JPH08505758A - 受信方法及びｃｄｍａ受信器 - Google Patents

Abstract

(57)【要約】 本発明は、ＣＤＭＡシステムに使用されるべき受信方法と、ＣＤＭＡ受信器とに係る。このＣＤＭＡ受信器は、アンテナ（40）と、無線周波数部分（41）と、Ａ／Ｄコンバータ（42）と、適応直線的前段（43a-43d）と、適応非直線的検出手段（44）とを備え、検出手段（44）は多数のユーザの信号を同時に検出し、そして受信信号に応答して、検出に使用すべきパラメータを、受信信号の信号状態に対応するように修正する。受信信号の最適な検出に対し、本発明による受信器の直線的前段（43a-43d）の出力信号は、適応非直線的検出手段（44）のパラメータの設定を監視する。

Description

【発明の詳細な説明】 受信方法及びＣＤＭＡ受信器発明の分野 本発明は、ＣＤＭＡシステムに使用される受信方法であって、多数のユーザの 信号が受信信号から同時に検出され、この検出には適応非直線決定ルールが使用 され、そして検出器のパラメータが受信信号に基づいて監視されて、受信信号の 信号状態に良好に対応するようにした受信方法に係る。先行技術の説明 ＣＤＭＡとは、分散スペクトル技術に基づくマルチユーザシステムであり、該 システムのセルラー無線システムへの適用は、従来のＦＤＭＡ及びＴＤＭＡシス テムに加えて最近開始されたものである。ＣＤＭＡは、従来の方法に比して、例 えば、周波数のプランニングが簡単であり、スペクトル効率が良いといった多数 の利点を有する。 ＣＤＭＡ方法においては、ユーザの狭帯域データ信号が、そのデータ信号より も相当の広い帯域を有する分散コードによって比較的広い帯域へと乗算される。 既知のテストシステムに使用される帯域巾は、例えば、１．２５ＭＨｚ、１０Ｍ Ｈｚ及び２５ＭＨｚである。乗算に関しては、データ信号は、使用されるべき全 帯域へと分散する。全てのユーザは、同じ周波数帯域を使用することにより同時 に送信する。ベースステーションと移動ステーションとの間の各接続はそれ自身 の分散コードを使用し、そしてユーザの信号は受信器において各ユーザの分散コ ードに基づいて互いに分離することができる。その目的は、分散コードが相互に 直交するように、即ち互いに相関しないように、分散コードを選択することであ る。 従来の方法で実施されるＣＤＭＡ受信器の相関手段は、分散コードに基づいて 検出される所望の信号と同期される。データ信号は、送信段と同じ分散コードを これに再乗算することにより受信器において元の帯域へ復帰される。理想的なケ ースにおいては、ある他の分散コードで乗算された信号は相関せず、狭帯域へ戻 らない。従って、それらは、所望の信号に対してノイズとして現れる。従って、 多数の干渉する信号の中から所望のユーザの信号を検出することが目的となる。 実際に、分散コードは相関解除可能ではなく、そして他のユーザの信号は、受信 信号を非直線的に歪めることにより所望信号の検出をより困難なものにする。ユ ーザにより互いに生じるこの干渉は、マルチユーザ干渉と称する。 上記した単一ユーザ検出方法は、その検出に関連して他のユーザの信号に含ま れる情報を無視するので、最適ではない。更に、従来の検出は、特に、非直交の 分散コードと、無線経路における信号の歪とによって生じる非直線性を修正する ことができない。最適な受信器とは、全てのユーザの信号に含まれる情報を考慮 し、例えば、ビタビアルゴリズムを使用することにより信号を最適に検出できる ものである。この検出方法の利点は、受信器のビットエラー比曲線が、マルチユ ーザ干渉の生じない単一ユーザＣＤＭＡシステムの状態に類似していることであ る。例えば、近−遠問題は生じない。近−遠問題とは、受信器に接近する送信器 がその送信において離れたところに位置する送信器をカバーするときの状態をい う。ビタビアルゴリズムの最も重大な欠点は、必要とされる計算力がユーザの数 の増加と共に指数関数的に増大することである。例えば、ＱＰＳＫ変調を用いる ビットレート１００ｋビット／ｓの１０ユーザのシステムは、尤度関数の計算に 毎秒１０５百万の測定を必要とする。これは、実際に、最適な受信器の実施を阻 止するものである。 しかしながら、最適な受信器は、種々の方法によって近似することができる。 同時マルチユーザ検出のための異なる種類の方法が当業技術で知られている。最 も良く知られた方法は、直線的なマルチユーザ検出器、相関解除検出器及び多段 検出器に属する。