一种神经网络多用户检测器

作者：时间：2010-12-25 来源：网络收藏

四、DHNN检测器性能模拟
　　下面，用计算机模拟CDMA通信系统来分析DHNN检测器性能.为了便于实现，误码采用异步更新的DHNN构造一个多用户检测器.对于两用户系统，假定扩频增益为3，互相关系数为1/3,SNR1=6dB.本文计算了两用户功率相等时，用户1的误码特性曲线；和两用户功率发生变化时，用户1的特性曲线.分别如图2和图3所示.在图中曲线1表示传统检测器性能，曲线2表示最佳检测器误码性能，曲线3表示DHNN检测器性能.再来考察四用户组成的CDMA系统.假定其扩频增益为7，互相关系数为1/3，SNR1=6dB.计算了各用户功率相等时，用户1的误码特性曲线；和用户2功率发生变化时，用户1的特性曲线.分别如图4和图5所示.

t106-2.gif (2057 bytes) t106-3.gif (2333 bytes)

图2　用户1信噪比与误码率

图3　两用户能量比与误码率

t106-4.gif (2086 bytes) t106-5.gif (2318 bytes)

图4　用户1信噪比与误码率

图5　用户能量比与误码率

　　从上述各图可以看出，本文所提出的DHNN检测器具有近最佳多用户检测器特性，它能够有效抑制多址干扰，克服远近效应.其性能优于传统检测器.在实际运算中，复杂度又大大低于最佳多用户检测器，比较两种用户数模拟系统，可以看到，随着用户数的增加，DHNN检测器误码率仅略有增加.

五、结　　论
　　本文从最佳多用户检测可以归结为一个组合优化问题出发，并根据神经网络能够解决组合问题的角度，利用Hopfield神经网络的能量函数与最佳检测器的似然函数的对应关系，构造了一种基于异步更新的DHNN多用户检测器.由于这种接收机中神经网络的状态是收敛的.网络的状态最终能够稳定在似然函数较大的用户数据序列上.模拟结果表明，这种DHNN多用户检测器具有良好的检测性能，具有抑制多址干扰能力和抗远近效应作用.计算复杂度大大低于最佳多用户检测器.

作者简介：姬　翔，1983年毕业于西安电子科技大学，获学士学位；1992年获西安电子科技大学工学硕士学位；1998年毕业于北京邮电大学，获工学博士学位.主要兴趣数字通信，移动通信，神经网络的应用等.