【技术实现步骤摘要】
基于模拟退火神经网络和消除干扰的数据检测方法
本专利技术属于通信
,更进一步涉及无线通信
中的一种基于模拟退火神经网络和消除干扰的数据检测方法。本专利技术可用于从高斯信道中同一频段上的混合数据中以最低误码率检测出用户发送的数据。
技术介绍
用户发送的数据经过多载波直接序列码分多址(Multicarrierdirectsequencecodedivisionmultipleaccess)技术处理后在无线通信中高斯信道的同一频段上传输,用户发送的数据使用扩频码进行编码调制,接收端根据扩频码的正交性完成用户的数据检测。多载波直接序列码分多址MC-DS-CDMA技术将码分多址CDMA(codedivisionmultipleaccess)和正交频分复用OFDM(OrthogonalFrequencyDivisionMultiplexing)技术相结合,具有较高的频谱利用率、低截获率、较强的抗干扰能力的优点。然而,由于扩频码的不完全正交,加上正交频分复用OFDM技术对扩频码的正交性产生了进一步的破坏,不同用户发送的数据之间的干扰严重,使得用户的数据检测相当困难。南京邮电大学在其申请的专利文献“量子神经网络用于多用户检测的方法”(申请专利号:200610038722.1,公开号:CN100547944C)中提出了一种量子神经网络用于多用户检测的方法。该方法通过经典计算机仿真,将量子神经网络构成多用户检测器,网络核心采用反馈型量子神经网络简化多用户检测器的结构,量子神经网络使用梯度下降算法经过多次迭代得到稳定的 ...
【技术保护点】
1.一种基于模拟退火神经网络和消除干扰的数据检测方法,其特征在于,包括如下步骤:/n(1)获得扩频数据:/n(1a)从10个终端用户中任选一个,作为向基站注册拟发送数据的目标用户;/n(1b)基站随机产生一段数据,叠加到目标用户拟发送的数据之前,组成叠加数据;/n(1c)基站从Gold码矩阵中选取第一行作为扩频码,将叠加数据中的每一个元素与扩频码分别进行逻辑与操作,得到扩频数据;/n(2)对扩频数据进行调制:/n对扩频数据进行正交频分复用OFDM调制,得到所选一个终端用户的调制数据;/n(3)判断是否选取完10个终端用户,若是,则执行步骤(4),否则,执行步骤(1);/n(4)生成混合数据:/n选择所有终端用户的调制数据中第一个元素分别进行相加,作为混合数据的第一个元素,以此类推,将混合数据的所有元素组成混合数据;/n(5)对混合数据进行解调:/n对混合数据进行离散傅里叶逆变换,得到解调数据;/n(6)产生训练样本数据:/n(6a)基站从Gold码矩阵中选取第一行作为扩频码;/n(6b)截取解调数据前端与基站随机产生的数据相同长度的一段数据,将其每一个元素与扩频码分别进行逻辑与操作,作 ...
【技术特征摘要】
1.一种基于模拟退火神经网络和消除干扰的数据检测方法,其特征在于,包括如下步骤:
(1)获得扩频数据:
(1a)从10个终端用户中任选一个,作为向基站注册拟发送数据的目标用户;
(1b)基站随机产生一段数据,叠加到目标用户拟发送的数据之前,组成叠加数据;
(1c)基站从Gold码矩阵中选取第一行作为扩频码,将叠加数据中的每一个元素与扩频码分别进行逻辑与操作,得到扩频数据;
(2)对扩频数据进行调制:
对扩频数据进行正交频分复用OFDM调制,得到所选一个终端用户的调制数据;
(3)判断是否选取完10个终端用户,若是,则执行步骤(4),否则,执行步骤(1);
(4)生成混合数据:
选择所有终端用户的调制数据中第一个元素分别进行相加,作为混合数据的第一个元素,以此类推,将混合数据的所有元素组成混合数据;
(5)对混合数据进行解调:
对混合数据进行离散傅里叶逆变换,得到解调数据;
(6)产生训练样本数据:
(6a)基站从Gold码矩阵中选取第一行作为扩频码;
(6b)截取解调数据前端与基站随机产生的数据相同长度的一段数据,将其每一个元素与扩频码分别进行逻辑与操作,作为训练样本的输入数据,以基站随机产生的一段数据作为训练样本的输出数据,组成训练样本;
(7)构建模拟退火神经网络;
(7a)构造一个三层神经网络,其结构依次为输入层、隐藏层和输出层,隐藏层设置为具有不同权值和阈值的两层;
(7b)将模拟退火温度的初始值设置为80;
(7c)将隐藏层第一层和第二层的权值和阈值的初始值设置为0;
(7d)将训练迭代次数的初始值设置为0;
(8)训练模拟退火神经网络:
(8a)以训练样本的每一列作为一组元素,计算每组元素的输入和输出之间差值的绝对值,得到预测误差;
(8b)在[0,1]的实数范围内随机生成一个数,将模拟退火温度设置为当前模拟退火温度的0.9倍,计算模拟退火神经网络退火的临界值;
(8c)判断模拟退火神经网络退火的临界值是否大于0,若是,则执行步骤(8d),否则,执行步骤(8f);
(8d)采用如下神经网络权值的调整方法,计算模拟退火神经网络中隐藏层第一层和第二层的权值;
第一步,按照下式,计算模拟退火神经网络中隐藏层的第一层权值:
其中,d1表示模拟退火神经网络中隐藏层的第一层权值,η表示值为0.1的模拟退火神经网络的学习速率,exp(·)表示以自然常数为底的指数操作,x表示当前训练样本元素的输入值,d2表示模拟退火神经网络中隐藏层的第二层权值,k表示预测误差;
第二步,按照下式,计算模拟退火神经网络中隐藏层的第二层权值:
其中,d2表示模拟退火神经网络中隐藏层的第二层权值,k表示预测误差;
(8e)采用如下神经网络阈值的调整方法,计算模拟退火神经网络中隐藏层第一层和第二层的阈值;
第一步,按照下式,计算模拟退火神经网络中隐藏层的第一层阈值:
其中,a1表示模拟退火神经网络中隐...
【专利技术属性】
技术研发人员:相征,王国健,任鹏,刘明辉,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。