（通信与信息系统专业论文）基于人工神经网络的dscdma系统的多用户检测.pdf

摘要 j 码分多址系统具有抗干扰能力强、系统容量大等优点，但是由于多址干扰的存 在限制了其容量和性能。为了抑制多址干扰，可以采用多用户检测的方法玎本文 在分析最佳检测、最佳线性检测、解相关检测这几种多用户检测方法的基石茁上， 指出它们都存在计算复杂的问题；提出通过神经网络的方法实现多用户检测的思 路，探讨了用单层感知器和前向二层网络实现解相关检测和最佳线性检测、用 h o p f i e l d 网络实现最佳检测的方法；用c 语言对神经网络和通信系统进行软件仿 真，得到各种检测方法的性能曲线，验证了基于人工神经网络的多用户检测方法 是可行的；并用d s p 器件的汇编语言实现这种检测方法。 关键字码分多址多用户检测人工神经网络 abstrac t c o d ed i v i s i o n m u l t i p l ea c c e s s ( c d m a ) c o m m u n i c a t i o ns y s t e m sp r o c e s sm a n y a t t r a c t i v ep r o p e r t i e s ，b u tt h ee x i g e n c eo f m u l t i p l ea c c e s si n t e r f e r e n c e ( m a i ) l i m i t st h e c a p a c i t ya n dp e r f o r m a n c eo fc d m as y s t e m s ，m u l t i u s e rd e t e c t i o ni sab e t t e rs t r a t e g yo f e l i m i n a t i n gt h em a i t h ed i s s e r t a t i o na n a l y z e so p t i m u mm u l t i u s e rd e t e c t i o n ，o p t i m u m 1 i n e a rd e t e c t i o n ，a n d d e c o r r e l a t i n gd e t e c t i o n ，a n df i n d ac o m m o nd i f f i c u l tp r o b l e mo f c a l c u l a t i o nc o m p l e x i t y ；p r e s e n t st h es c h e m et oi m p l e m e n tt h em u l t i u s e rd e t e c t o rb a s e d o i la r t i f i c i a ln e u r a ln e t w o r k ( a n n ) ，a n dd i s c u s st h em e t h o d so f i m p l e m e n t i n go p t i m u m l i n e a ra n dd e c o r r e l a t i n gd e t e c t i o nb yp e r c e p t r o na n df o r w a r dn e u r a ln e t w o r k a n dt h e m e t h o do fi m p l e m e n t i n go p t i m u md e t e c t i o nb yh o p f i e l dn e u r a ln e t w o r k ；s i m u l a t et h e n e u r a ln e t w o r ka n dt h ec o m m u n i c a t i o ns y s t e mb yc l a n g u a g e ；c a l c u l a t et h ep e r f o r m a n c e o ft h e s ed e t e c t o r st o p r o v e t h es c h e m ei sf e a s i b l et h e nt h em u l t i u s e rd e t e c t i o ni s p r o g r a m m e db yt h ea s s e m b l yl a n g u a g eo fd s r k e yw o r d sc o d ed i v i s i o n m u l t i p l ea c c e s s ( c d m a ) m u l t i u s e rd e t e c t i o n a r t i f i c i a ln e u r a ln e t w o r k ( a n n ) 2 南京航空航天大学硕士学位论文 第一章绪论 多年来，人们都梦想着任何人在任何时间和任何地点都可以通过任何信息媒 体及时地与任何入通信，即实现个人通信。但要达到全球个人通信网的建成还需 很长的过渡阶段，现在的移动通信就是过渡到最终目标的里程碑。 