これらの方法は、ＩＥＥＥトランザクションズ・オン・コミュ ニケーションズ、第３８巻、第５０９−５１９ページ、１９９０年４月のバラナ ジ、アアズハングの「非同期コード分割のマルチプルアクセス通信のための多段 検出（Multistage detection for asynchronous code division multiple acces s communications）」；ＩＥＥＥトランザクションズ・オン・インフォメーショ ンズ・セオリー、第３５巻、第１号、第１２３−１３６ページ、１９８９年１月 のルパス、バーデュの「同期コード分割のマルチプルアクセスチャンネルのため の直線的マルチユーザ検出器（Linear multiuser detectors for synchronous c ode-division multiple access channnels）」；及びＩＥＥＥトランザクション ズ・ オン・コミュニケーションズ、第３８巻、１９９０年４月のルパス、バーデュの 「非同期チャンネルにおけるマルチユーザ検出器の耐近−遠方法（Near-far res istance of multiuser detectors in asynchronous channnels）」の参照文献に 詳細に示されている。他の既知のマルチユーザ検出方法は、ここに取り上げる米 国特許第５，３５３，３００号及び第５，３４３，４９６号に開示されている。 しかしながら、これら全ての方法は、無線チャンネルに生じる変化を追跡しない という欠点がある。発明の要旨 そこで、本発明は、最適な受信器を近似する新規な方法を開示する。この方法 は、送信経路及び送信器の両方に生じる干渉に良好に耐えるものである。慣例的 なマルチユーザ検出アルゴリズムは、所定のチャンネルモデルに固定され、それ に基づいて設計される。本発明の方法は、理論的なチャンネルモデルには関与し ない。というのは、アルゴリズム自体が、チャンネルに生じる歪をモデリングす る傾向があるからである。この方法は、たとえ干渉の発生源が未知であっても優 勢な状態に適応される。例えば、受信した信号は、受信器により分散コードが分 からないような送信を含むことがある。これらは、例えば、隣接セルの領域から 監視される送信である。この方法の適応は、従来のニューラルネットワークのア プリケーションよりも迅速である。 これは、序文で述べた形式の受信方法であって、受信信号を検出前に適応直線 的前段で処理し、これが、適応非直線的検出器のパラメータの設定を監視するこ とを特徴とする方法によって達成される。 本発明は、更に、アンテナと、無線周波数部分と、Ａ／Ｄコンバータと、適応 直線的前段と、適応非直線的検出手段とを備えたＣＤＭＡ受信器であって、検出 手段は多数のユーザの信号を同時に検出し、そして受信信号に応答して、検出に 使用すべきパラメータを、受信信号の信号状態に対応するように修正するような ＣＤＭＡ受信器にも係る。本発明によるＣＤＭＡ受信器は、直線的前段の出力信 号が適応非直線的検出手段のパラメータの設定を監視することを特徴とする。 本発明の方法によれば、最適な受信器を所望の精度で近似することができる。 本発明の方法による受信器は、無線経路上のランダムに経時変化する伝播状態に 迅速且つ正確に適応し、このような状態は受信信号を歪める。このシステムにお いては、本発明による検出器は、非常に僅かな量の学習情報によって充分に適応 する。各状態に対して最も適当な方法が使用されるように多数の学習アルゴリズ ムを組み合わせることにより、非常に短い学習時間を得ることができる。慣例的 なニューラルネットワークアプリケーションと同様に、その実現は、実際には、 学習時間の長さによって阻止される。 従って、本発明の好ましい実施の形態においては、適応検出器は、適応信号ポ イントシステムのようなニューラルネットワークによって実現され、信号ポイン トシステムの各ポイントは、多数のユーザにより送信された信号の１つのあり得 べき組合せに対応する。適応信号ポイントシステムのポイントは、例えば、受信 信号に含まれる特定のトレーニング周期により、正しい位置に配置される。好ま しい実施の形態においては、検出器を監視する適応直線的前段は、チャンネルパ ラメータの推定を行う。第２の好ましい実施の形態によれば、適応信号ポイント システムのポイントは、例えば、自己編成マップにより、非監視状態でカウント される。本発明の第３の好ましい実施の形態によれば、信号ポイントシステムの 上記の両方の初期化方法を、任意の順序でそしてもし必要であれば交互に使用で きる。更に、ニューラルネットワークを監視するための決定フィードバック方法 を使用することができる。図面の簡単な説明 以下、添付図面による例を参照して本発明を詳細に説明する。 図１ａ及び１ｂは、整合フィルタ出力における受信信号の形態を各々示す図で ある。 図２は、コードベクトルによって指示されたポイントの例を示す図である。 