一、一种基于神经网络的CDMA针状波束智能天线系统用户定向算法（论文文献综述）
董玙[1]（2011）在《第三代移动通信系统多用户检测算法分析与研究》文中认为本文在基于第三代移动通信系统的基础上提出了将智能天线与多用户检测相结合的接收机,并在系统容量和误码率两个方面对此接收机进行了仿真,证明结论的正确性。在当今社会中,随着个人手提电话的日益普及,使得移动通信网络越来越繁忙,而作为移动通信系统主要组成部分的频谱资源越发的显得尤为宝贵。智能天线技术在继时分多址（TDMA）,频分多址（FDMA）和码分多址（CDMA）之后,成功的引入了第四维多址复用方式——空分多址（SDMA）,使得相同时隙、相同频率的用户可以根据空间传播路径来加以区分,从而使得移动通信系统的容量大大增加了。世界各国都非常重视未来移动通信中智能天线的作用,智能天线作为第三代移动通信系统的关键技术,因为其无论在提高系统容量还是降低邻近小区干扰等方面都有一定的优势。另一方面,对于多用户检测技术的研究已经不再是新的课题,国内外学者对于其算法的深入探究已经日趋成熟,在传统多用户检测的基础上又提出了基于高阶统计量的多用户检测算法、基于支持向量机的多用户检测算法、基于神经网络的多用户检测算法等。本文采用多级并行干扰抵消多用户检测与智能天线相结合的算法,实验仿真结果表明,此种方法可以在实现复杂度和系统性能的提高方面取得折中。文章首先简要介绍了第三代移动通信系统的发展历程及多用户检测技术在国内外的发展现状；其次论述了几种多用户检测器的原理,分析各自的实现复杂度和优缺点,并对几种多用户检测器的性能做了对比；接着阐述了智能天线的基本概念及算法原理,对于诸多有关智能天线的算法重点介绍了最小均方算法（LMS）,分析了智能天线的抗多径效应性能,对于智能天线的波束赋形网络,对比说明了基于符号级与基于码片级的两种结构,得出结论：尽管基于码片级的结构在实现复杂度上高于基于符号级的结构,但是在性能上却更具优势。最后本文重点提出了将智能天线与多级并行干扰抵消器相结合的接收机,并对其进行了较为深入的研究。智能天线接收的信号经过并行干扰抵消器后,根据最小均方误差准则,采用归一化多用户LMS算法确定得到的用户判决数据的加权系数从而得到最终信号表达式。两种技术相结合,在空间域利用智能天线抗多径干扰及小区问干扰,在时问域利用并行干扰抵消器抗多址干扰及符号间干扰。
邢钟化[2]（2008）在《基于函数逼近径向基函数网络的盲波束形成算法的研究》文中研究说明近十多年来,无线通信技术在全球范围内得到了迅速发展。作为其关键技术的智能天线在无线通信系统中的应用,能够实现基站对移动台的定向发射和接收,从而能带来减轻系统的多址干扰、降低系统的发射功率、提高系统的频谱利用率和增大系统容量等好处。因此智能天线已成为无线通信技术领域中一个研究热点。波束形成是智能天线的核心部分。在第三代移动通信系统中,多址干扰和码间串扰是两个主要的干扰源。使用复杂度低、性能优良的波束形成算法是解决问题的有效途径。本文提出了一种在码分多址系统中,将盲波束形成算法与神经网络和Rake接收机相结合的方案,论文工作主要如下:1.介绍了智能天线的原理、结构、工作方式和表达方法,讨论并比较了几种常见的最优权准则,分析了智能天线波束形成方法,重点介绍了智能天线中的自适应盲波束形成算法,建立CDMA系统单径和多径环境下的信号模型,在理论上推导了基于扩频码滤波的波束形成算法,以及码滤波的改进算法。2.通过对直扩码分多址（DS-CDMA）系统中盲波束形成算法的深入研究,找出其存在的局限性,引入径向基函数神经网络来实现无线通信中智能天线的波束形成。在高斯白噪声信道下,根据CDMA系统扩频信号特征,使用高阶累积量对期望用户的波达方向进行盲估计,再由径向基函数网络（RBFNN）来逼近波束形成的最优权,实现盲波束形成。理论分析和MATLAB仿真实验表明提出的算法能有效提高运行速度,对系统误差也具有很强的鲁棒性。3.在移动通信系统中,信道中存在多径衰落效应,从时域上看多径表现为时延扩展,从空域上看多径表现为角度弥散。考虑到这些影响,提出智能天线与Rake接收机联合的自适应算法,该算法能够在空时二维域中捕获感兴趣用户的各个多径分量,并将这些多径分量同步相干合成,有效抑制多址干扰和码间串扰。该算法结合神经网络将进一步提高算法的实际运行能力。通过仿真验证了基于神经网络的空时自适应盲波束形成算法具有较好的实用价值。本文的研究结果表明,通过采用本文提出的方案,即基于神经网络的空时联合自适应盲波束形成,可以有效提高系统性能和降低计算复杂度,基本上达到了消除多址干扰和码间串扰的目的。
赵宇[3]（2006）在《基于支持向量机的多用户检测算法、功率控制算法和波达方向估计算法》文中研究指明无线通信系统的技术目标是为移动用户提供更大的系统容量和更好的通信质量。在码分多址蜂窝移动无线通信系统中，用于增加无线通信系统容量的传统可用资源是频谱和发射功率。但是，这两种资源恰恰是限制现代无线网络的瓶颈，因为可用的频谱资源有限，而发射功率受到移动台电池能量的限制。如何合理地利用这些资源，使得在不增加额外频谱和功率需求的前提下有效地降低干扰，就成了提高容量的关键。与传统的FDMA、TDMA系统相比，CDMA系统具有频谱效率高、软容量、保密性好以及更大的潜在容量等优点，但是同时也要克服多址干扰和远近效应这两个严重影响系统容量的问题。在CDMA系统中，引入多用户检测、功率控制和天线阵列波束形成技术，可以有效地抑制干扰，提高系统容量。 90年代以来，V．Vapnik等在统计学习理论基础上发展了一种新的学习方法——支持向量机（SVM），它与一般学习机相比具有更好的泛化性能和非线性扩展能力，且它的收敛过程无局部极值。近十年来，随着机器学习理论的深入发展，SVM方法被广泛地应用到各个研究领域。最近该方法成为无线通信信号处理的一项新型技术，研究者利用支持向量机良好的非线性分类能力对接收信号进行分类，使得系统能够正确的检测目标用户的发射信号、发射功率以及信号的入射角度，以达到增加系统容量，改善通信质量的目的。本文以CDMA通信系统中的关键技术多用户检测、功率控制和智能天线作为切入点，结合机器学习算法来研究无线通信中的先进信号处理技术。全文研究内容大致可以分为四个部分：快速的在线分类算法，基于机器学习算法的多用户检测，基于机器学习算法的功率控制和基于机器学习算法的DOA估计。 SVM方法可以归结为一个有约束的二次规划问题，这就导致它的训练时间随着训练样本数的增大而变得越来越慢，所以很难在线应用。而CDMA中的信号处理问题对实时性能要求较高，需要不断地更新训练序列重复训练，这就需要一种更加切实有效的快速在线SVM方法来满足这种需求。