移动通信已经历了第一代、第二代移动通信系统，正向第三代移动通信发展。 第一代移动通信( 1 0 ) 主要采用模拟和频分多址( f d m a ) 技术；第二代移动通 信( 2 g ) 起始于9 0 年代初期，主要采用数字式时分多址( t d m a ) 和码分多址 ( c d m a ) 技术。其产品类型又可分为两大类：即数字式t d m a 系统和数字式 窄带c d m a 系统。第三代移动通信( 3 g ) 系统也叫“未来陆地移动通信” ( f p l m t s ) ，后由国际电联( i t u ) 正式命名为1 m t 2 0 0 0 。i m t 一2 0 0 0 的首选技术 是宽带c d m a 。所以，几乎所有的专家都认为，二十一世纪c d m a 将是无线通信 中最主要的多址接入手段。 一问题的提出 c d m a 是通过给不同的用户分配不同的地址码达到多址接入的。它是不同于 f d m a ( 各用户占用相互正交的频带) ，也不同于t d m a ( 不同的用户在不同的时 隙传输) 的多址方式，所有的用户可以在同时传输信息，而且每个用户都占用整 个可用的频谱资源。 直接序列扩频码分多址( d s c d m a ) 是c d m a 技术中最常用的一种。d s c d m a 发射机将不同的二进制序列码( 码速率远远高于信息比特率) 调制到不同 用户的信号上，扩频后的信号覆盖相同的频谱和时间，接收机将接收到所有用户 的扩频信号的总和。在传统的d s c d m a 系统中，各个用户又将用各自的序列码 解扩接收信号以提取出自己的信息。 d s c d m a 系统以其系统容量大、频谱效率高、保密性好和抗干扰能力强等 优点受到青睐。投入商用之初，就显示出与f d m a 、t d m a 相比在提高系统容量 方面的优越性。因此，在现已使用的窄带c d m a 标准i s 9 5 中，是以d s c d m a 为基础制订无线接口的。 虽然，系统容量大是c d m a 系统的突出优点，但是多址干扰的存在却严重影 基于人工神经网络的d s c d m a 系统的多用户检测 响了系统的容量和性能。多址干扰指的是由于各用户的扩频码不能完全正交所引 起的相互干扰。虽然每个用户产生的多址干扰是很小的，但随着系统用户数的增 多，信道条件的恶化，多址干扰对系统的影响也变得越来越严重，成为一个不可 忽视的干扰因素。 在传统检测方法中，使用的是单用户检测方案，即：在不考虑其它用户的情 况下，对每个用户信号采用与它相匹配的相关器单独进行检测。由于没有考虑m a i 的存在，传统检测的检测性能较差。 多用户检测就是为解决这个问题而提出的，它通过综合分析所有用户的接收 信号来检测出各个用户的信息的方法，以克服传统检测的局限性。因此多用户检 测是码分多址的关键技术之一。 国内外，已有很多专家学者对多用户检测进行研究，提出了多种算法，在1 9 8 6 年，sv e r d u 提出并分析了最佳多用户检测( 最大似然检测) ，它具有最佳的检测 性能，但计算量太大，其计算复杂度与用户数呈指数关系，工程实现还很困难。 因此，在近十几年来，研究的重点在于寻求实际应用中易于实现的次最佳多用户 检测方案上。 在这些方案中，大体可分为两类：线性多用户检测和相减干扰抵消检测器”i 。 相减干扰抵消检测器，包括串行干扰抵消检测、并行干扰抵消检测等，它们是先 估计出来自其他用户的多址干扰，然后去抵消接收信号中的干扰项，以提高性能。 线性检测器包括最佳线性检测( 最小均方误差检测) 和解相关检测，它是对传统 检测器的输出进行线性映射，以得到更好的性能。具体地，解相关检测是在匹配 滤波器输出端乘上互相关逆矩阵，去除了信号之间的相关性，完全消除了多址干 扰，不需要估计接收信号的幅度，缺点是背景噪声项也乘上了互相关逆矩阵，会 使背景噪声增大。最佳线性检测则是在匹配滤波器输出乘上一个改进的互相关矩 阵的逆矩阵，综合考虑多址干扰和背景噪声，以达到最小均方误差为目的，其误 码率性能比解相关检测好，但它需要对信号能量进行估计。 次最佳多用户检测方法虽然计算比最佳检测简单，但是也不易求解。在线性 检测器中，我们需寻求线性映射( 线性矩阵) 。解相关检测需要求解一个k * k ( k 为用户数) 的相关矩阵的逆阵，随着用户数的增加，这是个复杂的计算问题。最 佳线性检测则更加复杂，它不仅要考虑多址干扰，还要考虑背景噪声的存在。 本文的主要工作就是探讨通过人工神经网络的方法来解决计算复杂的问题， 通过t l l 练过的神经网络来实现多用户检测。 神经网络是近年来逐渐形成的一个新兴的多学科交叉技术，它的研究涉及众 ， 南京航空航天大学硕士学位论文 多科学领域，这些学科相互结合、相互渗透和相互推动，而不同领域的研究者又 从各自学科的兴趣与特色出发，提出不同的问题，从不同角度着手研究。c d m a 系统的多用户检测是一个计算非常复杂的问题，运用传统方法，计算量大，不易 实时处理。而神经网络在模式识别、优化计算等方面有其特长。 二本文的主要工作 1 探讨分别通过单层感知器、前向二层网络、h o p f i e l d 网络的方法实现多用 户检测。