本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究

  更多相關(guān)文章： 智能優(yōu)化算法 神經(jīng)網(wǎng)絡(luò) 模型構(gòu)建 無線通信系統(tǒng)

【摘要】：人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)是智能計算發(fā)展的一個主流方向,它是一種通過模仿生物神經(jīng)網(wǎng)絡(luò)的行為特征來進(jìn)行分布式并行信息處理的智能算法模型,是近幾年來快速發(fā)展的一種理想的智能優(yōu)化算法之一。相較于其它智能優(yōu)化算法,神經(jīng)網(wǎng)絡(luò)具有的非線性、輸入輸出映射性、自適應(yīng)性、容錯性、高速并行性、自學(xué)習(xí)性等優(yōu)點(diǎn),必將為無線通信發(fā)展提供重要的技術(shù)支持。無線通信技術(shù)的飛速發(fā)展要求更先進(jìn)的智能信息處理技術(shù)與之匹配,近幾年來,神經(jīng)網(wǎng)絡(luò)廣泛而深入地應(yīng)用于通信領(lǐng)域中的各種優(yōu)化問題之中。然而,由于無線通信系統(tǒng)中需要解決的問題大部分是在復(fù)數(shù)域內(nèi)進(jìn)行處理,比如信道均衡、信道估計等,而傳統(tǒng)的智能優(yōu)化算法往往局限于實數(shù)域內(nèi)的信息處理,這就要求我們必須進(jìn)一步研究基于復(fù)值神經(jīng)網(wǎng)絡(luò)的無線通信系統(tǒng)算法。本文采用ANN,通過對無線通信領(lǐng)域中的資源分配問題、干擾網(wǎng)絡(luò)分簇問題及信道跟蹤和預(yù)測問題、MIMO檢測問題的研究,由實數(shù)域神經(jīng)網(wǎng)絡(luò)至復(fù)數(shù)域神經(jīng)網(wǎng)絡(luò)逐漸過渡由淺入深地研究了基于神經(jīng)網(wǎng)絡(luò)的無線通信算法,具體內(nèi)容如下：1.基于Hopfield神經(jīng)網(wǎng)絡(luò)的組合優(yōu)化問題。由于MIMO OFDM技術(shù)是下一代無線通信的關(guān)鍵技術(shù)之一,如何更好地利用OFDM系統(tǒng)進(jìn)行資源分配成為通信領(lǐng)域的研究重點(diǎn)。本文采用Hopfield神經(jīng)網(wǎng)絡(luò),在滿足各個用戶業(yè)務(wù)要求、傳輸速率及其性能一定的前提下提出自適應(yīng)資源分配方案。該方案首先是將該資源分配問題轉(zhuǎn)化成組合優(yōu)化問題,然后再分別通過網(wǎng)絡(luò)模型、能量函數(shù)及動態(tài)方程的構(gòu)建實現(xiàn)最終目標(biāo)。在Hopfield神經(jīng)網(wǎng)絡(luò)自適應(yīng)資源分配的基礎(chǔ)上,論文進(jìn)一步研究了多用戶干擾網(wǎng)絡(luò)中的干擾對齊(IA)分簇問題,在該問題中干擾網(wǎng)絡(luò)被看做是一個加權(quán)圖形,每一個用戶看成是一個頂點(diǎn),各用戶之間的干擾看成是頂點(diǎn)之間的連線即圖形中的連接權(quán)。根據(jù)集分割理論,該分簇問題即可轉(zhuǎn)化為一種最大化簇內(nèi)的邊界權(quán)值總和的優(yōu)化問題。因此,根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法,IA分簇問題可通過Hopfield神經(jīng)網(wǎng)絡(luò)模型映射、Hopfield神經(jīng)網(wǎng)絡(luò)模型構(gòu)建、能量函數(shù)和動態(tài)方程的構(gòu)建來實現(xiàn)。該應(yīng)用進(jìn)一步說明,通過Hopfield神經(jīng)網(wǎng)絡(luò)無需條件放松即可直接解決非線性規(guī)劃(NLP)問題或非凸優(yōu)化問題。與傳統(tǒng)的窮舉法相比,Hopfield神經(jīng)網(wǎng)絡(luò)方法尋優(yōu)更快、收斂性能更好、穩(wěn)定性更強(qiáng)。2.基于復(fù)值BP神經(jīng)網(wǎng)絡(luò)的信道跟蹤與預(yù)測算法。由于無線信道的時變性,發(fā)射機(jī)所獲得的信道狀態(tài)信息(CSI)和信號發(fā)送時刻的真實CSI之間總會存在延時誤差。為了補(bǔ)償該延時誤差,本文通過復(fù)值BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行信道的跟蹤與預(yù)測。