CN1061493C - 接收方法与cdma(码分多址)接收机 - Google Patents

Abstract

本发明涉及一个用于CDMA系统的接收方法。CDMA接收机包括一个天线(40)，射频部件(41)，一个A/D转换器(42)，一个自适应线性前置级(43a至43d)和一个自适应非线性探测器装置(44)，该探测器可以同时探测多个用户的信号，响应所接收的信号用来校正参数，该参数用来进行与接收信号状态相适应的探测。为了对接收信号进行最优探测，根据本发明的接收机的线性前置级(43a至43d)的输出信号监控对于自适应非线性探测器(44)的参数设置。

Description

接收方法与CDMA(码分多址)接收机

本发明涉及用于CDMA(码分多址)系统的一种接收方法，在该系统中，多个用户的信号可以从所接收的信号中同时被探测到；一种自适应非线性判决规则应用于探测；探测器的参数基于所接收的信号而受到监控从而能与所接收信号的状态更好的匹配。

CDMA是基于宽频谱技术的多用户系统，除了现有的FDMA系统和TDMA系统外，CDMA系统最近也在蜂窝无线电系统中开始应用。与现有方法相比较，CDMA具有许多优点，例如频率规划的简化和频谱利用率高。

应用CDMA方法，一个窄波段的数据信号通过一个具有比数据信号宽得多波段的扩展码多路复接到一个很宽的波段上。在已知的测试系统中应用的波段宽度有1．25MHz、10MHz和25MHz。在与多路系统相连接时，数据信号就展宽到所使用的整个波段。所有的用户使用同样的波段同时进行发送。在基地电台和移动电台间的每一个连接采用自己的扩展码，基于每个用户的扩展码，用户的信号在接收机内能够被互相区分开。为此要以互相正交的方式选择扩展码，这样它们相互间不相关。

用通常方法构成的CDMA接收机的相关器通过所需的信号实现同步，该信号利用扩展码进行探测。在接收机内，数据信号以同样的扩展码通过再分多路复接回到原先的波段上，如同在发送级一样。在理想情况下，其它的扩展码所多路复接的信号不相关，不会返回到该窄波段上。对于所需要的信号，它们变成为噪声。这样我们的目的就是从若干个干扰信号中探测出所需的用户信号。实际上，扩展码并不去相关，由于所接收信号的非线性畸变，其它的用户信号使对所需信号的探测变得更困难。这种由于用户信号互相作用引起的干扰被称为多用户干扰。

上述的单用户检测方法不是最优的，因为它忽略了在探测中包含在其它用户信号的信息。另外，通常的探测不能够校正由于非正交扩展码和在无线电路径上信号畸变所产生的非线性。一种最优的接收机考虑到包括在所有用户信号中的信息，因此，通过采用例如Viterbi(维特比)算法，信号的探测将是最优的。这种探测方法的一个优点是接收机的比特差错率曲线和没有多用户干扰出现的单用户CDMA系统的情况相似。例如，不存在近远问题。当一个靠近接收机的发射机以其发射覆盖了远方的发射机，就称为近远问题。Viterbi算法最严重的缺点是随着用户数量的增加，所需要的计算工作量成指数增长。例如，一个采用QPSK(四相移相键控)调制并具有100kbit／s波特率的10用户系统，为进行相似的功能计算将需要每秒105兆次操作。这样使得最优接收机无法实现。

然而，采用不同的方法可以近似地实现最优接收机。现有技术中有多种不同的同步多用户探测方法。其中用得最广的方法是线性多用户探测器、去相关探测器和多级探测器。这些方法在下述参考文献中有详细说明：①Varanasi，Aazhang：Multistage detection for asyn-chronous code division multiple access communications，IEEE Transactionson Information Theory，vol 35，no．1，pp．123-136，Jan 1989；②Lupas，Verdu：Near-far resistance of mult user detectors in asynchronouscheannels，IEEE Transactions on Communications，Vol 38，Apr 1990。另外已知的多用户探测方法发表在美国专利上，有U．S．Patents5353300和5343496。然而所有这些方法都存在一个缺点，即它们都不跟踪发生在无线电通道上的变化。