人工神经网络模拟人脑的功能，具有一定的学习能力。网络各神经元之 间的互连的规律决定了网络的功能特征，某一特定的模式都能根据某一学习规律， 动态修改各处理单元之间连接的权值并存储到神经网络模型中，学习后的神经网 络模型能识别新的模式或回忆起过去的记忆口】。 利用单层感知器的联想记忆、能识别受到干扰和背景噪声污染的信号并还原 出原本的信号的功能。把接收机的匹配滤波器输出的迭加了多址干扰的信号送入 神经网络中，单层感知器即可输出去除了多址干扰的信号，即实现了解相关检测。 神经网络事先通过样本数据进行了训练，训练好的网络连接权值与解相关检测中 的相关矩阵的逆阵具有良好的对应关系。即线性变换矩阵得到求解。用单层感知 器实现最佳线性检测器也是同理，不同的只是最佳线性检测器综合考虑了多址干 扰和背景噪声，以达到平均误码率最小，所以用于网络训练的样本信号是同时迭 加了多址干扰和背景噪声的信号。 利用前向二层网络的分类功能，把k 个用户信号的2 种可能进行分类，经过 训练的网络能识别某一时刻k 个用户输出的信号属哪种可能，然后进行译码，即 可得所需的结果。前向二层网络也同样可实现解相关和最佳线性检测，只是前向 二层网络与单层感知器网络模型不同，用于训练的样本数据结构也不同。同样地， 解相关检测和最佳线性检测的样本数据一个只考虑了多址干扰，一个综合考虑了 多址干扰和背景噪声。另外，前向二层网络不象单层感知器的网络连接权值与检 测器中的线性变换矩阵有良好的对应关系，但它可作为一个模块代替变换矩阵， 实现解相关和最佳线性检测的功能。 最佳检测是通过计算似然函数，选择出最大似然值的信息序列，这是一个优 化计算问题，而优化计算是h o p f i e l d 网络的特长。所以可把多用户检测的优化问 题映射为h o p f i e l d 神经网络( h n n ) 能量函数最小化问题，利用h n n 固有的快 速下降特性，实现实时对c d m a 系统的多用户检测。 1 基于人工神经网络的d s c d m a 系统的多用户检测 2 用c 语言编程软件实现单层感知器和前向二层网络，编程产生不同的样本 数据文件，训练神经网络，存储网络的结构和连接权值；用软件模拟通信系统， 产生随机信号、多址干扰、离斯噪声，对接收信号进行判决，计算如传统检测、 基于单层感知器的解相关和最佳线性检测、基于前向二层网络的解相关和最佳线 性检测的几种情况下的误码率曲线，并讨论运用于多用户检测的神经网络的特点。 3 探讨用d s p 器件实现基于神经网络的多用户检测的方法。由于数字技术广 泛应用于通信领域，数字调铡、数字解调、谱估计等等都可以用d s p 器件软件实 现。本文用d s p 的汇编语言编程实现基于神经网络的多用户检测的程序，可以作 为c d m a 系统接收机信号处理程序中的一个子模块。 南京航空航天大学硕士学位论文 第二章d s - c d m a 系统及多用户检测器 2 1 扩频通信系统 一概述 著名的仙农信道容量定理c = l o g ，( 1 + s ) 揭示了扩频技术的本质。在 信道容量一定的情况下，可以通过扩大传输信道的带宽来换取信噪比的降低。 码分多址采用的是扩频技术。扩频系统是指将原始信号的频谱进行扩展，再 进行传输的系统。其必须符合两点要求：( ! ) 扩频后的带宽远远大于信号的带宽； ( 2 ) 扩展后的频谱结构与原始信息频谱无关，无法从扩展后的频谱去破译原始信 息的频谱，扩展的频谱仅仅取决于扩展频谱的方法。 图2l 为扩频通信系统模型，不同的用户使用不同的随机码( 码速率远远高 于信息比特率) 对基带信号的频谱进行扩展，形成相当宽带的低功率谱密度信号。 若信号传输过程中，受窄带干扰，则在接收端，信号经过解扩，恢复到原来的信 息带宽。而窄带干扰被扩展频谱，经基带滤波器后。滤除超过信号带宽的干扰， 则提高了接收端的信噪比。这种信噪比的改善，称为扩频增益g 。 图2 1 扩频通信系统模型 根据码分多址的原理，由于其特征，它具有以下一些优点： 基于人工神经网络的d s c d m a 系统的多用户检测 1 许多用户可在同一宽带信道传输信息，频谱效率高，系统容量大； 2 由于低功率谱密度传输和按地址码选取信息，从而使非指定用户在背景噪声中 难以探测它，保密性强； 3 更适于衰落信号。多径效应引起的衰落严重地影响着移动通信无线信号的可靠 性。在c d m a 系统中，由于应用了扩频技术，具有了抗多径效应的固有特性。 当多径时延大于伪随机噪声序列的一个码片宽度时，由于多径信号相关系数很 小，从而多径信号对系统性能的影响很小； 4 具有软容量。在频分和时分多址中，系统的容量是确定的，额外用户不可能获 得电路。在码分多址中，系统容量的确定取决于允许的信噪比。可以以通信质 量稍有下降为代价来增加少量用户，这样的机制可以减少呼损。 5 软越区切换。各区采用统一频率，手机在越区时可以与两个区基站问时接通而 缓慢切换，这样可以大大减少由于切换引起的掉话。这种切换的另好处是可 以提供天线分集接收功能。 6 在c d m a 中，没有保护时间。在t d m a 中，时隙间需要有保护时间，保护时 间占有一定比特的时间周期。而在c d m a 中，不存在保护时间。