采用復(fù)值BP神經(jīng)網(wǎng)絡(luò)進(jìn)行信道跟蹤與預(yù)測,首先需要構(gòu)建網(wǎng)絡(luò)跟蹤模型,該模型輸出是具有延時的CSI,然后再進(jìn)一步將網(wǎng)絡(luò)跟蹤模型參數(shù)傳遞給與跟蹤模型具有相似結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行信道參數(shù)的預(yù)測。與卡爾曼跟蹤算法進(jìn)行比較,本文算法預(yù)測誤差更小,且由于神經(jīng)網(wǎng)絡(luò)本身的高速并行性,本文算法運(yùn)算速度更快,可以實現(xiàn)時變信道的實時處理。3.復(fù)值神經(jīng)網(wǎng)絡(luò)的改進(jìn)。無論是實值神經(jīng)網(wǎng)絡(luò)還是復(fù)值神經(jīng)網(wǎng)絡(luò),當(dāng)其輸出值接近極值(0或1)時,其輸出往往會陷入局部極值或?qū)?yōu)失敗。為了避免出現(xiàn)該情況,本文提出了一種基于誤差修正的復(fù)值神經(jīng)網(wǎng)絡(luò),該誤差函數(shù)引入了一種對數(shù)函數(shù)。修正后,當(dāng)輸出接近極值時,由于從公式上消除了1和輸出極值之差,此時誤差的反向傳播可以通過真實值和理想值之差直接傳播,避免網(wǎng)絡(luò)輸出接近極值時復(fù)值神經(jīng)網(wǎng)絡(luò)陷入局部極值或?qū)?yōu)失敗的風(fēng)險。由于卡爾曼濾波是參數(shù)估計方法中較為常用的方法之一,本文首先通過卡爾曼濾波算法進(jìn)行復(fù)值神經(jīng)網(wǎng)絡(luò)的復(fù)數(shù)連接權(quán)值估計,再通過復(fù)值神經(jīng)網(wǎng)絡(luò)訓(xùn)練產(chǎn)生一種新型估計方法,通過該估計方法實現(xiàn)了復(fù)值函數(shù)的預(yù)測。首先建立神經(jīng)網(wǎng)絡(luò)跟蹤模型,然后用卡爾曼濾波估計網(wǎng)絡(luò)的連接權(quán)值,估計出最優(yōu)權(quán)值后將該參數(shù)再次用于神經(jīng)訓(xùn)練實現(xiàn)最終的函數(shù)預(yù)測。盡管算法相較于傳統(tǒng)的復(fù)值神經(jīng)網(wǎng)絡(luò)和卡爾曼濾波方法稍顯復(fù)雜,但其預(yù)測誤差更小,收斂性及穩(wěn)定性均有所提高。最后,誤差修正復(fù)值神經(jīng)網(wǎng)絡(luò)結(jié)合小波產(chǎn)生新型復(fù)小波神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)聚集了神經(jīng)網(wǎng)絡(luò)和小波變換的優(yōu)點(diǎn),在并行處理大規(guī)模數(shù)據(jù)的同時還具有較強(qiáng)的學(xué)習(xí)能力、容錯性和非線性逼近能力。復(fù)值函數(shù)逼近問題和異或問題的解決進(jìn)一步驗證了該新型小波神經(jīng)網(wǎng)絡(luò)算法的可靠性。4.新型遞歸神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用。遞歸神經(jīng)網(wǎng)絡(luò)(RNN)由于其自身的反饋特征,能夠獲取系統(tǒng)的動態(tài)響應(yīng)特征。與傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)(FNN)不同,RNN無需在層面之間進(jìn)行模型構(gòu)建,只需引入定向循環(huán)就能夠很好地處理高維度信息的整體邏輯順序。與傳統(tǒng)的RNN不同,本文中的RNN的網(wǎng)絡(luò)模型是根據(jù)凸優(yōu)化問題最優(yōu)性(KKT)條件進(jìn)行構(gòu)建,通過引入一個積分器避免了傳統(tǒng)的梯度下降算法帶來的不足,因此算法更易實現(xiàn)。為了驗證該遞歸神經(jīng)網(wǎng)絡(luò)解決凸優(yōu)化問題的可靠性,本文研究了凸二次約束二次規(guī)劃問題,采用半正定放松(SDR)技術(shù),提出了一種基于該RNN的MIMO檢測算法。與迫零(ZF) MIMO檢測算法相比,RNN MIMO檢測算法誤差性能更好。
【關(guān)鍵詞】：智能優(yōu)化算法 神經(jīng)網(wǎng)絡(luò) 模型構(gòu)建 無線通信系統(tǒng)
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP183;TN929.53
【目錄】：