因此，本发明提出了一种近似最优接收机的新颖方法。这种方法能更好地克服在传输路径和在发射机中产生的干扰。传统的多用户探测算法是固定在一个预先确定的通道模式上，正是基于该模式设计出该探测算法。本发明中的方法并不关注理论的通道模式，因为该算法本身就考虑到在通道上出现的模式的畸变。这种方法适用于经常发生的情况，甚至对未知干扰说的情况也适用。例如，接收信号中可能包含接收机也不知道的扩展码的传输。这些可能是来自邻近信元区域的监控传输。这种方法的匹配性比现有的神经网络应用的匹配性更快。

这是通过前文所提出的一类接收方法而获得。该方法的特点是接收信号在自适应线性前置级探测以前进行处理，该自适应线性前置级用来监控自适应非线性探测器的参数设置。

本发明涉及一种CDMA接收机，该接收机包括一个无线、射频部件、一个A／D转换器、一个自适应线性前置级和一个自适应非线性探测器装置，该探测器可以同时探测多个用户信号并且响应所接收的信号以便校正用来对应该接收信号状态的参数。根据本发明的CDMA接收机的特点在于线性前置级的输出信号可以监控自适应非线性探测器的参数设置。

利用本发明的方法，一种最优接收机可以按照所要求的精度来近似。利用这种方法的接收机能够快速准确地适应会引起接收信号失真的随机时变传输状态。在这样的系统中，本发明的探测器能够利用少量已知信息进行良好的匹配。通过综合几种学习算法、对于每种情况采用最合适的方法，从而获得非常短的学习时间。至于传统的神经网络应用，由于学习时间长而在实际上难以实现。

在本发明的一个优选实施例中，自适应探测器利用一个神经网络，例如一个自适应信号点系统来实现。其中，该信号点系统的每一个点对应于若干用户所发送信号的一种可能组合。自适应信号点系统中的各点可以通过例如包含在所接收信号的一个特殊训练周期的方法定位在合适的位置上。在本优选实施例中，监控探测器的自适应线性前置级进行通道参数的估计。根据第二个优选实施例，自适应信号点系统中的各点是以非监控的方式通过自组织映象方法进行计算。根据本发明的第三个优选实施例，信号点系统上述两种初始化的方法在必要时均可作为可选的备用方法。进而判决反馈方法可用于有监督的神经网络。

下面本发明将参照附图的例子作详细说明，其中：

图1a和1b说明在匹配滤波器的输出端所接收信号的形式；

图2说明利用码矢表示的各点的例子；

图3说明计算最近码矢的例子；

图4表示根据本发明的一种接收机的结构；

图5a和5b说明传统的信号判决函数和双曲线函数的相似性。

图6a和6b说明单层和双层神经网络的例子。

在数字数据传送中的信号调制在取样时刻只能得到离散量如±Ac、±3Ac。相应地，这些离散量将在接收机内从存在无线电路经串扰的畸变信号中被识别出来。图1表示一种两用户理想的非畸变信号模式，即接收信号的点密度函数，其中函数的峰值位于交叉点处。二维模式的每一个点表示一个可能的接收信号值，它取决于用户所发射的信号值。例如，点A₁表示一个位置(1，1)，意味着第一个用户已发送的值为1，第二个用户也发送了值1；相应地，点A₂表示位置(-1，1)，表示第一个用户已发送值-1，第二个用户则发送值1；点A₃表示位置(-1，-1)，而点A₄表示位置(1，-1)。如果存在三个用户。则模式将变为三维，模式的维数随着用户的增加而相应增大。

图2说明由于非正交引起的信号模式的畸变，它出现在扩展码匹配滤波器输出的接收机无线电路径上。点密度函数的峰值已经扩展并由于畸变而移位。所接收的信号点已经从它们的理想位置移了位，而接收机的任务就是转换所接收的信号到应归属的预先确定的信号点中的某一点。

如果采用完全线性的方法进行判决，如图2所示，在畸变点系统的报单上将会出现许多错误判决。利用本发明的方法，例如可以进行分段线性判决约束，由此，可以按要求的精度近似地实现最优非线性探测。