因此，在相 同的速率下，c d m a 传送的信息量比t d m a 高。 二系统信号模型 扩频的方法有很多种，如直接序列扩频、跳频扩频、跳时扩频等。但是，直 接序列扩频最常见。同时，为了便于分析，本文做如下假设： ( 1 ) 本文考虑的是同步d s c d m a 系统： ( 2 ) 所有载波相位为0 ； ( 3 ) 数字调制采用b p s k ； ( 4 ) 信道有k 个用户。 d s c d m a 系统信号模型如图2 2 所示，则接收信号r ( t ) 可表示为 k r ( t ) = b 。( 0 s 。( 卜i t ) + n ( t ) ( 2 1 ) = 1 y t ( i ) 2 j ( 。一1 t r ( t ) s k ( t i t ) d t ( 2 2 ) 其中：以( f ) 土1 ) 表示第k 个用户在第i 时刻的信息值 南京航空航天大学硕士学位论文 s 。( f ) 表示第k 个用户的扩频信号； n ( t ) 为双边功率谱密度为。1 2 的加性白高斯噪声 t 为一个信息码元的持续时间。 b ( i ) b ：( i ) b f ( j ) t q - 7 n 图2 2d s c d m a 通信系统信号模型 + + 假设信息序列有等可能性，我们可在一个特殊的符号间隔内考虑问题，仍不失一 般性。这可取i = 0 ，上式可简写为： r r ( 0 = 以o ) + ，? ( f ) ，t o ，瓦】 ( 2 3 ) = l 儿= r ，( f ) ( f ) 馥k = l ，2 ，k ( 2 - 4 ) 若定义伪随机码之间的相关矩阵为r ，其中元素为r , j ， 铲鬟s ：s i ( 0 d r ( 2 - 5 ) 当扛时= w t ； r 为归一化的相关矩阵 令 y = 陟。，y ：，y 。i rb = 6 。，6 ：，b 。i r ( 2 6 ) 基于人工神经网络的d s - c d m a 系统的多用户检测 则 y = r ；b + n ，其中， = j ： ( f ) j ( f ) 讲 传统检测采用单个用户检测方案，直接对各匹配滤波器的输出进行判决，每 个检测分支只检测单个用户，不考虑其它用户的存在。 睇= s g n y ( 2 - 7 ) 而 y 。= r 6 ，( 啪t ( t ) d t 2 啦酏州小啪 陋。， = 硇。宝0 ”p 嘲& ( t ) d t = _ w k b k + m 舶k tz k 从上式可看出，匹配滤波器输出信号包括三部分：检测出的数据项、由其他用户 产生的m a i 项和信道热噪声相关产生的噪声项。 多址干扰的存在严重影响了系统的性能和容量。随着用户数的增加，m a i 也 随之增加。另外，由于远近效应，弱信号就会淹没在强信号中。 三性能参数 在通信系统中，通常采用误码率来衡量系统性能。但在多用户情况下，若系 统信噪比高时，各用户间的多址干扰比信遵噪声的影响大得多时，单纯用误码率 不能全面、有效地衡量检测性能。为此，我们引进效率的概念。 效率即有效信噪比与实际信噪比之间的比值。这里，有效信噪比是指在没有 干扰用户的情况下达到同样误码率所需的信噪比。实际信噪比是指用户实际接收 的功率除以背景白噪声功率谱密度( 不包括其他用户的干扰) 。 渐近效率是指在白高斯噪声为零情况的极限情况下的效率。它表征了当主要 性能损失由其他干扰用户的存在而引起而不是背景噪声引起时，潜在的性能损失。 铲煦黧黜虬_ + o * mj 目rl l ( 2 - 9 ) 因此，除误码率外，渐近效率也是一个比较不同检测器性能的参数。而且， 渐近效率具有其特点；能很简便地衡量由其他用户干扰造成的检测性能变化，并 可能得到明确的表达式，而误码率只能得到一个上下限范围。 8 南京航空航天大学硕士学位论文 在多个用户c d m a 系统中，第k 个用户的渐近效率为1 4 1 十吲：嘞糟 o i b 。= 一1 】 = 尸k o b p b b 。= 一1 】 ( 2 1 i ) 忙b e - i l 旷 f w 。一5 k b ， 观1 。委，* q l 引 俨唧卜懊南 o l = 1 】 = 尸协删t r , 。一薹c 吼x ， 南京航空航天大学硕士学位论文 其中，( t n ) 。为均值为零的高斯随机变量。 当叮一0 时，只主要由下式确定 ( 2 - 2 7 ) 2 1 。艳 i 赢篱- j q 也8 所以，根据多用户检测的渐近效率定义，通过线性变化t 实现的第k 个用户 的渐近效率为 ，】( t r 一善l ( 巩) * 1 仉叮卜一2 卜赤_ 丽篱- 1 q 吨 r = s u pr ( n ( 2 3 0 ) 将式( 2 - 2 9 ) 带入式( 2 - 3 0 ) 得到 r k = s u p m a x 。 v e r x o ，下1 、，w 其中，仉( v ) ：f 1 、w 。 q v - 护v i v 7 足v 一阿v l = 一2 k s u 妒p 加) ( z 吲) ( 2 - 3 2 ) v 是线性变化t 的第k 行。要使只最小，必须使q 函数达到最大，即等效于 用v 向量的元素使渐近效率达到最大。由于匹配滤波器输出y 进行的是线性变换t 因此所有用户的渐近效率几乎同时达到最大。 