提高頻譜利用率、實現(xiàn)超大容量傳輸?shù)那疤崾蔷珳收莆諢o線信道特性信息.研究了反饋神經(jīng)網(wǎng)絡（Back Propagation Neural Network, BPNN）在無線信道多普勒功率譜仿真中的應用.利用大量樣本訓練BPNN實現(xiàn)對時變信道進行預測.仿真結(jié)果表明,與傳統(tǒng)方法對比,BPNN的仿真效果更接近理論值,誤差更小,具備很好的容錯性,同時模型輸出結(jié)果的頻域呈U型譜,時域自相關函數(shù)滿足第一類貝塞爾函數(shù),很好地符合Jakes模型的時頻域條件.對3種方法的時間復雜度進行比較,結(jié)果表明BPNN的時間復雜度最高,犧牲了時間復雜度但換取了高精度和低誤差.對3種誤差逆向傳播算法的仿真結(jié)果進行對比,發(fā)現(xiàn)列文伯格-馬夸爾特（Levenberg-Marquardt, L-M）算法訓練BPNN的均方誤差最低,效果最佳. 

【文章來源】：北京交通大學學報. 2020年02期 第74-82頁 北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

Jakes正弦波疊加法仿真模型實現(xiàn)框圖

成型濾波法的仿真結(jié)構(gòu)如圖2所示,它是將高斯白噪聲輸入成型濾波器來產(chǎn)生指定形狀的多普勒功率譜,其中 S E (f) 為幅值.實部和虛部均是具有特定形狀多普勒功率譜的高斯有色噪聲,因此包絡服從瑞利分布[12].利用Matlab仿真基于正弦波疊加法和成型濾波法得到的功率譜和時域自相關函數(shù)如圖3所示,可以看到基于這兩種方法得到的功率譜均符合多普勒功率譜的特性,呈U型譜,由成型濾波法得到的功率譜曲線在曲線中部起伏較小,且曲線更貼近U型譜.圖3 基于兩種方法得到的功率譜和自相關函數(shù)

圖2 成型濾波法仿真模型實現(xiàn)框圖自相關函數(shù)也都基本符合第1類貝塞爾函數(shù),由正弦波疊加法得到的曲線的中部和尾部起伏較大,并不總是符合衰減特性,由此可說明成型濾波法的誤差小于正弦波疊加法.成型濾波法采用的是隨機噪聲,因而隨機性等各方面性能都比正弦疊加法更為理想.由于通常情況下通信系統(tǒng)的采樣速率非常高,最大多普勒頻率與采樣率相比很小,因此成型濾波器需要的帶寬很小,直接實現(xiàn)非常困難.

【參考文獻】：
期刊論文
[1]人工智能在移動通信網(wǎng)絡中的應用:基于機器學習理論的信道估計與信號檢測算法[J]. 朱玥,覃堯,董嵐,王公仆.  信息通信技術. 2019(01)
[2]超寬帶濾波器的稀疏貝葉斯正則化逆向神經(jīng)網(wǎng)絡建模[J]. 南敬昌,王梓琦,高明明,王穎.  計算機應用與軟件. 2018(10)
[3]求解無約束問題的修正PRP共軛梯度算法[J]. 李春念,袁功林.  西南大學學報(自然科學版). 2018(09)
[4]基于神經(jīng)網(wǎng)絡的信道譯碼算法研究綜述[J]. 王玉環(huán),尹航,楊占昕.  中國傳媒大學學報(自然科學版). 2018(03)
[5]利用BP神經(jīng)網(wǎng)絡分析檢測網(wǎng)絡時序型隱信道[J]. 張宇飛,沈瑤,楊威,肖漢,黃劉生.  小型微型計算機系統(tǒng). 2018(05)
[6]基于BP神經(jīng)網(wǎng)絡的短波通信信道預測方法[J]. 張想,李明齊,王潮.  工業(yè)控制計算機. 2017(10)
[7]基于卷積神經(jīng)網(wǎng)絡的信道均衡算法[J]. 陳敏華,李楊,張武雄.  計算機應用與軟件. 2017(09)
[8]三維模型中的多普勒功率譜分析[J]. 米楊,張曉瀛,魏急波.  通信技術. 2015(04)
[9]LM算法在神經(jīng)網(wǎng)絡語音識別中的應用[J]. 孫峰,姚毅,李成剛.  科學技術與工程. 2011(09)
[10]基于Levenberg-Marquardt算法和最小二乘方法的小波網(wǎng)絡混合學習算法[J]. 魏榮,盧俊國,王執(zhí)銓.  信息與控制. 2001(05)

博士論文
[1]通信信道建模的神經(jīng)網(wǎng)絡優(yōu)化技術研究[D]. 馬永濤.天津大學 2009



本文編號：2908578