本文提出的FOSVC算法通过KKT条件判别新增加的训练序列，选择那些违反KKT条件的样本来构造当前训练样本集，从而有效地减少了训练样本的大小，提高了训练速度并降低了算法对计算内存的需求。仿真结果表明FOSVC算法在分类错误率和其它支持向量机相当的情况下，支持向量数更少，训练时间更短，是一种非常有效的在线分类算法。 从机器学习的角度来看多用户检测问题，就是在接收信号已知的情况下，检测出目标用户的发送信号是+1还是-1，这是一个典型的二分类问题。本文提出的基于FOSVC的多用户检测算法除了需要训练序列之外，训练过程中不需要知道信号幅值和扩频序列码，也不需要对接收信号的相关矩阵进行求逆运算，是一种模型结构简单，计算复杂度较小的多用户检测算法。由于FOSVC算法在基本性能和传统SVM相当的情况下具有收敛速度更快等优越性，所以更加有利于用户信号的实时检测。仿真结果显示该算法有效抑制了多用户干扰和环境噪声，误码率明显的低于MMSE多用户检测器。 在功率控制方面，本文提出了基于FOSVC的变步长功率控制算法，该算法无需估计SIR，而是利用样本协方差矩阵的特征值与SIR之间的对应关系来实现功率控制。我们首先利用FOSVC算法对样本协方差矩阵的特征值所对应的特征向量进行分类训练，产生SIR分类决策面，然后根据FOSVC的输出值和数据点到SIR决策面的距离，产生变步长的功率控制命令。不同信号环境下的仿真结果显示该算法具有快速的收敛性和良好的动态跟踪性能。 自适应阵列天线系统应用的一个关键问题是对用户入射角度进行估计，只有先进行精确的DOA估计，才有可能通过自适应的波束形成技术来实现空间滤波。文本结合
唐宗礼[4]（2005）在《二阶统计量在智能天线系统DOA估计中的应用》文中研究指明智能天线作为第三代移动通信中的关键技术,目前正得到迅速的发展,已经是当前通信技术中的研究热点。通过有效的自适应算法,智能天线能在期望信号的方向形成最大的处理增益,而在强干扰位置形成零陷,从而有效的提高系统性能。但到目前为止,智能天线的的具体实现还存在较多的问题,其中主要表现为两个方面。一方面,智能天线的现有算法都是在理想情况下得到的,试验的结果也是在室内环境下的数据,而实际系统往往存在很多误差,这些误差的存在大大影响系统的输出效果。另一方面,由于智能天线处理的是天线阵列,因而需要处理的数据量很大,对处理器的速度要求非常高。研究者一方面在提高算法的稳健性,另一方面也在积极的研究快速的算法。事实上,这两个方面的研究内容构成了目前智能天线的研究热点和难点。 本文在分析智能天线及其信道模型的基础上,对均匀线阵和均匀圆阵分别进行了研究,通过巧妙的构造二阶统计量,最后得到几种新的DOA估计算法。并且较有效的降低了估计的运算量。 首先文章分析了智能天线及其矢量信道模型,针对目前研究较多的几何单反射圆周模型和几何单反射椭圆模型,详细推导了该模型中的各种参数,对在该模型下的DOA估计的意义进行了说明,为文章论述的开展做了预先的准备。 针对均匀线阵的DOA估计中存在SVD分解的缺点,本文通过对均匀线阵中任意相邻的三个阵元之间构造二阶统计量,并通过数学运算,得到DOA估计的闭式解。该闭式解可以在噪声特性为空间白噪声的情况下,工作于较低信噪比的情况,并有效的降低了运算量。 均匀圆阵由于其平面阵列的结构特点,在实际使用时有很多的优点,比如在全方向内形成的波束主瓣基本相同,能估计信号的二维达到角等,本文针对均匀圆阵,构造了一种新的二维DOA估计算法,并得到了期望信号方位角和俯仰角的闭式结果。理论分析表明,该算法可以有效的工作于低信噪比环境下,并且运算量很小。文章针对该算法的应用环境也做了说明。
孙绪宝[5]（2005）在《无线通信智能天线算法的研究》文中认为智能天线已成为未来无线通信关键技术之一,它结合了天线阵技术与信号空时处理,在系统设计中增加了空时处理的自由度,改善了系统性能,增加了系统容量及频谱利用率。本论文主要是对CDMA（码分多址）、OFDM（正交频分多址）无线通信系统中智能天线的自适应算法、特别是对采用神经网络的自适应算法进行了较全面的研究与仿真,全文主要包含如下四方面工作。 首先,对智能天线自适应波束形成的几种非盲算法作了仿真研究,比较了它们的性能及各自的使用特点。并对CDMA系统中自适应盲波束形成的算法作了进一步的改进,降低了算法的复杂度,抑制干扰效果较为满意。同时,对CDMA系统中的自适应功率控制算法作了数值仿真,与传统的方法作了比较。对OFDM系统提出将空时编码与自适应功率控制技术相结合,给出了仿真结果,提高了分集增益和自适应增益。 其次,采用MMUSIC算法对宽带相干源进行了DOA（波达方向）估计,采用求平均值的方案以增强空间谱的估计精度。特别是,提出了用径向基神经网络进行DOA估计,给出了模拟结果,证明了有效性。 第三,采用自适应神经网络方法处理非线性噪声,获得的信号波形与源信号吻合较好。在自适应盲信号分离中,采用了观测信号预白化处理,然后调整分离网络权值,使得分离网络的输出分量之间尽可能独立。获得了较为理想的源信号。 第四,利用径向基函数神经网络来实现无线通信中智能天线的波束形成,利用了信号相关阵的对称性,仅考虑相关阵中的部分元素作为网络的输入量,计算量较小,且具有收敛快且准确的优点。为了进一步地提高神经网络的泛化力,提出了基于径向基神经网络在线学习的波束形成方法,由此构架的神经网络的泛化力较为显着。
谢泽明[6]（2004）在《CDMA系统中的智能天线技术的研究》文中研究说明近年来全球通信事业飞速发展,通信业务的需求量越来越大,作为未来个人通信主要手段的无线移动通信技术引起人们极大关注,成为目前通信技术发展的热点之一。在现代移动通信系统中,直扩序列码分多址（DS-CDMA）技术成为目前最具发展前途的多址技术,然而,由于移动用户数量的急剧增加,通信资源匮乏的问题日益严重,由此产生的通信容量不足、通信质量下降等一系列问题亟待解决,如何消除限制DS-CDMA系统性能的多址干扰（MAl）与多径衰落成为人们在提高CDMA移动通信系统性能时考虑的主要因素。智能天线系统是由多个天线单元组成的天线阵列系统,它可以利用数字信号处理技术对多个不同的用户产生多个空间波束,每个波束各自自动地对准各自的用户的到达方向,而把零陷方向对准干扰的方向,从而可以消除多址干扰,提高移动通信系统的性能。与其它日渐深入和成熟的干扰消除技术相比,智能天线技术在移动通信中的应用研究更显得方兴末艾并显示出巨大潜力。本文主要针对CDMA系统中的智能天线控制算法进行深入的研究,给出了我们在智能天线控制算法方面的一些新成果。这些成果包括:给出了一种带时域均衡器和参考信号均衡器的解扩重扩自适应智能天线,该天线通过在解扩重扩自适应智能天线中引入了时域均衡器和参考信号均衡器,把智能天线对多用户干扰和多径干扰的消除工作进行了分工,由天线阵列消除多用户干扰,由后接的时域均衡器消除多径干扰。