2 4 解相关检测器 一原理 llllj x 妒 r7 础 一 特 豫 ，。l p r 封 r k r 2 | | 基于人工神经网络的d s c d m a 系统的多用户检测 由式r = r ，b + n ，当输入信号向量线性独立时，伪随机序列之间的互相关矩 阵足可逆。为了去除多址干扰，我们很自然就会想到把匹配滤波器组的输出乘上 一个r 。矩阵， 5 = s g n x = s g n t r ) = s g n r , 1 明 式( 2 3 3 ) 称为解相关检测器。其基本结构如图25 。 ( 2 3 3 ) 图25解相关检测器的基本结构图 则第k 个用户的输出信号为 b 。= s g n ( x ) = s g n b p + ( r 。- 1 ) 女】 其中，s - 1 ) 。是矢量( 尺。) 的第k 个元素，由于互相关矩阵中的元素厶l ， 所以，背景噪声乘以它的逆矩阵后，背景噪声一般都会大于或等于传统检测器输 出的噪声项。 解相关检测不需要预先知道用户发送的信号能量， 令只= 垒，即兑：第k 个用户的归一化信号相关接收的结果。 、 1】 s g n ( r - y ) = s g n ( w 2 r 。w 2 y ) 1 = s g n ( w j r 1 ，)( 2 3 4 ) = s g n ( r “y 1 也就是用匹配滤波器输出向量p 与标准互相关矩阵的逆矩阵r 。相乘，得到判 决。而且，在信号能量未知的情况下，解相关检测器是一个最佳解决方案【6 l 。 二性能 第k 个用户的误码率为 - 1 6 南京航空航天大学硕士学位论文 p k = p k 。：1 x 。= 一1 】 ：v ( t r ，x + t n ) 。 o l x 。= 一1 】 = p l ( t n ) k ( t r 。) “一( t r 。) q xjl( 2 3 5 ) ：2 。p l ( t n ) 。 ( t r ；) 。一( t r ；) x ，l ：譬1 ，l ”。 o 由于随机变量( 7 ) 。是一个零均值的高斯变量，方差为( 巩歹) 。o - 2 r 所以上 式( 2 3 5 ) 主要有以下项决定( 当盯斗0 时) z 。q ( ( 慨) 。一j ( 巩b j 户阢 c z 舶， 所以，第k 个用户的渐近效率为 f，) 。一1 ，) 。| 纵d 一心 0 赤菥 弘” 在此，t = r 。7 ( r 。的广义逆矩阵) 懈，* 耐悟噤掣 f 2 3 8 ) 那么对于所有r 。i ( r 。) 都 吼( r 。) = 1 r 矗 所以，解相关检测器的渐近效率与其他用户信号功率和所选的逆矩阵无关。 2 如果第k 个用户的信号与其他用户线性不独立，那么 7 7 ；= s u p 叮t ( r 。) = s u p 叮女( r ) = 叩p ， r 。o a l ( r d r e r 。 即对于k 个线性相关的用户，解相关检测与最佳线性检测具有相同的渐近 效率。 1 7 基于人工神经网络的d s c d m a 系统的多用户检测 3 对于抗远近效应能力，解相关检测与最佳多用户检测的性能相同，即对所 有的r 1 ， ) ，都有燕玑( r 1 ) 2 然仉2 玩 ( 2 _ 3 9 ) ；j ；t 这个特性使得解相关检测在消除远近效应对检测性能的影响中，显得特别 重要。在远近效应中，如果用户的位置快速变化，那么接收的信号不仅具 有不同的能量，而且信号的能量也可能在一个很大的范围内连续变化。因 此任何具有线性计算复杂度的解相关检测同具有计算复杂度随着用户数目 增加而呈指数上升的最佳多用户检测相比，在消除远近效应对检测性能的 影响方面，拥有相同的能力。 2 5 小结 一多用户检测带来的性能的改善 对于以上这些对多用户检测的讨论，我们都是在蜂窝系统中考虑。当然，这可 推广到其它无线环境中。在蜂窝系统中，在一给定的区域，有两个信道：从基站 到移动台的下行链路和从移动台到基站的上行链路。 多用户检测带来的性能的改善受到两个限制： 1 来自其它蜂窝的多址干扰的存在。在蜂窝d s c d m a 系统中，一对上下行 通道所占用的频带同时也被其他蜂窝所使用。这样，在一个蜂窝所传输的 信号就可能造成对邻近蜂窝的干扰。若多用户检测算法不包括这部分干扰， 那么潜在的性能改善将大打折扣。通过比较有无多用户检测时系统总共所 受的干扰，可得到容量增加的上限。如果我们忽略背景噪声，没有多用户 检测时，系统总共所受干扰为，= k + 。，其中k 是同一蜂窝内的多 址干扰，是来自其他蜂窝的m a i 与本蜂窝的m a i 的比率。在理想情况 下，所有同蜂窝的m a i ，被去除，只剩下。，。干扰的大小与用户数成正 比，所以容量增益因子最大为( 1 + ，) s 。f 的典型值为o ，5 5 ，那么最大增 益因子为28 。1 5 1 2 多用户检测在下行链路中实现困难。由于受到费用、尺寸和重量的限制， 目前，很难在移动台上实现。实际上，多用户检测最初考虑就是用于基站。 但是上行链路容量超过下行链路，并不能使整个系统的容量增加。 6 1 除了这些局i j l i l j b ，多用户检测更多的是带来了很多潜在的好处： 南京航空航天大学硕士学位论文 1 容量的显著增加。 