设该系统有k个用户，即k个CDMA发射机，其中每一个都具有与其它用户不同的特殊扩展码： $S_k\left(t\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{S}_k^{\left(j\right)}{\mathrm{\Π}}_{T_c}(t-j{T}_c)$

其中，第k个用户扩展码的第j个码片被标记，k=1，2…k。Tc是码片的长度。第k个用户的波形被限制在[O，T_b]范围内。每个用户在同样的频段发送用它自己的特殊扩展码所调制的标记εA，其中A是所使用的字母符号。该接收机的任务是采用例如BPSK(双相移键控)调制法来调制一个信号，其形式为 $r\left(t\right)=\underset{i=-p}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{h}_k\left(t\right)b_k^{\left(i\right)}{s}_k(t-\mathrm{iT}-{\mathrm{\τ}}_k)+n_t,t\∈R$

其中，被发送标记的数目为2P+1，n_t表示噪声，T是该标记的持续时间， 而∈{-1，1}表示在第i个时间间隔内第k个用户的 $b_k^{\left(i\right)}$ 信息位，-τ_k∈[O，T]表示第k个用户的时间偏移，h_k(t)是第k个用户物理通道的激励响应。为简明起见，假设τ_k=0，_k∈{1，．．K}

表示该系统是同步的，然而本发明也可以用同样的方法应用于非同步系统中。

让我们进一步假定一个多路径通道的激励响应的形式为 $h_k\left(t\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{h}_{k,1}\mathrm{\δ}(t-{\mathrm{\τ}}_{k,1}\left(t\right))$

其中，第k个用户的第τ个复合通道连接被标以h_x，1∈C，它们被假定为或是恒定的或是随时间衰减。

在多用户探测时，要对所接收到的所有k个用户的信号同时进行判决。例如，假定通道具有高斯噪声，对所有k个用户在预先确定时刻同时发送的位标以矢量形式b∈{-1，1}^x，在接收机内进行的最大或然判决基于对数或然函数： $b_{\mathrm{opt}}={\arg }_{{b\∈\{-\mathrm{1,1}\}}^k}\max \{2y\text{'}b-b\text{'}\mathrm{Hb}\}$

其中，H是在所采用的扩展码之间的一个互相关矩阵，即(H)_ij=<S_i，S_j>，i，j=1，2，…，k，矢量y包含接收机的匹配滤波器输出。上述方程可以利用Viterbi型算法求解，但是如前所述由于计算太复杂，实际上这种最优接收机很难实现。

从接收机接收到的信号具有前述形式r(t)，该信号可以利用在码片频率下滤波或在字符频率下滤波，前一种方法可以用下式描述： $r\left[j\right]=\underset{j{T}_c}{\overset{(j+1)T_c}{\&Integral;}}r\left(t\right)\mathrm{dt}$ 假设每个码片采集一个样本。另一方面，后一种方式可以用下式描述： $z_{k,1}^{\left(i\right)}=\underset{-\&infin;}{\overset{\&infin;}{\&Integral;}}r\left(t\right)s_k(t-{\mathrm{\&tau;}}_{k,1}-i{T}_b)\mathrm{dt}$

下面将要说明滤波器输出的信号怎样可以描述为某种神经网络结构，根据本发明的这种方法的神经网络怎样通过学习算法进行监控，以及本发明的这种方法具有哪些优点。

各种判决规则互不相同，考虑到度量和搜索算法，则要研究能最好地描述。下面的参考文献说明了度量和远距离测量方法。Teuvokohonen：Self-Organization and Associative Memory，Springerverlag，Berlin-Heidelberg-New york-Tokio，3rd edition，1989，作为其中一个例子，这里给出一种基于映射或滤波的测量方法，其中对信号状态建模的矢量mopt是所接收信号中具有最大映射的矢量： $m_{\mathrm{opt}}=\arg \underset{i}{\min }\frac{m_i^{T}x}{\&Verbar;m_i\&Verbar;\&Verbar;x\&Verbar;}$