図３は、最も近いコードベクトルを計算する例を示す図である。 図４は、本発明による受信器の構造を示す図である。 図５a及び５ｂは、慣例的な信号決定関数及び双曲線タンジェント関数の類似 性を示す図である。 図６ａ及び６ｂは、１層及び２層のニューラルネットワークの例を示す図であ る。好ましい実施の形態の詳細な説明 デジタルデータ送信における信号の変調は、サンプリングの瞬間に、±Ａ_a、 ±３Ａ_aのような個々の値のみを得る。従って、これらの個々の値は、受信器に おいて、無線経路に交差したしばしば歪んだ信号から識別されねばならない。図 １は、２つのユーザの理想的な無歪信号パターン、即ち受信信号のポイント密度 関数を示しており、この関数のピークは交差ポイントに配置される。二次元パタ ーンの各ポイントは、１つの考えられる受信信号値を表し、これは、ユーザによ って送信された信号の値に基づいている。例えば、ポイントＡ１は、状態（１、 １）を表すことができ、これは、第１のユーザが値１を送信しそして第２のユー ザが値１を送信したことを意味する。対応的に、ポイントＡ２は、状態（−１、 １）を表すことができ、これは、第１のユーザが値−１を送信しそして第２のユ ーザが値１を送信したことを意味する。ポイントＡ３は、状態（−１、−１）を 表すことができ、ポイントＡ４は、状態（１、−１）を表すことができる。３つ のユーザがいる場合には、パターンは三次元的となり、パターンの次元は、ユー ザの数の増加と共に各々成長する。 図２は、非直交コードによって生じそして受信器の無線経路において分散コー ド整合フィルタの出力に生じた信号パターンの歪を示している。ポイント密度関 数のピークは分散すると共に歪によって移動している。受信信号ポイントは、そ れらの理想的な位置から移動しており、受信器の機能は、幾つかの所定の信号ポ イントに属するように受信信号を解読することである。 決定が完全に直線的になされた場合には、図２から明らかなように、歪んだポ イントシステムであるために、多数の欠陥決定が現れる。本発明の方法により、 例えば、断片的な直線的決定境界を実現し、これにより、最適な非直線的検出を 所望の精度で近似することができる。 システムがＫ個のユーザ、即ちＣＤＭＡ送信器を有し、それらの各々が互いに 異なるそれ自身の特定の分散コードを有すると仮定する。 但し、ｋ番目のユーザの分散コードのｊ番目のチップは、ｋ＝１、２・・・Ｋと マークされる。Ｔ_cは、チップの長さである。ｋ番目のユーザの波形は、〔０、 Ｔ_b〕内に制限される。各ユーザは、同じ周波数帯域において、それ自身の特定 の分散コードにより変調されたデータ記号εＡを送信し、ここで、Ａは使用され たアルファベット記号である。従って、受信器の機能は、例えば、ＢＰＳＫ変調 方法を用いることにより次の式の信号を復調することである。 但し、２Ｐ＋１は送信されるべき記号の数であり、ｎ_tはノイズ項であり、Ｔは 記号の巾であり、そしてｂ_k ⁽ⁱ⁾∈｛−１、１｝は、ｉ番目のタイムスロットにお けるｋ番目のユーザの情報ビットを表し、τ_k∈〔０、Ｔ〕は、ｋ番目のユーザ の時間偏差を表し、そしてｈ_k（ｔ）は、ｋ番目のユーザの物理的チャンネルの インパルス応答を表ず。明瞭化のために、以下では、τ_k＝０、∀_k∈｛１、・・ ・Ｋ｝と仮定する。これらは、システムが同期式であることを意味する。しかし ながら、本発明は、非同期システムにも対応的に適用できる。 更に、多経路チャンネルのインパルス応答が次の式で表されると仮定する。 但し、ｋ番目のユーザの１番目の複素チャンネルタップは、ｈ_k,1∈Ｃとマーク され、これらは、一定であるか又は時間の関数として減衰するかのいずれかであ ると仮定する。 マルチユーザの検出においては、受信信号についての決定がＫ個のユーザ全て に対して同時に行われる。この例においては、チャンネルがガウスのノイズを有 しそしてＫ個の全ユーザにより所定の瞬間に同時に送られるビットは、ベクトル 式ｂ∈｛−１、１｝^kで表されると仮定する。受信器において行うべき最大尤度 決定は、次の対数尤度関数に基づくことが分かっている。 但し、Ｈは、使用される分散コード間のクロス相関のマトリクス、即ち（Ｈ）_ij ＝＜Ｓ_i，Ｓ_j＞、ｉ，ｊ＝１、２・・・Ｋであり、ベクトルｙは、受信器の整合 フィルタ出力を構成する。上記の式は、ビタビ型のアルゴリズムによって解くこ とができるが、計算が複雑であるために、実際には、上記のように、この形式の 最適な受信器の実施が妨げられる。 従って、受信器により受信される信号は、上記式ｒ（ｔ）を有する。この信号 は、例えば、チップ周波数でのフィルタ作用又は記号周波数でのフィルタ作用を 用いることにより処理できる。