虽然在蜂窝系统中，受其它蜂窝多址干扰的影响，但容量的增加还是显著 的； 可以通过在多用户检测算法中考虑来自邻近蜂窝的信号，来减小来自其他 蜂窝的多址干扰的影响； 虽然，多用户检测在下行链路尚未启用，但一般认为，d s c d m a 系统容 量受上行链路的限制( 7 1 ；另外，下行链路性能改善也越来越可行。 2 上行链路频谱利用率更高。 上行链路的改进使移动台可以工作在稍低的处理增益上【8 l ，这样，上行链 路占用较小的频带宽度；这额外的带宽可用来改善下行链路的容量。换句 话说，同样带宽，上行链路可支持更高的数据率。 3 降低了对功率控制精度的要求。 由于多址干扰和远近效应的影响降低，则对每个用户到达接收端时能量要 相等这种要求就降低了。这样，对移动台功率控制精度要求下降。所以， 由多用户检测带来的基站的额外的复杂性的增加降低了移动台的复杂性。 4 能量利用更有效。 上行链路干扰的降低可转化为对移动台发射功率要求的降低。换句话说， 同样的发射功率可覆盖更广的范围。 二数值计算和结果分析 为了更直观地分析传统检测、最佳多用户检测、最佳线性多用户检测和解相 关检测在多用户码分多址通信系统中的性能，我们进行了数值计算，并且对结果 加以分析。 我们分别对上述四种检测在两个用户的码分多址通信系统中的误码率和渐近 效率，进行了研究。 误码率 我们首先分析在两个用户低互相关情况下，用户l 在传统检测、最佳检测、 1 最佳线性检测和解相关检测中的误码率。假设：p ，：= = 1 ，s n r ( 1 ) = 8d b ，如图2 6 j 所示 基于人工神经网络的d s c d m a 系统的多用户检测 l 斛 0 l 匿 凳0 0 1 疋 旺0 0 0 1 一， ， - ， ， ， ， ， ， ， 。一 、一一 一1 0一62261 0 s n r ( 2 ) 一s n r ( 1 ) d b 图2 6 各检测器误码翠比较( 低互相关) 从图2 6 可以看出：随着干扰用户的能量增加，用户1 的最佳多用户检测性能 也提高。传统检测在这样的低互相关情况下，检测性能随着干扰用户信号的能量 增加而急剧下降，这表明传统检测在多用户码分多址系统中，不能很好的消除近、 远效应对检测性能的影响。最佳线性多用户检测和解相关检测在检测性能上，接 近最佳用户检测。 现在再对四种检测在高互相关下的检测性能进行研究。 假设：p ：= 0 7 ，s n r 0 ) = 8 d b ，如图2 7 所示 1 斛 0 1 蹬 些o o l 、 旺0 0 0 1 o ，o 0 0 1 ，- 一一一一 二扩- 。 一1 0一62 261 0 s n r ( 2 ) - s n r ( 1 ) d b 图2 7 各检测器误码率比较( 高互相关) 1 从图2 7 可以清楚的看出：最佳线性多用户检测和解相关检测的检测性能不再 接近。解相关检测在干扰用户能量低时，检测性能不如最佳线性多用户检测，但 是它的检测性能不随干扰用户信号的能量的变化而变化。最佳线性多用户检测在 - 2 0 - 南京航空航天大学硕士学位论文 干扰用户信号能量低时，检测性能接近最佳多用户检测；在干扰用户信号能量足 够强时，其检测性能和解相关检测相同。 最后我们在高互相关情况下，用户l 信号能量增大时，各种检测的检测性能 变化。假设：p 。：= 0 7 ，s n r o ) = 1 2 d b 如图2 8 所示 槲 窖 嗤 h 皿 旺 - 。 ：多乒一。、 1 062261 0 s n r ( 2 ) 一s n r ( 1 ) d b 图2 7 吾检测器误码率比较( 高互相关) 2 从图28 可以看出：在最佳多用户检测的误码率最大时，即：系统处于最恶劣 的情况，这时解相关检测基本实现了最佳多用户检测系统的检测性能，这说明在 高互相关的情况下，解相关检测能够非常好的消除近、远效应对检测性能的影响。 渐近效率 我们研究传统检测、最佳多用户检测和最佳线性多用户检测的渐近效率。如 图2 9 所示。 从图中可以看出：当干扰用户信号能量最低时，这些检测的检测性能相当， 渐近效率都接近l 。随着干扰用户信号能量增加时，传统检测的检测性能急剧降低， 而最佳线性和解相关的检测性能同最佳多用户检测相当。 三存在的问题 多用户检测虽然带来了性能的改善，但是这些方法都存在一个问题，计算太 复杂。最佳检测的计算量* 2 ( k 为用户数) ；解相关检测要求相关矩阵的逆阵， k * k 的矩阵求逆，计算量* k 3 ；最佳线性检测比解相关检测更复杂，它虽然也是 求一个线性矩阵，但还存在优化问题。为了解决计算复杂的问题，本文将在下一 0 0 o 0 o 0 0 0 o 0 0 0 o 0 0 0 0 0 o 0 0 0 0 0 0 0 0 0 o o 0 0 o o 0 0 o 0 o 0 o 0 o )( 0 基于人工神经网络的d s c d m a 系统的多用户检测 1 5 褂 1 揆 蚓 凝0 5 o 2 01 00 1 02 0 s n r ( 2 ) 一s n r ( t ) d h 图2 9 各检测器渐近效率比较 中探讨用神经网络的方法来解决这个问题。 