最小比特誤碼率的算法研究畢業論文(存儲版)

　　

【正文】 率（BER）是濾波器性能的直接衡量指標，所以考慮最優的MBER算法顯得是有必要的。由于歸一化能夠給運算帶來簡便，而不影響解的正確性，故梯度函數可以簡化如下： （） 收斂性 最速下降法有很好的整體收斂性，即對一般目標函數而言，它是整體收斂的。 （3） 每次迭代需求的線性方程組有可能是奇異的或病態的。最速下降法只使用一階導數信息且方法簡單，但收斂慢。（2） 檢驗終止條件。對于一般非二次函數，步以后共軛梯度法產生的搜索方向通常不具有共軛性。所產生的方法計算量比牛頓法少，收斂速度達到超線性收斂。令，計算。通常有以下兩種方案。 所謂精確線搜索,是指求使目標函數在沿方向能夠達到極小值, 即使得 （）或設，那么問題求轉化成求使得（）則稱這樣的線搜索為精確線搜索。在這里僅介紹Armijo準則[8]。 本章小結具體討論了共軛梯度法和擬牛頓法的優缺點，并給出了具體的算法流程。實質上，維納濾波器是卡爾曼濾波器的一個特例。這里，期望響應信號是根據不同用途來選擇的，自適應濾波器的輸出信號是對期望響應信號進行估計的，濾波參數受誤差信號的控制并自動調整，使得估計值等于所期望的響應。 短時型 我們從上面可以知道，誤碼率的函數表達式為 （） （）在實際系統中，信道脈沖響應矩陣事先是不可知的。簡化過后的pdf如下所示： （）為得到瞬時概率密度估計，考慮單樣本估計，即時： （）同理，我們可以得到近似的瞬時BER函數。根據MBER準則，在提高系統容量的同時，能夠有效地降低誤碼率。相關程序如下所示：a=[ ]39。MBER算法比MMSE算法在誤碼率性能方面有很大的改善，提供了更小的誤碼率。 。給定的信噪比為12dB。擬牛頓法的收斂速度最快，但由于涉及到矩陣的校驗，計算復雜度最高。老師們淵博的學識、謙遜、謹慎的治學作風，一絲不茍、盡職盡責的工作態度以及正直的為人之道，都將是我終身受益，并激勵我始終刻苦努力。%延時Nb=2^m。*w)))。%延時Nb=2^m。*w))*((real(w39。funcN=0。pe=zeros(1,5000)。 if iterm==1 d=g。*d。*x))。end=pe。rh0=。pe=zeros(1,5000)。*d。 x=x/(sqrt(x39。 hy=H*y。 end v=sqrt(yhy)*(s/syhy/yhy)。=k。y2=10*log10()*ones(1,5000)。axis([0 400 70 0])。plot(k,y1,39。共軛梯度法39。%%%共軛梯度法的迭代情況clearclcload pe_1。%plot(k,pe_1,39。r39。ylabel(39。)。MBER39。,39。mmax=20。 endm=m+1。f=feval(fun,x,varargin{:})。 k=10000 iterm=kfloor(k/(1000*n+1))*(1000*n+1)。*d。 if(k5000) pe(k+1)=f。endfunction I = s_function(d,m )I=de2bi(0:2^m1)39。endfunction w = mmse()%global tao。%bq所有情況數目Nsb=Nb/2。+2*tao^2*eye(l))*P(:,d+1)。%用戶數量，對于單用戶是延時長度d=3。for b=1:2^(m1) for g=1:m if I(g,b)==0 I(g,b)=1。=funcN。%%%歸一化 x=x+s。 else d=g。%梯度函數while norm(g)epsi amp。funcN=0。exitflag=0。sigma=。,39。39。,k,y2,39。迭代次數i39。)。y1=10*log10()*ones(1,5000)。MMSE39。最速下降法39。)。k39。k=0:4999。 end endend=pe。 s=theta*s+()*hy。 g=feval(dfun,x,varargin{:})。gold=g。 d=H*g。n=length(x0)。k=0。 dold=d。%%% s=alpha*d。 d=g+beta*dold。%重置位 iterm=iterm+1。funcN=funcN+1。k=0。 endendfor k=1:Nsb grd=grd+exp((real(w39。%輸入信號濾波器長度,信道脈沖響應長度m=l+nalpha1。 endendfor k=1:Nsb Pe=Pe+q(real(w39。%輸入信號濾波器長度,信道脈沖響應長度m=l+nalpha1。討論了利用線搜索技術確定步長能夠有效地得到收斂解和提高收斂速度。給定的信噪比為12dB，共軛梯度法和擬牛頓法均采用基于Armijo準則的線搜索方法。例如，濾波器設計時應遵循最小化干擾原理：自適應濾波器權向量從一次迭代到下一次迭代中應以最小方式改變，而且受到更新的濾波器輸出所施加的約束。另外，MBER算法對應的pdf比MMSE所對應的窄，這意味著其輸出噪聲有較小的方差。給定的信噪比為12dB。接收端的線性均衡器的形式如 在這里，是均衡器的階數。