另一种方法是所谓Mahalanobis距离法或加权欧几里温度量，其中

其中，φ是表示距离并取决于代码相关性的权重系数，与代码相关的各种判决规则和学习算法在本发明中被使用，以达到是好的效果。应当指出，利用加权欧几里德度量法可以实现一种最优判决，但是这种判决非常复杂、参照上面的方程式，可以发现这种实施例的矢量x的形式为： $x\&equiv;\&lsqb;r\&lsqb;j-J\&rsqb;,r\&lsqb;j-J+1\&rsqb;,\&hellip;,r\&lsqb;j+J\&rsqb;{\&rsqb;}^T$

其中，不同元素代表了影响第j个判决的码片匹配滤波器的输出，相应地可以采用方程式： $x\&equiv;(z_{\mathrm{1,1}},z_{\mathrm{1,2}},\&hellip;,z_{K,L}{)}^T<mrow>\; <msup>\; </msup>\; </mrow>$ 其中，各元素可以由与代码匹配的滤波器的输出而获得。

首先，讨论矢量量化神经网络，接着讨论前馈神经网络。

矢量量化神经网络(VQNN)常常被称为神经网络，因为所用的学习算法被认为是神经元。

VQNN方法利用一种基于自适应多维信号点系统的探测方法。所接收的离散信号与接收机的信号点系统相比较。所接收的信号值被分类到位于最短计算距离的信号点系统的一个点上。在本发明的第一个优选实施例中，自适应信号点系统采用包括在接收信号中的一个训练周期的方法来调整。利用这种方法，接收机可以通过改变信号点系统的方法来适应所接收信号的畸变。

所述的这种方法称为学习矢量量化(LVQ)，它在过去已经在与模式识别相关的问题中得到应用。该方法在已述及的参考文献中有详细说明：Teuvo Kohonen：Self-Organiza tion and Associative Memo-ry，Springe-Verlag，Berlin-Heidelberg-New York Tokio，3rd ed-itron，1989．

在另一种优选学习算法中，接收机利用一种自组织映射(SOM)来校正该自适应信号点系统。不需要单独的训练周期。这种自组织映射方法已在过去在与模式识别问题中用和LVQ同样的方法得到应用，该方法已在上述及以下参考文献中详述。Teuvo kohonen：Theself-organi Zing Map，proc．of the International Joint conference onNeural Networks，IJCNN’93，Nagoya，Japan，october 25-29，1993；Kohonen：Things you Haven’t Heard about the self-organizing Map，Pro-ceedings of the USA，March 28-April1，1993，pp．1147-1156；Koho-nen，Raivio，simula，Henriksson：start-up Behaviour of a Neural NetworkAssisted Decision Feed back Equalizer in a Two-Path channel，proc．ofIEEE Int．Conf．on Commqnications，Chicago，USA June14-18，1992，pp．1523-1527。

在VQNN方法中，探测采用了一组分类点，接收信号则被分类到被认为离得最近的点。用来决定最近分类点的方法或判决规则在探测中可以改变。在一种CDMA应用中，一组最近分类点可以通过映射来计算，例如用权重(欧几里德)度量来作出最后判决。这一种多相解法在CDMA应用中有很高的计算效率，其中可能的分类数量很大。

假如通道参数和所用的扩展码对接收机是已知的，接收机采用码匹配滤波器，码矢可利用下式事先确定：

M=RWB

其中，W是包括与信号能量相乘的复数连接系数的对角线矩阵，B是一个位组合矩阵(一种优选代表符包括K个线性独立位矢量)，R是一个互相关矩阵。如果代码的延时已知，就不必进行代码跟踪，表示符就十分简单。如果代码对延时未知，例如在一个蜂窝无线电系统中，可以采用接收机前置级，该前置级包括若干复盖了信号空间的N维匹配滤波器，但不必与扩展码匹配或者不必与上述的码片匹配滤波器匹配。

应用本发明的方法，一种VQNN网络的初始化可以通过一个计算通道参数的自适应前置级来实现。在此基础上，在实际训练开始前，网络可以获得很好的初始值，与现在技术相比，训练速度将会高得多。