2 2 ， 南京航空航天大学硕工学位论文 第三章人工神经网络在多用户检测中应用 3 1 概况 人的神经系统是由众多神经元连接而成的一个复杂的系统。神经元又i l 神经 细胞，它是神经组织的基本单元。它包括细胞体和突起两部分，突起又分为轴突和 树突。神经元之间密切接触。传递神经冲动的地方叫突触，它主要是一个神经元的 轴突末端与另一个f 十经元的树突( 或细胞体) 之间的接触。当若干突触输入，或同 一突触得到连续的输入时，按时间迭加的结果，使细胞体内电位超过某一阀值时， 细胞体的膜将会发生单发性的尖峰电位( 活化电位) ，这一尖峰脉冲将会沿轴突传 播到四周与其相联系的神经细胞。 用人工方法模拟神经元采取某种方式连接而成的网络模型，称为人工神经网 络。模拟神经网络处理信息的方式，称为人工神经网络方法。任何一个神经网络模 型部有许多处理单元组成，每个处理单元都是生物神经元的抽象，每个处理单元都 能从模型中其他单元接受信号，并对这些信号执行简单的处理，然后计算出一输出 值，这电芷是个处理单元所具备的的= i 个基本的处理功能，即接收输入，对输入 值进行处理，计算输出。神经网络模型的处理功能都是日这些简单的处理单元完成 的。 神经元在输入信号作用下产生输出信号的规律由神经元功能函数f 给出，这 是神经元模型的外特性。它包含了从输入信号判净输入，再到激活值，最终产生输 出信号的过程。f 函数的形式多样，利用它们的不同特性可以构成功能各异的神经 网络。通常f 函数可划分为三种类型：简单的映射关系，动态系统方程或概率统计 模型。几种简单的模型，如线性模型，硬限幅函数，s 型函数模型等。 神经网络是一个复杂的互连系统，单元之间的互连模式将对网络的眭质和功 能产生重要的影响。各单元之间相互连接的规律，特定的规律决定了网络的功能特 征，或者说构成了系统具有的知识。互连模式种类繁多，典型的网络结构如前向网 络( 如前馈网络) ，反馈网络等。 学习功能是神经网络最主要的功能之一。神经网络模型可能通过学习来动态 修改各处理单元之间连接的权值。某一特定的模式记忆都能根据某一学习规律， 通过修改处理单元之间连接的权值存储到神经网络模型中，并且通过学习后的神经 网络模型也能识别新的模式或回忆起过去的记忆。 。2 3 基于人工神经网络的d s c d m a 系统的多用户检测 构成人工神经网络的目的往往是为了实现某种功能，人工神经网络的基本功 能有联想记忆，分类，优化计算等。联想记忆，即假定有m 个样本矢量一“，其中 s = o ，l ，2 一 ，m l ，若输入x = x “+ x , ，x “表示第s ，个样本，是由于噪声， 干扰或图形缺损等因素引起的误差，要求输出y = z “，也即去除偏差使信号按样 本复原。联想记忆可划分为自联想和异联想两种类型。分类，即当输入样本与标准 样本匹配即可归类，系统完成分类功能。优化计算，是将优化约束信息( 与目标函 数有关) 存储于神经网络的连接矩阵w 之中，网络的工作状态以动态系统方程式描 述。设置一组随机数据作为起始条件，当系统的状态趋于稳定时，网络方程之解作 为输出即优化结果。 神经网络具有大规模并行处理及分布式存储的优势，有良好的自适应性，白 组织性和容错性，有很强的学习功能，联想记忆功能，在解决“黑箱”问题和模式 识别上具有很大的优势。同时，具有强映射能力。在c d m a 系统的多用户检测中， 线性检测即可理解为寻找线性映射的问题，最佳检测也可认为是模式识别问题。所 以，在以下的几节里，本文讨论了几种神经网络应用于多用户检测的方法。 3 2 前向人工神经网络的应用 3 2 1 采用s 型函数的前向多层神经网络及其逆推学习算法 loo o loo o 输入层( m 个神经元) 隐含层( l 个神经元) 二三二三二二二二二二二二二二 输入层c n 个神经元， 南京航空航天大学硕士学位论文 图3 1 前向二层网络示意图 前向神经网络模型是指那些在网络中各处理单元之间的连接是单向的，而且 它总是指向网络输出方向的网络模型。前向多层网络如图所示，在本文中，只涉及 二层神经网络，所以以前向二层网络为例。图3 1 为其结构示意图： 人工神经网络输入是一个n 维矢量。输出是一个m 维矢量。每输入一个特定 的矢量，就可以得到一个特定的输出矢量。静态神经网络的任何一种功能都可以用 它的输入到输出之间的殃射关系来描述。我们希望实际输出值与理想输出值之间的 误差均方值为最小，那么最小二乘学习算法或l m s 算法即是我们所要求的。在 7 中己证明：采用硬限幅函数的前向二层神经网络可以无误地完成对于任何可分凸集 合进行分类；采用硬限幅函数的前向三层神经网络可以无误地完成对于任何非交集 合进行分类；采用线性函数的单神经元有各种有效的l m s 算法，但不能推广到多个 神经元组成的多层神经网络；采用硬限幅函数或线性函数的前向多层神经网络都不 能解决复杂的实际问题。s 型函数既具有完成分类所需的非线性特性特征又具有实 现l m s 算法所需的可微特性。 神经网络具有了一定的互连结构后，要想完成一定的功能，必须要经过学习。 神经网络学习过程如图32 所示，样本训练数据加到网络输入端，同时将相应的期 望输出与网络输出相比较得到误差信号，以此控制权重连接强度的调整，经计算至 收敛后给出确定的w 值。