我们对提出结合均衡器的解扩重扩自适应智能天线进行了仿真,给出其性能。结果表明,引入时域均衡器和参考信号均衡器后,解扩重扩自适应智能天线的性能有明显的提高。把时域均衡器和参考信号均衡器引入解扩重扩自适应智能天线是本文的创新成果之一。通过在解扩重扩自适应智能天线中引入多用户检测来代替匹配滤波器解扩,给出了多用户检测重扩自适应智能天线。与解扩重扩自适应智能天线相比,引入多用户检测可以更好地消除多用户干扰,提高系统的稳定性;与先多用户检测后阵列合成的方案相比,由于只要在天线阵列输出进行多用户检测,可以减少计算量。我们对多用户检测重扩自适应智能天线进行了计算机仿真,得出了它的性能。结果表明,引入多用户检测可以提高解扩重扩自适应智能天线的性能。给出多用户检测重扩自适应智能天线是本文的创新成果之二。给出自适应阵列的循环迭代算法,它可以使自适应阵列用较少的阵列数据达到较好收敛,并在此基础上,推导了一种CDMA系统中直接采用用户扩频序列做参考信号的LMS自适应智能天线。仿真结果表明,本文给出的算法是可行的。给出循环迭代LMS自适应阵列算法和推导出一种直接用扩频序列作参考信号的自适应智能天线是本文的创新成果之三。智能天线技术是当今研究热点之一,其控制算法是智能天线技术的关键,本文在前人的基础上进行了有益的探索和研究。本文的工作对智能天线的研究有一定的参考价值。本论文工作得到广东省火炬计划“跨平台的综合宽带无线网络关键技术研究与开发”（2002C1010106）、广东省自然科学基金项目“TD-SCDMA中的集成软件天线技术研究”（31441）和华南理工大学高水平大学建设项目“无线接入系统的智能天线技术研究”（303D76030）的资助。
李俊峰[7]（2004）在《智能天线技术及其基于软件无线电实现的研究》文中认为随着全球移动通信业务的迅速发展，如何更好地消除各种干扰成为人们在提高无线通信系统性能时考虑的主要因素。智能天线利用数字信号处理技术，产生空间定向波束，使天线主波束对准用户信号到达方向，旁瓣或零陷对准干扰信号到达方向，达到充分利用移动用户信号并抑制或删除干扰信号的目的。智能天线技术应用于第三代移动通信系统中具有可以减少共信道干扰、提高频谱利用率及增加系统容量、减少发射功率和空间电磁干扰、对小区进行动态划分等优点。与其他技术相比较，智能天线技术在移动通信的应用中显示出巨大潜力。 此文详细论述了本人在硕士论文期间对第三代移动通信系统、数字信号处理和计算机编程等领域所做的研究和实践，主要围绕智能天线理论和波束形成算法进行研究，并且分析了基于软件无线电体系结构的智能天线的实现框架和软硬件细节。论文首先介绍了智能天线研究背景及动态，其次对智能天线的基本理论、基本概念和涉及到的相关技术等进行了详细地阐述。然后着重对智能天线波束形成问题进行了深入分析，并在此基础上研究了一种改进的最小二乘算法。该算法基于恒模算法（CMA），计算机仿真结果显示该算法收敛快速、性能稳定。此外，本文还研究分析了几种码分多址（CDMA）系统中的波束形成算法，为第三代移动通信系统中的智能天线技术作技术储备。最后，针对现有工作，基于应用于无线系统工程的面向对象的规范化的软件无线电体系结构，提出了智能天线的整体框架和软硬件设计方案。
杨军[8]（2003）在《分组无线网多址技术的研究》文中认为Internet和移动通信是近年来通信领域应用与研究的热点，分组无线网是实现将Internet业务扩展到无线移动环境的理想形式，长期以来一直在军用和商用领域发挥着重要作用，被看作未来个人通信系统的重要组成部分。 近年来，诸多新的应用对分组无线网的研究和发展不断提出新的挑战；另一方面，通信和微电子技术的迅速发展又为分组无线网的发展创造了良好的契机。本文即结合智能天线技术与分组无线网网络协议的最新研究进展，对分组无线网的多址接入协议进行了深入探讨。本文的主要内容和贡献包括以下几个方面： 第二章对智能天线（自适应波束形成天线）在移动Ad Hoc网络（MANET）中的应用进行了具体、深入的研究。介绍了移动智能天线的研究进展，提出将智能天线应用于MANET的移动终端，分析了智能天线的应用对多址接入协议的影响。提出了支持智能天线应用，并利用其定向通信能力提高网络性能的多址接入协议——自适应波束形成CSMA／CA协议（ABF-CSMA／CA）。对应用智能天线后MANET的信道利用率进行了理论分析，并利用仿真方法评估了协议性能。结果表明，ABF-CSMA／CA协议与智能天线的结合能够有效实现信道的空分复用，显着提高网络的信道利用率。 第三章研究了智能天线在Internet无线接入网络中的应用，主要考虑使用智能天线对抗同信道干扰与多径衰落，增加覆盖范围，并在MAC层实现智能天线与网络的有机结合。提出了基于轮询的自适应波束形成多址接入协议（PB-ABFMA）。该协议中采用简单、有效的机制保证智能天线快速、准确地适应时变信道，以动态TDMA方式为各节点安排发送时隙，采用微时隙为处于空闲状态的用户保持连接以降低接入时延，该协议可工作于异步网络中，具有很强的实用性。 针对Internet中主要的“请求—回应”（Request-Reply）式业务，推导了协议的信道利用率与平均“请求—回应”时延的近似计算公式，以仿真方法考察了协议性能。结果表明，PB-ABFMA协议能够有效支持智能天线应用并具有较高的信道利用率与良好的时延性能，其简单有效的碰撞分解算法能保证新用户快速接入信道。 第四章对多波束智能天线在星型结构分组无线网中的应用进行了研究，利用智能天线实现信道的空分复用，并在MAC层实现多波束智能天线与网络的融合。提出了自适应时隙分配多址接入协议（ASAMA）。为了有效支持多波束智能天线的应用，该协议增加了以下功能：利用逐点优化（PPO）或全局优化（GO）两种不同复杂度的时隙分配算法将各节点按空间可分性进行分类，保证参与信道空分复用过程的节点信号之间有充分的空间可分性；采用高效、可靠的方法告知各节点应如何及何时进行通信，西安电子科技大学博士学位论文以保证多个节点正确地同时利用一个物理信道进行通信，从而实现信道空分复用。 对ASAMA协议的信道利用率进行了近似分析，以ON/OFF模型为业务源，在平坦瑞利衰落信道中对协议性能进行了仿真。结果表明，ASAMA协议能有效支持多波束智能天线应用以实现信道空分复用，具有很高的信道利用率与良好的时延性能。 第五章提出在利用多波束智能天线实现信道空分复用的同时，充分挖掘智能天线的优势，为多媒体业务提供Qos保障。在考虑多波束智能天线，及话音与数据业务特点的基础上，提出了提供QoS保障的自适应时隙分配多址接入协议(QAsAMA、。