按照本发明方法的观点，下面举例说明LVQ和SOM方法。

一个同时有多个用户使用的最优CDMA接收机具有非性线功能，可以对扩展码匹配滤波器提供的充分统计信号进行响应。此时，可利用LVQ和SOM方法来估计最佳的Bayesian判决约束。Bayesian判决约束对信号分类基本不出错。

每种可能的离散信号可用来确定它的类型Wk。每种类型由几个码矢确定，根据不同的应用可确定维数。在同步CDMA中，码矢的维数可能和用户的数量相同。在异步CDMA中，维数最好是K(p+1)，但是计算工作量将会大大增加。有时候，在标记的时间[O，T]内到达的一个次优信息也可以被接收，码矢的维数则是2(k-1)。

每种类型码矢的数量取决于所需的精度。若在一类中只有一个码矢，判决约束精是线性的。设置的码矢越多，接近最优接收机的判决精度越高，判决约束需要分段线性化，而随着码矢数量增加就会变得更为复杂。每一类可以包含不同数量的码矢，每一个码矢代表该类的某点。在为每一类设置一个码矢初值后，系统可以调整码矢以表示一个某一初始点。通道参数可以用来选择这些初始点。在信号探测期间，在每一时刻系统调整码矢以指出最优点。

假定已为系统设置了一个数工。从匹配滤波器输出所接收到的所有用户的离散信号样本在每个时刻以矢量Y指出。码矢则表示为mi，i=1，…I。最接近于取样信号Y的码矢mc可以通过计算欧几里德距离得到： $c=\arg$ $\underset{i}{\min }\{\&Verbar;y-m_i\&Verbar;\}$ $.$

上面的距离计算方法只是用来决定距离的可能方法之一，其它方法在前述的参考文献中已提出了。按照本发明的方法，计算最近的码矢的方法在标记探测中可以改变，前面已做了解释。这种距离度量或判决规则可以在所接收的信号、通道性能或接收级的基础上改变。

例如，在接收信号样本的基础上，校正码矢mi可按下面公式进行：m_c(t+1)=m_c(t)+α_c(t)(y(t)-m_c(t)),if y,m_cεω1m_c(t+1)=m_c(t)-α_c(t)(y(t)-m_c(t)),if yεωj,mcεω,i≠jm_i(t+1)=m_i(t)

相应地，上面方程组中，最上面方程式用于信号样本已被正确分类的情况。第二个方程式用于信号样本分类错误的情况。其它的校正方式在前述参考文献中给出。例如，各学习系数a可以被定义为下式： $a_c\left(t\right)=\frac{a_c(t-1)}{1+s\left(t\right)a_c(t-1)}$

其中，s(t)=1用于正确的分类，-1用于错误的分类。信号点系统中的点与接收信号相适应，虽然信号发生了畸变，该畸变又是时间的函数而判决精度不变。

按照LVQ方法所接收的信号包含一个学习周期，由此，邻近区域可以被调整。

在图1a的二维实例中，每一个信号点可以认为是指定了它自已的类Wk。例如，5个码矢可以被选择代表每一个点A1……A4。图2显示了表示这些矢量的点。图3说明了最近的码矢量计算，所接收的信号为矢量20。按照这种方法码矢和矢量20间的距离可以算出，例如，在矢量20和码矢21与22间的距离矢量23和24示于图3中，选出最短距离，图中为24。采用这种方法系统将识别矢量20属于由码矢22所代表的类型。

在基于自组织映射的方法中，学习过程即码矢校正不同于接收信号不包括任何专门学习周期的LVQ方法。但是自组织映射基于所接收的信号直接将码矢指向一个位置，其中所接收信号点数量很大，因而可以自动匹配。而且在LVQ方法中信号点不进行分类。由码矢mc表示的点的拓朴领域Nc在一个要求的深度上可通过周围的领域点来指定。所接收码矢的领域校正可通过下列方程式进行：m_i(t+1)=m_i(t)+α(y(t)-m_i(t)),i=Cm_i(t+1)=m_i(t)+β(y(t)-m_i(t)),i∈N_c,i≠Cm_i(t+1)=m_i(t),i∈Nc