智能天線技術利用陣列天線替代常規天線，它能夠降低系統干擾，提高系統容量和頻譜效率，因此智能天線技術受到廣泛關注。我們知道，BER與的大小無關。另一類為遞歸型數字濾波器結構，理論上，它具有無限的記憶，因而稱之為無限沖激響應（IIR）系統，即自適應IIR濾波器。 自適應濾波器原理圖 [9]，圖中離散時間線性系統表示一個可編程濾波器，它的沖擊響應為，或稱其為濾波參數。到60年代初，由于空間技術的發展，出現了卡爾曼濾波理論，即利用狀態變量模型對非平穩、多輸入多輸出隨機序列作最優估計。否則, 轉3。對于許多優化算法, 其收斂速度并不依賴于精確搜索過程.。采用線搜索方法確定每次迭代的步長。而采用變步長的方法可以克服這一矛盾。（3） 計算搜索方向并確定步長。 擬牛頓法 擬牛頓法是解無約束最優化問題的最有效方法之一。 為確定梯度方向，經過推導可知，可有多種形式。給定初始點，令。討論了基本MBER算法的收斂情況。（2） 每次迭代需要計算二階導數矩陣。事實上，由于具有的特點，如果是MBER解，那么就是所有解。 MMSE解通常來說不是最優的MBER結果。在這里，調制方式是二進制相位鍵控（BPSK），所以中的元素為。它的一般表達式如下： （）式中，——，是復數值的濾波器輸入信 號； ——為濾波器長度； ——，是濾波器的抽頭系數。然而，由于CIRS的非正交性，我們需要一個有效的多用戶檢測（MUD）來對用戶進行區分，并進行信息的接收。 憑借在提高系統頻譜利用率方面卓越的性能表現，多輸入多輸出（MIMO）技術已經成為移動通信技術發展進程中炙手可熱的課題。 鑒于對于無線通信理論的突出貢獻，BLAST技術獲得了2002年度美國Thomas Edison（愛迪生）發明獎。這樣與“單輸入/單輸出天線”SISO相比，傳輸上取得了10～20dB的好處，相應地加大了系統容量。 Bell實驗室的BLAST系統是最早研制的MIMO實驗系統。這對于寬帶信號的4G系統及室外快速移動系統來說是不夠的，因此必須采用復雜的模型進行研究。利用MIMO技術可以提高信道的容量，同時也可以提高信道的可靠性，降低誤碼率。這是一種近于最優的空域時域聯合的分集和干擾對消處理。MIMO系統在發射端和接收端均采用多天線（或陣列天線）和多通道，MIMO的多入多出是針對多徑無線信道來說的。在70年代有人提出將多入多出技術用于通信系統，但是對無線移動通信系統多入多出技術產生巨大推動的奠基工作則是90年代由ATamp。另一方面，則表示用戶不受其他用戶干擾的影響。 檢測器的性能指標 評價一種多用戶檢測器的性能，有三個最主要的性能測度：誤碼率、漸進有效性和抗遠近能力[2]。根據接收機所需要的先驗知識，可以將盲多用戶檢測分為兩類：第一、半盲檢測，就是干擾用戶特征序列部分已知條件下的檢測，適用于小區基站。后者是基于MMSE準則，利用一些自適應算法（如RLS和LMS來實現）在時不變和慢衰落多徑信道中，該檢測在抑制干擾的同時可自動進行多徑分集組合。 最小均方誤差檢測器：解相關檢測器在完全抵消多址干擾的同時，放大了噪聲信號。這類算法在目前硬件可以承受的復雜度下實現了較好的檢測性能，因此有些是實際中經常用到的。研究人員所采用的降低MLSE檢測器復雜度的算法主要分為兩種，一種是將MLSE檢測器與其它檢測器聯合使用，如MMSEML檢測器，另一種是純粹在算法上進行改進，如EMML檢測器、PCML檢測器、MLSphere decoding檢測器、DM檢測器、SAGE檢測器等。 Verdu提出的多用戶檢測器是在加性高斯白噪聲信道（AWGN）下的最優多用戶檢測。次優多用戶檢測技術分線性和非線性兩大類，而非線性多用戶檢測又以干擾抵消多用戶檢測為主。 1979年。 傳統接收機的缺點是將多址干擾當作高斯白噪聲，因此大大降低了系統容量,而多用戶檢測技術將造成多址干擾的所有用戶信號信息均看作有用信號信息+利用其對單個期望信號解調+來降低多址干擾和遠近效應的影響,目前多用戶檢測技術已被列為第三代移動通信及新一代移動通信系統中的關鍵技術之一，該技術的發展也是通信技術中最重要的新進展之一。尋求易實現的次優多用戶檢測器。其主要算法[1]有： 最優多用戶檢測 1986年，美國學者Verdu首先提出利用已知擴頻碼的結構信息來克服多個用戶之間干擾的多用戶檢測理論與方案。 低復雜度ML檢測 在所有的多用戶檢測器里MLSE檢測器的性能是最好的，但是它有一個最大的缺點，即復雜度太高。 在改進MLSE算法的同時，研究人員還提出了許多基于其它準則的次最優多用戶檢測，如基于最小均方誤差（MMSE）、最小輸出能量（MOE）、最大漸進有效性準則等。其計算量比最佳多用戶檢測器小得多，但仍需要矩陣求逆，因此計算量還是比較大，同時它增強了噪聲功率，即它對信息比特的完全解相關是以增強噪聲背景為代價的。自適應多用戶檢測可分為自適應解相關多用戶檢測與自適應MMSE多用戶檢測。該類算法不需要其他用戶信息（如干擾用戶特征波形、定時、接收信號幅度等）和訓練序列，只需目標用戶的特征波形和定時。其主要算法有：基于干擾抵消的多用戶檢測、神經網絡多用戶檢測、支持向量機多用戶檢測等。這表明，在沒有任何背景噪聲的情況下，單用戶檢測器