在QAsAMA协议中，综合考虑了分组时延，分组丢弃率，误码率，业务容量以及信道利用率方面的要求，并将这些要求与多波束智能天线的特点及自适应时隙分配过程有机地结合起来。对QASAMA协议的信道利用率进行了近似分析，并以仿真方法考察了协议性能。结果表明，QASAMA协议能有效支持智能天线应用，具有很高的信道利用率，并能为话音与数据业务提供良好的QoS支持。 第六章研究了IEEE 802.11 DCF协议中竞争信道节点数的估计方法。一些文献指出，可以根据同时竞争信道的节点数对DCF协议参数进行优化，而接入点（AP）只知道网络中已注册的节点数，无法检测出有多少节点在竞争信道。为此我们基于DCF协议饱和吞吐量的分析方法，推导了分组碰撞概率与同时竞争信道的节点数的关系，提出了一种简便的估计竞争信道节点数的方法一一基于碰撞概率的估计方法 （CPBE）。该方法中，节点或AP利用DCF协议中已有的对分组发送情况的记录估计分组碰撞概率，据此估计同时竞争信道的节点数。利用仿真方法评估了CPBE算法的性能，结果表明，该方法简便易行，具有较好的性能与实用价值。 第七章分析了多径衰落信道中，存在同步误差与多址干扰条件下的正交码CDMA系统的性能。给出了系统模型与信道模型，在此基础上分析了同步误差对系统性能的影响，推导了采用QPSK调制及非相干RAKE接收时的平均误码率计算公式。给出了数值计算结果，考察了信道特征，系统用户数，同步误差等因素对系统性能的影响，为接收机的优化设计提供了理论依据和参考数据，弥补了在实际中难以进行这方面的性能模拟及测量的不足。
何畏[9]（2002）在《智能天线中的关键技术研究》文中提出智能天线是近年来移动通信领域中的研究热点之一，应用智能天线技术可以很好地解决频率资源匮乏问题，可以有效地提高移动通信系统容量和服务质量。开展智能天线技术以及其中的一些关键技术研究对于智能天线在移动通信中的应用有着重要的理论和实际意义。 本文首先介绍了智能天线的信道模型、原理、结构、功能、应用及发展方向，在此基础之上对智能天线实现中的若干问题，包括：实现方式、性能度量准则、智能自适应算法等进行了分析和总结。着重探讨了基于来波方向估计的盲自适应算法，阐述了MUSIC和ESPTIT两种来波方向估计算法的原理，并对这两种算法进行了计算机仿真和算法性能分析；从减小算法的计算量和复杂度出发，提出了最大接收信号准则；分析了影响算法性能和应用的若干问题；最后针对算法中特征子空间提取计算量大、速度慢的问题，提出了信号特征子空间的神经网络并行提取算法，并用数学证明和试验仿真验证了该算法的正确性和有效性。
谢志堃[10]（2002）在《移动通信中的智能天线技术及应用》文中进行了进一步梳理智能天线技术作为第三代移动通信系统中的核心技术之一 ,受到了国内外移动通信业的高度重视 .对智能天线的基本概念、基本原理和国内外研究现状等进行了论述 ,并讨论了其相关技术及应用和发展前景
二、一种基于神经网络的CDMA针状波束智能天线系统用户定向算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种基于神经网络的CDMA针状波束智能天线系统用户定向算法（论文提纲范文）
（1）第三代移动通信系统多用户检测算法分析与研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 第三代移动通信系统的发展历程 |
| 1.2 多用户检测技术 |
| 1.2.1 多用户检测概述 |
| 1.2.2 国内外的发展状况 |
| 1.2.3 多用户检测技术在第三代移动通信中的应用 |
| 1.3 智能天线的发展背景 |
| 1.4 本文的主要研究内容 |
| 1.5 本章小节 |
| 第二章 移动通信系统中多用户检测算法分析与研究 |
| 2.1 最优多用户检测技术 |
| 2.2 次优多用户检测器 |
| 2.2.1 解相关多用户检测器 |
| 2.2.2 最小均方误差(MMSE)检测器 |
| 2.2.3 解相关判决反馈多用户检测(DFMUD) |
| 2.2.4 串行干扰抵消检测 |
| 2.2.5 并行干扰抵消检测 |
| 2.3 盲多用户检测 |
| 2.4 其它多用户检测算法 |
| 2.5 本章小节 |
| 第三章 智能天线技术 |
| 3.1 智能天线的基本概念 |
| 3.2 智能天线的原理 |
| 3.2.1 信号模型 |
| 3.2.2 方向图和方向向量 |
| 3.3 智能天线的分类 |
| 3.4 智能天线在移动通信系统中的应用 |
| 3.5 本章小节 |
| 第四章 智能天线波束赋形算法与应用方案 |
| 4.1 智能天线算法原理 |
| 4.1.1 最小均方算法(LMS) |
| 4.1.2 递归最小二乘算法(RLC) |
| 4.1.3 恒模算法(CMA) |
| 4.2 智能天线的两种波束赋形网络结构 |
| 4.2.1 输入信号模型 |
| 4.2.2 CB结构模型 |
| 4.2.3 SB结构 |
| 4.3 应用最小方差准则对两种结构性能的比较 |
| 4.3.1 理论分析 |
| 4.3.2 实验仿真结果 |
| 4.4 本文的实施方案 |
| 4.5 本章小节 |
| 第五章 并行干扰抵消算法与智能天线阵列结合的接收机 |
| 5.1 几种并行干扰抵消器的对比 |
| 5.1.1 非线性并行干扰抵消器 |
| 5.1.2 线性并行干扰抵消器 |
| 5.1.3 带衰减系数的多级并行干扰抵消器 |
| 5.2 智能天线在本文中的应用及系统容量的概念 |
| 5.2.1 智能天线在本文中的应用功能及位置 |
| 5.2.2 系统容量的概念 |
| 5.3 并行干扰抵消与智能天线结合接收机的算法分析 |
| 5.4 仿真实验结果 |
| 5.4.1 系统容量的分析 |
| 5.4.2 误码率的分析 |
| 5.5 本章小节 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（2）基于函数逼近径向基函数网络的盲波束形成算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景 |
| 1.2 课题研究的目的与意义 |
| 1.3 智能天线的研究现状 |
| 1.4 直扩码分多址(DS-CDMA)系统 |
| 1.4.1 直扩码分多址的优势 |
| 1.4.2 DS-CDMA系统中存在的问题 |
| 1.5 盲波束形成简介 |
| 1.6 本文主要内容简介 |
| 第二章 函数逼近径向基函数网络 |
| 2.1 神经网络简介 |