其它校正公式在上述参考文献中已提出了。

相应的，自适应信号点系统的各个点也可以用LVQ或SOM方法调整到正确位置，也可以交替使用上述两种方法。例如，信号点通过自组织映射被累计在它们的正确位置，接着LQV的分类点通过训练矢量来确定，然后，接收机利用SOM来把信号点保持在正确位置上。如果对于分类点有初步估计，LVQ方法可以在开始时使用。例如在通道变化的情况下，数据可以再次用SOM方法进行累计。在必要时，码矢可以利用一个训练装置进行分类。

上述信号点系统的缺点是体积很大，而最优的信号点系统搜索很复杂。但是这种搜索可以集中在一个小的子集上。1)一个次优判别在开始时可在矢量X的部分维数上进行，例如该次优判决可以通过一个滤波器组或一个去相关器实现。2)对矢量X的全部搜索，将用在步骤1)中固定部分维数的方法进行。在多用户探测中，强信号和相应这此信号的矢量X的维数可以优先地进行次优化探测，而基于欧几里德度量的最优搜索可以只对最弱用户进行。

接着，要说明一种可选择的实现自适应非线性判决的方法。与上述方法相比，基本区别在于判决是基于非线性滤波，而训练是基于非线性算法的最小均方差。非线性探测器在这里是利用一种线性自适应前置级以大大加速训练的方式来初始化。基于LMS或MMSE规则，自适应线性前置级可以估算接收器滤波器，从而可以计算一个校正矩阵，进而用于非线性探测。

下一步讨论另一种神经网络结构。根据本发明的接收方法可以用于该结构。前馈神经网络指的是一种非循环网络。其中输入矢量x_inεR^d按照某种权重系数W_ij和可能的非线性δ_x1被映射到一个输出矢量X_outε R^q参数d，1，q定义了输入层、隐含层和输出层的维数。

从前述知道，神经网络的一个单元可用下式计算输出值： $x_i=f\left(\underset{j}{\mathrm{\&Sigma;}}{W}_{\mathrm{ij}}{X}_j\right)+\mathrm{bias}$ 其中，f是一种连续微分非线性函数，例如 $f\left(x\right)=\tanh \left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$ 或 $f\left(x\right)=\frac{1}{1+e^{-x}}$

双曲线f(x)=tanh(x)是一种特别适用的非线性元素，因为它接近于基于信号判决的一个传统探测器。如在图5a和5b所示。图5a表示函数Y=sgn(x)可以进行传统的信号判决。而图5b表示函数Y=tanh(x)。

上述输出值的公式可以写成下式 $x_i=f\left(W_K^{T}X\right)+\mathrm{bias}$

对应于常用的匹配滤波器前置级W^T _k≡S_k。上式用于实数输入信号，也可以应用于复数空间，典型地用于电信以双倍输入连接方式进行(分别连接每个用户的实部和虚部)。另一种选择是利用复数神经元和一种相应的学习规则，在下述参考文献中被说明。该文献为：N．Benve nuto，M．Marchesi，F．Piazza，A．vncini：A Comparison betweenreal and complexvalued neural networks in communication applicationsproc．Int．Conf．Artificial Neural Networks，Espoo，Finland，June 1991，pp 1177-1180．

通过将神经元输出层i与输入层i+1相连接构成一个多层神经网络。图6a说明了一个神经元，而图66是一个二层网络。

在二层神经网络中，按照下式给出了输入矢量的映射： ${\mathrm{net}}_1=W_1\left[\begin{array}{c}1\\ X\end{array}\right]$ out₁=f(net₁) ${\mathrm{net}}_2=W_2\left[\begin{array}{c}1\\ {\mathrm{out}}_1\end{array}\right]$ y   =f(net₂)

其中，W₁、W₂和f按上式决定，net₁和out₁映射了第一层的计算，net₂和y映射了第二层的计算，而y是该网络的输出值。当输入值为矩阵形式时，网络按照下列公式映射入数据：N₁=W₁X,

$O_1=\left[\underset{f\left(N_1\right)}{1...1}\right]$

N₂=W₂O₁,

Y=f(N₂),

其中，f是一个适当的非线性函数，W₁和W₂是各层的权重矩阵。

一个神经网络的映射通过g()标识如下所示：g:R¹×R^P→R^oy=g(x,w)