• 縮略語表13-15
• 中文摘要15-17
• 英文摘要17-19
• 第1章 緒論19-37
• 1.1 研究的背景與意義19-20
• 1.2 神經(jīng)網(wǎng)絡(luò)的分類及學(xué)習(xí)規(guī)則20-22
• 1.3 復(fù)值神經(jīng)網(wǎng)絡(luò)22-29
• 1.3.1 研究CVNN的原因22-23
• 1.3.2 常見的CVNN23-26
• 1.3.3 CVNN的激活函數(shù)26-29
• 1.4 神經(jīng)網(wǎng)絡(luò)在無線通信領(lǐng)域中的研究現(xiàn)狀29-31
• 1.5 神經(jīng)網(wǎng)絡(luò)的研究難點(diǎn)31-34
• 1.6 論文研究工作及其組織結(jié)構(gòu)34-37
• 第2章 基于Hopfield神經(jīng)網(wǎng)絡(luò)的多用戶OFDM系統(tǒng)的自適應(yīng)資源分配37-51
• 2.1 前言37-39
• 2.2 基于HNN的多用戶OFDM系統(tǒng)的自適應(yīng)資源分配方法39-41
• 2.3 基于HNN的多用戶OFDM系統(tǒng)的自適應(yīng)子信道分配方法41-44
• 2.3.1 HNN優(yōu)化41
• 2.3.2 OFDM系統(tǒng)模型41-42
• 2.3.3 HNN優(yōu)化算法的設(shè)計步驟42-44
• 2.4 比特分配和功率分配44-46
• 2.5 仿真結(jié)果及性能分析46-49
• 2.6 本章小結(jié)49-51
• 第3章 基于Hopfield神經(jīng)網(wǎng)絡(luò)的多用戶干擾網(wǎng)絡(luò)的最優(yōu)IA分簇方法51-63
• 3.1 前言51-53
• 3.2 系統(tǒng)模型53-55
• 3.2.1 干擾網(wǎng)絡(luò)53
• 3.2.2 IA分簇53-54
• 3.2.3 干擾網(wǎng)絡(luò)的圖形解釋54-55
• 3.3 基于HNN的最優(yōu)IA分簇算法55-58
• 3.3.1 IA分簇問題的提出55
• 3.3.2 基于HNN的IA分簇方法55-58
• 3.4 仿真結(jié)果及性能分析58-60
• 3.5 結(jié)論60-63
• 第4章 復(fù)值BP神經(jīng)網(wǎng)絡(luò)及其信道跟蹤與預(yù)測算法63-87
• 4.1 前言63-67
• 4.1.1 最速下降法64-65
• 4.1.2 復(fù)值BP神經(jīng)網(wǎng)絡(luò)的處理單元65-67
• 4.2 傳統(tǒng)的復(fù)值BP算法67-71
• 4.2.1 前向傳播過程67-68
• 4.2.2 反向傳播過程68-70
• 4.2.3 基于復(fù)值BP神經(jīng)網(wǎng)絡(luò)的信道均衡70-71
• 4.3 基于復(fù)值BP神經(jīng)網(wǎng)絡(luò)的信道跟蹤及預(yù)測算法71-85
• 4.3.1 研究背景71-75
• 4.3.2 系統(tǒng)模型75-76
• 4.3.3 復(fù)值BP神經(jīng)網(wǎng)絡(luò)的信道跟蹤與預(yù)測76-79
• 4.3.4 仿真結(jié)果分析79-85
• 4.4 本章小結(jié)85-87
• 第5章 復(fù)值神經(jīng)網(wǎng)絡(luò)的改進(jìn)87-109
• 5.1 前言87-88
• 5.2 基于改進(jìn)型誤差函數(shù)的復(fù)值BP神經(jīng)網(wǎng)絡(luò)88-93
• 5.2.1 新型誤差函數(shù)88-89
• 5.2.2 輸出層權(quán)值更新規(guī)則89-90
• 5.2.3 隱層權(quán)值更新規(guī)則90-93
• 5.2.4 實驗驗證93
• 5.3 基于Kalman濾波算法的CVNN93-99
• 5.3.1 引言93-96
• 5.3.2 基于Kalman濾波算法的復(fù)值BP神經(jīng)網(wǎng)絡(luò)96-99
• 5.3.3 實驗驗證99
• 5.4 復(fù)值小波神經(jīng)網(wǎng)絡(luò)99-108
• 5.4.1 引言99-103
• 5.4.2 小波神經(jīng)網(wǎng)絡(luò)103-104
• 5.4.3 實驗驗證104-108
• 5.5 小結(jié)108-109
• 第6章 新型遞歸神經(jīng)網(wǎng)絡(luò)及其在通信領(lǐng)域中的研究和應(yīng)用109-121
• 6.1 前言109-111
• 6.2 新型遞歸神經(jīng)網(wǎng)絡(luò)模型111-113
• 6.2.1 問題闡述111-112
• 6.2.2 神經(jīng)網(wǎng)絡(luò)模型112-113
• 6.3 MIMO系統(tǒng)模型113-115
• 6.4 基于遞歸神經(jīng)網(wǎng)絡(luò)的SDR檢測115-117
• 6.4.1 QPSK信號的SDR檢測115-116
• 6.4.2 16QAM信號的SDR檢測116-117
• 6.5 仿真結(jié)果及性能分析117-120
• 6.5.1 二次規(guī)劃問題117-118
• 6.5.2 MIMO檢測118-120
• 6.6 小結(jié)120-121
• 第7章 總結(jié)與展望121-125
• 7.1 論文總結(jié)121-122
• 7.2 論文不足與研究展望122-125
• 參考文獻(xiàn)125-138
• 致謝138-139
• 攻讀博士學(xué)位期間發(fā)表的論文及其他成果139-141
• 附件1141-164
• 附件2164

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 江銘炎;袁東風(fēng);;基于序貫蒙特卡羅算法的多天線快時變信道的盲跟蹤[J];通信學(xué)報;2007年02期

，

本文編號：1117842