| 2.2 人工神经网络的函数逼近 |
| 2.3 RBF神经网络结构 |
| 2.3.1 RBF神经网络结构 |
| 2.3.2 RBF神经网络函数逼近算法 |
| 2.3.3 RBF基函数的选择 |
| 2.4 本章总结 |
| 第三章 智能天线技术与自适应波束形成算法 |
| 3.1 引言 |
| 3.2 智能天线的介绍 |
| 3.2.1 智能天线的工作原理 |
| 3.2.2 智能天线的拓扑结构 |
| 3.2.3 智能天线的工作方式 |
| 3.3 自适应天线阵列 |
| 3.3.1 方向图函数 |
| 3.3.2 最佳权向量 |
| 3.3.3 最优权准则 |
| 3.4 智能天线数字波束形成算法 |
| 3.4.1 ADBF算法分类 |
| 3.4.2 非盲ADBF算法 |
| 3.4.2.1 最小均方算法 |
| 3.4.2.2 采样矩阵求逆算法 |
| 3.4.2.3 递归最小二乘算法 |
| 3.4.3 盲ADBF算法 |
| 3.4.3.1 恒模算法 |
| 3.4.3.2 累积量算法 |
| 3.4.3.3 实验仿真与分析 |
| 3.5 本章总结 |
| 第四章 波束形成算法在DS-CDMA系统中的应用 |
| 4.1 DS-CDMA的原理框图 |
| 4.2 DS-CDMA系统的信号模型 |
| 4.3 基于扩频码滤波方法的波束形成器 |
| 4.4 判决影射算法 |
| 4.4.1 判决影射最小均方(DP_LMS)算法 |
| 4.4.2 判决影射归一化最小均方(DP_NLMS)算法 |
| 4.5 基于累积量的盲波束形成算法 |
| 4.5.1 仿真与分析 |
| 4.6 盲波束形成的RBFNN实现 |
| 4.6.1 RBFNN的智能天线理论模型 |
| 4.6.2 RBFNN训练和盲波束形成 |
| 4.6.3 仿真实验 |
| 4.7 DS-CDMA中ADBF实验仿真与分析 |
| 4.8 本章总结 |
| 第五章 多径衰落信道下的盲波束形成 |
| 5.1 多径信道下信号模型 |
| 5.2 Rake接收机 |
| 5.2.1 Rake接收的基本原理 |
| 5.2.2 时域1D Rake接收机 |
| 5.2.3 空时2D Rake接收机 |
| 5.3 空时二维ADBF算法 |
| 5.3.1 空时最小均方误差(ST-MMSE)算法 |
| 5.3.2 空时解扩重扩恒模(ST-DPCMA)算法 |
| 5.3.3 空时码滤波算法 |
| 5.3.4 空时码滤波算法改进算法 |
| 5.3.4.1 空时高阶累积量(ST-HOC)算法 |
| 5.3.4.2 空时径向基函数逼近(ST-RBFNN)算法 |
| 5.4 实验分析与仿真 |
| 5.5 本章总结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 硕士期间发表的论文 |
（3）基于支持向量机的多用户检测算法、功率控制算法和波达方向估计算法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 无线蜂窝的概念 |
| 1.2 移动通信的发展和演变 |
| 1.3 第三代无线通信系统中的抗干扰技术 |
| 1.3.1 多用户检测 |
| 1.3.2 功率控制 |
| 1.3.3 智能天线 |
| 1.4 基于机器学习的无线通信信号处理 |
| 1.4.1 机器学习的理论背景 |
| 1.4.2 基于机器学习算法的多用户检测 |
| 1.4.3 基于机器学习算法的功率控制 |
| 1.4.4 基于机器学习的智能天线波达方向(DOA)估计问题 |
| 1.5 本文的主要研究内容 |
| 第二章 机器学习方法 |
| 2.1 机器学习问题的起源和发展 |
| 2.1.1 Rosenblatt的感知器 |
| 2.1.2 学习理论基础的创立 |
| 2.1.3 神经网络 |
| 2.1.4 神经网络的替代方法 |
| 2.2 学习问题的表示 |
| 2.2.1 函数估计模型 |
| 2.2.2 风险最小化问题 |
| 2.2.3 三种主要的学习问题 |
| 2.2.4 经验风险最小化归纳原则 |
| 2.3 支持向量机 |
| 2.3.1 二分类SVM方法 |
| 2.3.2 核函数 |
| 2.3.3 多分类SVM方法 |
| 2.3.4 模糊支持向量机(FSVM) |
| 2.4 支持实时应用的快速SVM算法 |
| 2.4.1 块算法和固定工作样本集的方法 |
| 2.4.2 SMO算法 |
| 2.4.3 LS-SVM算法 |
| 2.4.4 OSVC算法 |
| 第三章 一种快速在线训练的支持向量分类算法(FOSVC) |
| 3.1 FOSVC算法 |
| 3.2 收敛性证明 |
| 3.3 仿真结果 |
| 3.3.1 Iris和Image segmentation数据集的分类 |
| 3.3.2 仿真结果分析 |
| 3.4 小结 |
| 第四章 多用户检测技术 |
| 4.1 多用户检测技术概述 |
| 4.1.1 传统单用户检测技术分析 |
| 4.1.2 多用户检测技术的基本概念 |
| 4.2 线性多用户检测器 |
| 4.2.1 最佳多用户检测器(OMUD) |
| 4.2.2 解相关多用户检测 |
| 4.2.3 最小均方误差多用户检测器 |
| 4.3 非线性多用户检测器 |
| 4.3.1 解相关判决反馈多用户检测 |
| 4.3.2 多级检测 |
| 4.3.3 连续干扰消除的多用户检测 |
| 4.3.4 基于神经网络的多用户检测 |
| 4.3.5 基于系统辨识的多用户检测 |
| 4.4 基于机器学习的多用户检测算法 |
| 4.4.1 系统模型 |
| 4.4.2 基于FOSVC的多用户检测算法 |
| 4.4.3 仿真结果 |
| 4.5 小结 |
| 第五章 功率控制 |
| 5.1 功率控制技术概述 |
| 5.1.1 功率控制的目标 |
| 5.1.2 功率控制的准则 |
| 5.1.3 功率控制的分类 |
| 5.1.4 影响功率控制的主要因素 |
| 5.2 功率控制方法及模型 |
| 5.2.1 功率控制模型 |
| 5.2.2 功率控制方法 |
| 5.3 基于机器学习的功率控制算法 |
| 5.3.1 系统模型 |
| 5.3.2 基于FOSVC的变步长功率控制算法 |
| 5.3.3 仿真结果 |
| 5.4 小结 |
| 第六章 智能天线技术和波达方向(DOA)估计算法 |
| 6.1 自适应天线阵列的工作原理 |
| 6.1.1 自适应天线阵列的信号模型 |
| 6.1.2 自适应天线阵列的最佳权向量 |
