 第54-56页 |
| ·分数低阶协方差测向算法仿真 | 第56-59页 |
| ·二维非圆信号测向方法仿真 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第4章 DS-CDMA系统的智能最优多用户检测框架 | 第61-80页 |
| ·基于神经网络个体的最优多用户检测框架 | 第62-68页 |
| ·神经网络个体多用户检测框架 | 第62-64页 |
| ·同步CDMA系统的神经网络粒子群多用户检测器 | 第64-66页 |
| ·计算复杂度分析 | 第66页 |
| ·计算机仿真 | 第66-68页 |
| ·神经网络制作疫苗的最优多用户检测器框架 | 第68-74页 |
| ·神经网络制备疫苗的方法框架 | 第68-69页 |
| ·量子计算基本概念 | 第69页 |
| ·基于免疫克隆量子算法的多用户检测器 | 第69-71页 |
| ·计算复杂度分析 | 第71-72页 |
| ·计算机仿真 | 第72-74页 |
| ·基于克隆量子算法的多用户检测 | 第74-79页 |
| ·克隆量子算法 | 第74-75页 |
| ·基于克隆量子算法的多用户检测器 | 第75-76页 |
| ·计算复杂度分析 | 第76-77页 |
| ·计算机仿真 | 第77-79页 |
| ·本章小结 | 第79-80页 |
| 第5章 量子神经网络多用户检测技术研究 | 第80-92页 |
| ·基于量子Hopfield神经网络的多用户检测器 | 第80-83页 |
| ·量子Hopfield神经网络 | 第80-82页 |
| ·基于量子神经网络的多用户检测 | 第82-83页 |
| ·基于量子混沌神经网络的多用户检测器 | 第83-86页 |
| ·混沌神经网络 | 第83-85页 |
| ·基于量子混沌神经网络的多用户检测 | 第85-86页 |
| ·基于量子神经网络和量子蛙跳算法的多用户检测器 | 第86-88页 |
| ·量子蛙跳算法 | 第86-88页 |
| ·基于量子蛙跳算法和量子神经网络的多用户检测 | 第88页 |
| ·计算机仿真 | 第88-91页 |
| ·基于量子神经网络的多用户检测器仿真 | 第88-89页 |
| ·基于量子混沌神经网络的多用户检测器仿真 | 第89-90页 |
| ·基于量子蛙跳和量子神经网络的多用户检测器仿真 | 第90-91页 |
| ·本章小结 | 第91-92页 |
| 第6章 群集智能在MC-CDMA多用户检测中的应用 | 第92-102页 |
| ·MC-CDMA多用户检测模型 | 第93-94页 |
| ·基于神经网络鱼群算法的多用户检测 | 第94-96页 |
| ·神经网络鱼群算法 | 第94-95页 |
| ·基于神经网络鱼群算法的多用户检测 | 第95-96页 |
| ·基于免疫蚁群算法的多用户检测 | 第96-98页 |
| ·简化蚁群算法 | 第96-97页 |
| ·基于免疫蚁群算法的多用户检测 | 第97-98页 |
| ·计算机仿真 | 第98-101页 |
| ·基于神经网络鱼群算法的多用户检测仿真 | 第98-100页 |
| ·基于免疫蚁群算法的多用户检测仿真 | 第100-101页 |
| ·本章小结 | 第101-102页 |
| 第7章 基于DNA计算的鲁棒多用户检测器 | 第102-115页 |
| ·鲁棒多用户检测模型 | 第103-106页 |
| ·DS-CDMA鲁棒多用户检测 | 第103-105页 |
| ·MC-CDMA鲁棒多用户检测 | 第105-106页 |
| ·基于DNA鱼群计算的CDMA鲁棒多用户检测 | 第106-108页 |
| ·DNA鱼群算法 | 第106-107页 |
| ·DNA鱼群算法的鲁棒多用户检测器 | 第107-108页 |
| ·基于DNACSA算法的MC-CDMA系统的鲁棒检测器 | 第108-110页 |
| ·DNA编码的克隆选择算法 | 第108-110页 |
| ·基于DNACSA算法的MC-CDMA鲁棒检测器 | 第110页 |
| ·计算机仿真 | 第110-114页 |
| ·基于DNA人工鱼群算法的鲁棒多用户检测仿真 | 第110-113页 |
| ·基于DNACSA算法的MC-CDMA鲁棒多用户检测仿真 | 第113-114页 |
| ·本章小结 | 第114-115页 |
| 结论 | 第115-117页 |
| 参考文献 | 第117-129页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第129-132页 |
| 致谢 | 第132-133页 |
| 个人简历 | 第133页 |