其中，i，p，o表示输入层、隐含层和输出层的维数，而矢量W包含前述的矩阵W₁和W₂的成分。神经网络训练包含设置矢量W(或分别设置矩阵成分W₁、W₂)，通过网络进行的映射要适应要求的尽可能精确的映射。在一个运程通信应用中，目标是通过映射方法以对接收信号进行尽可能不出借的探测的方式来训练网络。映射的正确性典型地可以通过均方差来检验： $E=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}|g(x_i,w)-t_i{|}^2=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{|y_i-t_i|}^2=\frac{1}{n}{|Y-T|}_F^2$

其中，(x_i，t_i)，i=1，…N是一组训练和目标矢量对，目标矢量为已知值，通过该值，网络可以被训练。在高维数情况下，按照上式的计算需要很大的容量。

对于前馈网络的训练，已发展了多种方法，例如反传训练采用用于使误差函数极小化的梯度算法。在梯度算法中，关于权重系数的误差函数的梯度是在该梯度下权重函数被更新的基础上进行计算。 $W_{\mathrm{new}}=W_{\mathrm{old}}+\mathrm{\&Gamma;}\&dtri;E\left(W\right)$

其中，T决定了校正步长的大小。

在现在的发明中，在初值设定后，采用何种训练方法并不重要。其它可能的训练方法在下述文献中做了说明：R．Battiti：Acceleratedbackp ropagation learning：Two optimiza tron methods，Complex System3 pp．331-342，1989；poggio，Girosi：Atheory of networks for approximation and learning，MIT memo no：1140，1989；J．F．Shepanski：Fast learning in Artificial Nearal Systems：Multilayer percep tion trainingusing optimal estimation．ICNN，1988．

神经网络训练典型地是从设置权重系数的随机值开始，该值受到训练直至达到正确值。本发明采用了一种提供信息即通道参数的自适应前置级，该信息的初始值比真实情况可能用来为权重系数设置的相应值更为优越。在这种情况下，实际的训练可以大大加速，这就相应于前述的与VQNN网络相联系的情况，其中初始值被设定作为码矢。以前述二层网络为例，可能随机地提供权重系数矩阵W₁，并以上述Shepenski的参考文献中提出的方法计算矩阵W₂。当已知对应于输出值y的输入x，并已知目标值T，极小化的计算是必须的。

或者 $|T-Y{|}_F^2\&cong;{|T-f\left(W_2{O}_1\right)|}_F^2$

${|W_2{O}_1-f^{-1}\left(T\right)|}_F^2$

上述公式并非导致网样的最后结果，后一公式的解的形式为： $W_2=f^{-1}\left(T\right)O_1^{+}$

其中，O₁ ⁺是o₁的伪反矩阵。这种方法并不是给出最优的权重矩阵，但从总体讲，会产生最快的学习。在矩阵W₁更新时，也可以应用线性回归技术进行每一个梯度迭代，更新W₂通过线性回归。

网络初始化的一种方法是利用通常的去相关器计算第一层网络的权重系数，第二层的权重系数可以利用反传方法或shepenski方法。进一步有可能利用反传方法更新通过第一层去相关滤波器所获得的权重系数。以上已说明了网络的已知的训练方法。

根据本发明的接收方法，利用已知的学习方法采用新颖的方式学习可以被大大加快，它特别适合于电信的应用。

假定进行网络训练开始时，隐含层不包含非线性，一旦得到充分好的初始值，就要考虑隐含层的非线性成分，后面网络各层就递归地进行训练。在本发明的方法中，每一阶段都有一个训练周期可以利用，而本发明的特殊优点在于不需要长的训练时间。

如果一组匹配滤波器用作探测前置级，初始权重系数的估计可以映射到下一层，而在CDMA应用中该估计可利用公式W_i=W₀-I其中I表示具有和W相同维数的一个识别矩阵，在初始化后，可以进行判决反馈训练的处理。