当样本情况发生变化时，经学习可修正w 值以适应新的环 境。 神经网络 图3 2 神经网络学习过程示意 基于人工神经网络的d s c d m a 系统的多用户检测 在神经网络中，每一个神经元的输入矢量y ，输出矢量x 之间的关系为 y = f ( w x 一们 式中，0 为闽值矢量。若f 采用s 型函数： jk i 。? ， x ， 0 弛) 2 寿( 3 - i ) 1 对于采用s 型函数前向多层神经网络采用b p 学习算法极为有效，反传算法实 际上是使系统朝误差梯度下降的方向移动。利用反传( b p ) 算法对多层网络训练 过程如下： ( 1 ) 初始化，对所有处理单元的阈值及处理单元之间的连接权值取一个较小的随 机数。 ( 2 ) 给定输入样本x = ( x 。x ：、x 。) 7 和理想输出d = ( d ，畋， 矗。) 7 。 ( 3 ) 对于层p 的处理单元i ，设层p - 1 中与之相连的处理单元j 给它的输入为d ， 它们之间的连接权值为w 。，则以下式计算层p 中处理单元i 的活跃值，也 即输出到层p + l 的输出值o 。 l q 。1 丽 1 + g ( 3 - 2 ) 这样一级一级向前计算，最终得到输出y = ( 儿，y ：，y 。) 7 这个阶段称为 前馈阶段。 ( 4 ) 调整权值：利用下面公式，从输出层开始向输入层方向进行权值调整： w v ( f + 1 ) = ”g ( f ) + 1 2 6 i o j ( 3 - 3 ) 南京航空航天大学硕士学位论文 其中，w 。( f + 1 ) 为层p 中处理单元i 与层p - 1 中处理单元j 之间的连接权值 6 。为层p 中处理单元i 的误码项；。，为层p 一1 中处理单元j 的输出值；为比例 系数，又称为学习速度，一般取值0i 口s 1 。 如果层p 是输出层，则 占：= 一，( 1 一j ，) ( d ，一y ) j = 1 , 2 ，一，卅 ( 3 - 4 ) 如果层p 为一中间层，则 占，= o ( 1 一。，) 8 p w *( 3 - 5 ) 这里k 是层p + i 中与层p 中处理单元i 相连接的处理单元的标号。 如果把层p 中处理单元的阀值看成是层p 一1 中处理单元到其一个附加的常数 输入连接权值，也可以照类似的方法进行该单元阈值的修改。 ( 5 1转( 2 ) ，直到学完所有的样本。 ( 6 )判断是否满足精度要求，若满足，则停止训练，否则转至( 2 ) 。 3 2 2 单层感知器的应用 若前向多层神经网络除输入层外，只有一层，就象一单层感知器。单层感知 器具有联想记忆、能识别受到干扰和背景噪声污染的信号还原出原本的信号的功 能。如上章所述，当多个用户同时发送信号，每个用户分别经扩频和射频调制，在 接受端收到的是所有这些信号的总和与信道噪声，然后接收机通过匹配滤波器进行 解调和解扩。匹配滤波器的判决输出应是信源发送的信息，但是由于受到多址干扰 和背景噪声的影响，如果采用传统检测方法，很难高性能地还原信源的信息。所以 我们可以利用单层感知器的联想记忆功能，把匹配滤波器输出信号送入神经网络 中，让单层感知器来完成多用户检测的功能。 设想构造如下单层感知器，若有k 个用户，则感知器有k 个输入节点，k 个输出节点，设连续权值为( j ，= l ，2 ，女) ，输入设为 ，：，t 7 ，输出 为【0 1 ，0 ：，q r ，理想输出为【吐，吐，巩r ，理想输出为系统发送的信息比 特，输入即为匹配滤波器的输出，由( 2 8 ) 可知： 基于人工神经网络的d s c d m a 系统的多用户检测 i l1 2i k 图32 单层感知器应用示意图 + ，= 0 6 ，+ j ：s i ( t ) n q ) d t ( i = 1 2 ，k ) ( 3 6 ) j 2 l d i = b ：( i - i ，2 ，k ) ( 3 - 7 ) 单层感知器的结构简单明了，而且它可同时实现解相关和最佳线性检测。这 两种都属于多用户检测中的线性检测，线性检测就是对传统检测器的输出进行线性 映射，以得到更好的性能。具体地，解相关检测是在匹配滤波器输出端乘上互相关 逆矩阵，对信号去相关。最佳线性检测则是在匹配滤波器输出乘上一个改进的互相 关矩阵的逆矩阵，以达到最小均方误差为目的。神经网络进行学习依循的准则就是 使输出与理想输出的之间误差最小，这正与检测器预达到误码率最小的目的相一 致。神经网络经过学习训练后，确定了各个权重值w i ，这即可对应线性变换矩阵 中各个分量的近似值，即线性变换矩阵得到求解。 由于解相关和最佳线性检测之间的不同，送入感知器中的训练样本数据也不 同。实现解相关检测时，是把匹配滤波器输出的迭加了多址干扰的( 而未包括背 景噪声的) 信号送入神经网络中，单层感知器经过学习可输出去除了多址干扰的 信号，即实现了解相关检测。用单层感知器实现最佳线性检测器也是同理，不同 的是最佳线性检测器综合考虑了多址干扰和背景噪声，以达到平均误码率最小， 所以用于网络口i l 练的样本信号是同时迭加了多址干扰和背景噪声的信号 由于是单层感知器，所以其学习算法可简化为： ( 1 ) 置各权值w ，为随机值； ( 2