| 6.2 波达方向估计算法 |
| 6.2.1 DOA估计的传统法 |
| 6.2.2 DOA估计的子空间法 |
| 6.2.3 DOA估计的最大似然法 |
| 6.3 基于机器学习的DOA估计算法 |
| 6.3.1 DOA估计的信号模型和SVM模型 |
| 6.3.2 基于FMSVM的DOA估计算法 |
| 6.3.3 基于FOSVC和DAGSVM的DOA估计算法 |
| 6.3.4 仿真结果 |
| 6.4 小结 |
| 第七章 总结与展望 |
| 7.1 本文的主要贡献 |
| 7.2 进一步的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的研究成果 |
（4）二阶统计量在智能天线系统DOA估计中的应用（论文提纲范文）
| 第1章 绪论 |
| 1.1 论文来源与意义 |
| 1.2 论文研究领域的国内外现状 |
| 1.2.1 智能天线的基本概念与空间时间处理技术 |
| 1.2.2 智能天线的结构组成及关键技术 |
| 1.2.3 智能天线的分类 |
| 1.2.4 智能天线的相关技术及应用 |
| 1.2.5 数字波束形成技术(DBF) |
| 1.2.6 国内外智能天线的研究现状和发展前景 |
| 1.3 论文结构和主要的工作 |
| 第2章 矢量信道模型 |
| 2.1 无线信道的信号传播方式 |
| 2.2 基本信道模型 |
| 2.3 矢量信道模型 |
| 2.4 散射体模型和信号到达角DOA |
| 2.5 DOPPLER频移和时延分布 |
| 2.6 本章小结 |
| 第3章 智能天线 |
| 3.1 智能天线技术的主要技术要点 |
| 3.2 多径信道特征 |
| 3.3 空间处理系统 |
| 3.4 本章小结 |
| 第4章 ULA基于散射模型和统计量函数的局部信道参数估计 |
| 4.1 传统的DOA估计方法 |
| 4.1.1 延迟-相加法 |
| 4.1.2 Capon最小方差法 |
| 4.2 DOA估计的子空间法(MUSIC算法) |
| 4.3 宏小区散射的两点分布散射模型 |
| 4.4 基于两点分布模型的DOA估计 |
| 4.5 计算机仿真结果 |
| 4.6 算法比较 |
| 4.7 本章小结 |
| 第5章 UCA基于统计量函数的二维方向角估计 |
| 5.1 圆形阵列 |
| 5.2 阵列数据模型 |
| 5.3 二维到达角的估计 |
| 5.4 参数估计的性能分析 |
| 5.5 计算机仿真 |
| 5.6 本章小结 |
| 第6章 UCA基于协方差矩阵的二维扩展方向角估计 |
| 6.1 信号模型 |
| 6.2 方向角的估计 |
| 6.3 最小二乘估计 |
| 6.4 算法改进 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士期间所发表的论文及取得的科研成果 |
| 致谢 |
| 个人简历 |
（5）无线通信智能天线算法的研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 智能天线的研究状况 |
| 1.3 智能天线技术 |
| 1.3.1 智能天线模型 |
| 1.3.2 智能天线在CDMA系统的应用 |
| 1.3.3 基于神经网络的智能天线研究 |
| 1.4 本文的研究内容和主要贡献 |
| 第二章 自适应波束形成算法的比较研究 |
| 2.1 引言 |
| 2.2 自适应波束形成非盲算法的比较 |
| 2.2.1 LMS算法 |
| 2.2.2 SMI算法 |
| 2.2.3 RLS算法 |
| 2.2.4 性能比较 |
| 2.3 自适应波束形成盲算法的研究 |
| 2.3.1 引言 |
| 2.3.2 CDMA系统中自适应盲波束形成的研究 |
| 2.3.2.1 模型 |
| 2.3.2.2 改进的方案 |
| 2.3.2.3 仿真结果 |
| 2.4 小结 |
| 第三章 自适应功率控制的研究 |
| 3.1 自适应功率控制 |
| 3.1.1 算法方案 |
| 3.1.2 数值仿真 |
| 3.2 OFDM系统的自适应发射功率控制 |
| 3.2.1 模型 |
| 3.2.2 比特分配算法 |
| 3.2.3 模拟结果 |
| 3.3 小结 |
| 第四章 基于MUSIC和神经网络的波达方向估计 |
| 4.1 引言 |
| 4.2 MUSIC算法介绍 |
| 4.3 修正的MUSIC的仿真 |
| 4.4 MMUSIC算法用于宽带源相干源波达方向的估计 |
| 4.4.1 建立模型 |
| 4.4.2 数值模拟 |
| 4.5 基于神经网络的DOA估计 |
| 4.5.1 聚类方法 |
| 4.5.2 网络训练 |
| 4.5.3 模拟结果 |
| 4.6 小结 |
| 第五章 基于神经网络的噪声消除和盲信号分离 |
| 5.1 引言 |
| 5.2 基于神经网络的非线性噪声消除 |
| 5.3 盲信号分离原理 |
| 5.4 基于神经网络的盲信号分离 |
| 5.4.1 信号的白化处理 |
| 5.4.2 分离层权调整 |
| 5.4.3 仿真结果 |
| 5.5 小结 |
| 第六章 基于神经网络方法波束形成的研究 |
| 6.1 引言 |
| 6.2 基于神经网络方法波盲束形成 |
| 6.2.1 理论模型 |
| 6.2.2 仿真结果 |
| 6.3 在线学习的神经网络波束形成器 |
| 6.3.1 网络训练 |
| 6.3.2 模拟结果 |
| 6.4 小结 |
| 第七章 结束语 |
| 参考文献 |
| 作者在读期间发表及己完成的论文 |
| 致谢 |
（6）CDMA系统中的智能天线技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 现有的多址技术及其比较 |
| 1.3 智能天线技术的起源与发展 |
| 1.4 智能天线的研究进展 |
| 1.5 本文的主要研究工作和章节安排 |
| 第二章 智能天线基础 |
| 2.1 天线阵列理论 |
| 2.2 自适应天线技术 |
| 2.2.1 信号模型 |
| 2.2.2 自适应天线的基带实现 |
| 2.2.3 复基带信号的获得 |
| 2.2.4 阵列输入矢量的自相关矩阵 |
| 2.2.5 自适应天线主波束和方向性图零点的控制 |
| 2.3 多波束自适应智能天线 |
| 2.3.1 多波束自适应智能天线概念 |
| 2.3.2 多波束智能天线的实现方法 |
| 2.4 智能天线基本控制算法 |
| 2.4.1 最小均方误差法（LMS）算法 |