图4说明了本发明的一个CDMA接收机的结构，该接收机为一个基站接收机。当然，本发明同样适用于移动站。CDMA接收机包括一个天线40，从40接收到的信号通过射频部件41传送到A／D转换器42。已转换的信号送到装置43a至43d，以便对接收信号进行预处理。在本发明的优选实施例中，该装置用来进行通道参数的估计，该装置可利用RAKE接收机来实现，其中每一个都可以接收用户发送的信号。CDMA接收机还包括一个控制装置45来控制仪器的操作。每个RAKE接收机包括几个单独的相关器，其中每一个都可以接收一个多路径传送信号分量。所接收的信号分量优先在RAKE接收机中进行组合。RAKE接收机的结构已在下述参考文献中评述：G．Cooper，C．McGillem：Modern Communications and Spread Spectrum，Mc-Graw-Hill，New York，1986，Section 12．

因此，每一个RAKE接收机43a至43d接收一个用户信号(以及其多路径传送的信号分量)。从每一个RAKE接收机信号送往自适应探测器44，利用本发明的自适应非线性判决规则、上述的初始化与训练方法同时地探测所接收的多用户信号。

本发明所用的接收机也可以不用RAKE接收机来实现。如果码矢的维数对应于激励响应引起的扩展而增大，LVQ和SOM的效率在多路径的情况下也是充分的。这就涉及到一种前馈神经网络。

所接收信号的一些线性或非线性转换也可以在预处理装置中实现，例如去相关矩阵的乘法会导致去相关探测器的判决统计。

尽管本发明已参照附图实例作了说明，很明显，本发明并不限于这些，它可以在所附权利要求所提出的本发明概念的范围内的许多方面进行修正。

例如，不同类型的神经网络可以按所需方式级联，以便使及训练尽可能地高效率，判决规则尽可能地简化与优化。

Claims (13)

1．一种在CDMA系统中使用的接收方法，其中多个用户的信号同时从接收信号中进行探测，一种自适应判决规则用于探测，探测器参数基于所接收的信号受到监控从而能够与所接收信号的信号状态更好地匹配。其特征在于接收信号在一个自适应线性前置级检测之前被进行处理，该前置级监控对自适应非线性探测器的参数设置。

2．根据权利要求1的一种方法，其特征在于自适应前置级实现通道参数的估计。

3．根据权利要求2的一种方法，其特征在于基于通道参数对非线性探测器的预判决进行计算。

4．根据权利要求1的一种方法，其特征在于基于接收信号和该级接收机，在自适应非线性探测器所使用的判决规则和相应的训练算法被改变。

5．根据权利要求1的一种方法，其特征在于基于通道参数，对自适应非线性探测器所使用的判决规则和相适应的训练算法进行初始化操作。

6．根据权利要求1的一种方法，其特征在于按照学习矢量量化的规则，自适应非线性探测器的参数受到监控。

7．根据权利要求1的一种方法，其特征在于自适应非线性探测器的参数通过一个自组织映射进行监控。

8．根据权利要求1的一种方法，其特征在于自适应非线性探测器的参数利用判决反馈方法进行监控。

9．根据权利要求1的一种方法，其特征在于一个非线性神经元的输出取决于在一个信号点模式神经元与在该神经元输入的信号之间的距离。

10．根据权利要求1的一种方法，其特征在于自适应信号点系统中，每个点都代表由多个用户发送信号的一种可能组合。

11．根据权利要求10的一种方法，其特征在于所接收的标记被识别为最接近该标记的一个信号点。

12．根据权利要求11的一种方法，其特征在于最近信号点的搜索至少进行两步，第一步是通过次优判别规则，使可能的信号点数减少，第二步是通过一种最优距离测量，在减少了的信号点系统中，搜索能与所接收标记匹配最好的信号点。

13．一种CDMA接收机，包括一个天线(40)，射频部件(41)，一个A／D转换器(42)，一个自适应线性前置级(43a至43d)，和一个自适应非线性探测装置(44)，该探测器(44)同时探测多个用户的信号并响应接收信号用于校正所使用的参数，该参数用于进行与接收信号的信号状态相适应的探测，其特征在于线性前置级(43a至43d)对自适应非线性探测器(44)的参数设置进行监控。

Images