| 2.4.2 递归最小平方（RLS）算法 |
| 2.4.3 恒模算法（CMA） |
| 2.4.4 MUSIC 来波方向（DOA）检测算法 |
| 2.5 本章小结 |
| 第三章 解扩重扩自适应智能天线 |
| 3.1 解扩重扩自适应智能天线 |
| 3.1.1 解扩重扩自适应智能天线基本算法 |
| 3.1.2 仿真结果 |
| 3.2 带时域均衡器的解扩重扩自适应智能天线 |
| 3.2.1 带时域域均衡器的解扩重扩自适应智能天线算法 |
| 3.2.2 仿真结果 |
| 3.3 带时域均衡器和参考信号均衡器的解扩重扩自适应智能天线 |
| 3.3.1 天线模型及算法 |
| 3.3.2 仿真结果 |
| 3.3.3 结论 |
| 3.4 本章小结 |
| 第四章 多用户检测重扩自适应智能天线 |
| 4.1 天线模型及算法 |
| 4.2 数值仿真结果 |
| 4.3 本章小结 |
| 第五章 循环叠代自适应智能天线 |
| 5.1 天线阵列的循环自适应算法 |
| 5.2 天线阵列循环LMS 算法的仿真试验 |
| 5.3 TD-SCDMA 系统中智能天线的循环迭代自适应算法 |
| 5.4 CDMA 系统中的循环迭代自适应智能天线 |
| 5.5 循环迭代自适应智能天线的仿真结果 |
| 5.6 本章小结 |
| 第六章 结束语 |
| 6.1 总结 |
| 6.2 下一步研究的设想 |
| 参考文献 |
| 攻读学位期间发表与学位论文相关的学术论文论文 |
| 致谢 |
（7）智能天线技术及其基于软件无线电实现的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景 |
| 1.1.1 移动通信的发展和问题 |
| 1.1.2 智能天线对系统性能的改善 |
| 1.2 智能天线的研究现状 |
| 1.2.1 智能天线的理论研究 |
| 1.2.2 智能天线的工程实现 |
| 1.3 本文的主要工作和创新点 |
| 第2章 智能天线技术 |
| 2.1 智能天线 |
| 2.1.1 智能天线起源 |
| 2.1.2 智能天线原理 |
| 2.1.3 智能天线分类 |
| 2.2 天线阵列 |
| 2.3 波束形成技术 |
| 2.3.1 信道模型 |
| 2.3.2 最优化准则 |
| 2.3.3 波束形成算法 |
| 2.4 智能天线和其他技术 |
| 2.4.1 智能天线和空间分集 |
| 2.4.2 智能天线和多用户检测 |
| 第3章 自适应波束形成算法 |
| 3.1 自适应算法分类 |
| 3.2 非盲自适应算法 |
| 3.2.1 最小均方算法 |
| 3.2.2 直接求逆算法 |
| 3.2.3 递归最小二乘算法 |
| 3.3 盲自适应算法 |
| 3.3.1 基于信号特征的盲算法 |
| 3.3.2 基于DOA估计的盲算法 |
| 3.4 最小二乘恒模算法 |
| 3.4.1 最小二乘恒模算法 |
| 3.4.2 改进的最小二乘恒模算法 |
| 第4章 CDMA中的自适应算法 |
| 4.1 CDMA系统介绍 |
| 4.2 多目标最小二乘恒模算法 |
| 4.3 多目标判决导向算法 |
| 4.4 最小二乘解扩重扩多目标阵列 |
| 4.4.1 LS-DRMTA算法 |
| 4.4.2 LS-DRMTA算法的优点 |
| 4.5 最小二乘解扩重扩多目标算法 |
| 第5章 基于软件无线电技术的智能天线 |
| 5.1 软件无线电技术 |
| 5.1.1 基本原理 |
| 5.1.2 体系结构 |
| 5.1.3 SPEAKeasy系统 |
| 5.2 智能天线总体框架 |
| 5.2.1 总体结构 |
| 5.2.2 参考平台 |
| 5.3 硬件体系 |
| 5.3.1 下变频和模数转换 |
| 5.3.2 数字处理的权衡 |
| 5.4 软件体系 |
| 5.4.1 软件体系结构 |
| 5.4.2 软件体系组件 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A(攻读学位期间所发表的学术论文目录) |
（8）分组无线网多址技术的研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 分组无线网络概述 |
| 1.2.1 分组无线网络的分类 |
| 1.2.2 几种典型的分组无线网 |
| 1.3 分组无线网研究现状 |
| 1.3.1 单跳网络的多址接入协议 |
| 1.3.2 多跳分布式网络的多址接入协议 |
| 1.3.3 IEEE 802.11的MAC协议 |
| 1.4 智能天线技术 |
| 1.4.1 智能天线概述 |
| 1.4.2 利用智能天线改善无线通信系统性能 |
| 1.5 智能天线技术与分组无线网络的融合 |
| 1.6 本文主要研究方向与内容概要 |
| 第二章 支持智能天线在移动Ad Hoc网络中应用的多址协议 |
| 2.1 引言 |
| 2.2 移动智能天线的研究进展 |
| 2.2.1 GloMo2的移动智能天线 |
| 2.2.2 SA100移动智能天线 |
| 2.3 网络模型与智能天线模型 |
| 2.3.1 网络模型 |
| 2.3.2 智能天线模型 |
| 2.4 支持智能天线在MANET中应用的多址接入协议 |
| 2.4.1 应用智能天线对多址接入协议的影响 |
| 2.4.2 节点移动的影响 |
| 2.4.3 自适应波束形成CSMA／CA协议(ABF-CSMA／CA) |
| 2.4.4 ABF-CSMA／CA协议的性能分析 |
| 2.5 ABF-CSMA／CA协议的性能评估 |
| 2.6 小结 |
| 第三章 Internet无线接入网络中应用智能天线的多址接入协议 |
| 3.1 引言 |
| 3.2 利用智能天线改善通信质量 |
| 3.3 支持智能天线应用于Internet无线接入网络的多址协议 |
| 3.3.1 网络与智能天线模型 |
| 3.3.2 基于轮询的自适应波束形成协议(PB-ABFMA) |
| 3.4 PB-ABFMA协议的性能分析 |
| 3.4.1 信道利用率 |
| 3.4.2 平均“请求-回应”时延 |
| 3.5 仿真与计算结果 |
| 3.6 小结 |
| 附录 非空帧群服务时间(S_B)的二阶矩 |
| 第四章 支持多波束智能天线应用的多址接入协议 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 网络与信道模型 |
| 4.2.2 利用智能天线实现SDMA的原理 |
| 4.2.3 智能天线模型 |
| 4.3 自适应时隙分配多址接入协议(ASAMA) |
| 4.3.1 ASAMA协议的帧结构 |
| 4.3.2 时隙分配算法的基本原理 |
| 4.3.3 逐点优化算法(PPO)与全局优化算法(GO) |
| 4.4 ASAMA协议的性能分析 |
| 4.5 ASAMA协议性能评估 |
| 4.6 小结 |
| 附录 逐点优化算法与全局优化算法的伪语言描述 |
| 第五章 支持智能天线应用并提供QoS保障的多址接入协议 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 提供QoS保障的自适应时隙分配多址接入协议(QASAMA) |
| 5.3.1 QASAMA协议的帧结构 |
| 5.3.2 QASAMA协议对QoS的支持 |
| 5.3.3 QASAMA协议性能的近似分析 |
| 5.4 QASAMA协议性能评估 |
| 5.5 小结 |
| 第六章 IEEE 802.11 DCF协议中估计竞争节点数的方法 |
| 6.1 引言 |
| 6.2 DCF的工作机制 |
| 6.3 DCF协议中竞争节点数的估计方法 |
| 6.3.1 DCF协议的分组碰撞概率 |
| 6.3.2 DCF中基于碰撞概率的竞争节点数估计算法(CPBE) |
| 6.4 性能仿真与分析 |
| 6.5 小结 |
| 第七章 非理想同步条件下正交码CDMA系统的性能 |
| 7.1 引言 |
| 7.2 系统和信道模型 |
| 7.2.1 发送信号模型 |
| 7.2.2 信道与接收信号模型 |
| 7.3 存在同步误差时的误码率分析 |
| 7.3.1 同步误差对性能的影响 |
| 7.3.2 误码率分析 |
| 7.4 数值分析结果 |
| 7.5 小结 |
| 第八章 总结与展望 |
| 8.1 全文内容总结 |
| 8.2 后续研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间完成的论文和科研项目 |
（9）智能天线中的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 主要概念 |
| 1.3 智能天线技术的应用需求 |
| 1.4 国内外研究现状 |
| 1.4.1 国外研究现状 |
| 1.4.2 国内研究现状 |
| 1.4.3 小结 |
| 1.5 本文研究的内容和意义 |
| 第二章 智能天线 |
| 2.1 概述 |
| 2.2 移动通信环境与智能天线的信号模型 |
| 2.2.1 移动通信环境 |
| 2.2.2 移动通信中的空间信道模型 |
| 2.2.3 移动通信中天线收发信号模型 |
| 2.2.4 空间信号的复包络表示 |
| 2.3 智能天线的基本原理和系统结构 |
| 2.3.1 智能天线的基本原理 |
| 2.3.2 智能天线系统的基本结构 |
| 2.4 智能天线的主要功能及应用 |
| 2.5 智能天线的实现方式 |
| 2.5.1 准动态的预多波束智能天线 |
| 2.5.2 全自适应智能天线 |
| 2.6 智能天线的性能度量准则 |
| 2.7 智能天线中的自适应算法 |
| 2.8 本章小结 |
| 第三章 基于来波方向估计的自适应算法研究 |
| 3.1 概述 |
| 3.2 来波方向估计的MUSIC算法 |
| 3.2.1 MUSIC算法原理 |
| 3.2.2 MUSIC算法性能分析及仿真 |
| 3.3 来波方向估计的ESPRIT算法 |
| 3.3.1 ESPRIT算法原理 |
| 3.3.2 ESPRIT算法的改进求解 |
| 3.3.3 ESPRIT算法的性能分析及仿真 |
| 3.4 性能度量准则的优化 |
| 3.5 基于来波方向估计算法的性能分析 |
| 3.6 本章小结 |
| 第四章 特征子空间的快速提取 |
| 4.1 概述 |
| 4.2 特征子空间的神经网络并行提取算法 |
| 4.2.1 特征子空间提取的问题描述 |
| 4.2.2 代价函数表示 |
| 4.2.3 神经网络求解 |
| 4.2.4 算法的推广 |
| 4.2.5 仿真验证 |
| 4.2.6 算法小结 |
| 4.3 空间信号源个数的判别 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 致谢 |
| 参考文献 |
（10）移动通信中的智能天线技术及应用（论文提纲范文）
| 1 智能天线 |
| 2 智能天线的分类 |
| 2.1 自适应调零智能天线 |
| 2.2 等旁瓣针状波束智能天线 |
| 2.3 数字波束智能天线 |
| 3 智能天线在移动通信中的功能 |
| 3.1 抗衰落 |
| 3.2 抗干扰 |
| 3.3 增加系统容量 |
| 3.4 实现移动台定位 |
| 4 智能天线的相关技术 |
| 4.l 数字信号处理技术 |
| 4.2 软件无线电技术 |
| 4.3 数字波束形成技术 |
| 5 智能天线的应用 |
| 5.1 用于FDMA系统 |
| 5.2 用于TDMA系统 |
| 5.3 用于CDMA系统 |
| 5.4 用于无线本地环路系统 |
| 5.5 用于DECT、PHS等系统 |
| 5.6 用于第三代移动通信 |
| 6 智能天线的研究现状和发展前景 |
四、一种基于神经网络的CDMA针状波束智能天线系统用户定向算法（论文参考文献）
- [1]第三代移动通信系统多用户检测算法分析与研究[D]. 董玙. 长春工业大学, 2011(05)
- [2]基于函数逼近径向基函数网络的盲波束形成算法的研究[D]. 邢钟化. 太原理工大学, 2008(10)
- [3]基于支持向量机的多用户检测算法、功率控制算法和波达方向估计算法[D]. 赵宇. 中国科学技术大学, 2006(04)
- [4]二阶统计量在智能天线系统DOA估计中的应用[D]. 唐宗礼. 哈尔滨工程大学, 2005(03)
- [5]无线通信智能天线算法的研究[D]. 孙绪宝. 上海大学, 2005(07)
- [6]CDMA系统中的智能天线技术的研究[D]. 谢泽明. 华南理工大学, 2004(09)
- [7]智能天线技术及其基于软件无线电实现的研究[D]. 李俊峰. 湖南大学, 2004(01)
- [8]分组无线网多址技术的研究[D]. 杨军. 西安电子科技大学, 2003(03)
- [9]智能天线中的关键技术研究[D]. 何畏. 中国人民解放军国防科学技术大学, 2002(01)
- [10]移动通信中的智能天线技术及应用[J]. 谢志堃. 绍兴文理学院学报(自然科学版), 2002(09)