第１のやり方は、チップ当たり１つのサンプルが とられると仮定すれば、次の式で表すことができる。 一方、後者のやり方は、次の式で表される。 フィルタの上記出力信号をあるニューラルネットワーク構造体に対していかに 記述できるか及び本発明による方法のニューラルネットワークが学習アルゴリズ ムによっていかに監視されるかそして本発明の方法によってどんな効果が得られ るかを以下に説明する。 信号を最良に記述する状態をサーチするのに使用する計測及びサーチアルゴリ ズムに関する限り、種々の決定ルールは互いに異なる。種々の計測及び距離測定 は、１９８９年、スプリンガー・バーラグ、ベルリン−ハイデルベルグ−ニュー ヨーク−東京、第３版に掲載されたツーボ・コーネンの「自己編成及び連想メモ リ（Self-Organization and Associative Memory）」と題する参照文献に説明さ れており、これらの一例として、投影又はフィルタ作用に基づく測定をここに取 り上げる。但し、信号状態をモデリングするベクトルｍ_opcは、受信信号が最大 の投影を有するベクトルである。 それに代わる別のものは、例えば、いわゆるマハラノビス（Mahalanobis）距離 、又は重み付けされたユークリッド計測であり、この場合は、 となる。但し、φは距離に対して与えられた重み付け係数であり、コードの相関 に基づいている。種々の決定ルール及びそれらに関連した学習アルゴリズムは、 本発明においては最良の結果を得るために使用される。最適な決定は、重み付け されたユークリッド計測によって実現できるが、その決定の複雑さは非常に顕著 であることを述べておく。上記の式を参照すれば、この実施例のベクトルＸは、 例えば、次の式で表される。 Ｘ＝〔ｒ〔ｊ−Ｊ〕、ｒ〔ｊ−Ｊ＋１〕、・・・ｒ〔ｊ＋Ｊ〕〕^T 但し、種々のエレメントは、ｊ番目の決定に影響するチップ整合フィルタ出力を 表している。対応的に、次の式を用いることができる。 Ｘ＝（Ｚ_1.1、Ｚ_1.2、・・・Ｚ_X.L）^T 但し、コード整合フィルタ出力からエレメントが得られる。 先ず初めに、ベクトル量子化ニューラルネットワークについて説明し、その後 に、フィードフォワードニューラルネットワークについて説明する。 ベクトル量子化ニューラルネットワーク（ＶＱＮＮ）方法は、使用する学習ア ルゴリズムがニューラルであると考えられるので、一般にニューラルネットワー クとしばしば称される。 ＶＱＮＮ方法は、適応多次元信号ポイントシステムに基づく検出方法を使用す る。受信した個別の信号は、受信器の信号ポイントシステムと比較され、そして 受信信号の値は、最短の計算距離に配置された信号ポイントシステムのポイント に属するように分類される。本発明の第１の好ましい実施形態では、適応信号ポ イントシステムは、受信信号に含まれたトレーニング周期によって修正される。 このように、受信器は、信号ポイントシステムを対応的に歪ませることにより、 受信信号の歪に適応することができる。 ここに述べる方法は、学習ベクトル量子化（ＬＶＱ）と称され、パターン認識 の問題に関連して既に適用されている。この方法は、１９８９年、スプリンガー ・バーラグ、ベルリン−ハイデルベルグ−ニューヨーク−東京、第３版に掲載さ れた前記のツーボ・コーネンの「自己編成及び連想メモリ」と題する参照文献に 説明されている。 別の好ましい学習アルゴリズムにおいては、受信器は、自己編成マップ（ＳＯ Ｍ）によって適応信号ポイントシステムを修正する。従って、個別のトレーニン グ周期は必要でない。この自己編成マップ方法は、ＬＶＱと同様にパターン認識 の問題に関連して既に適用されており、前記の参照文献、及びプロシーディング ズ・オブ・ザ・ＩＥＥＥ、７８（９）、第１４６４−１４８０ページ、１９９０ 年に掲載されたツーボ・コーネンの「自己編成マップ（The Self-Organization Map）」；１９９３年１０月２５−２９日に日本の名古屋で開催されたProc．of the International Joint Conference on Nural Networks，IJCNN'93におけるコ ーネンの「自己編成マツプの一般化（Generalization of the Self-Organizing Map）」；１９９３年３月２８日−４月１日、米国サンフランシスコにおけるPro ceedings of the 1993 IEEE Int．Conf．Neural Networksの第１１４７−１１５ ６ページに掲載されたコーネンの「自己編成マップについて聞かないもの（Thin gs You Haven't Heard about the Self-Organizing Map）」；１９９２年６月１ ４−１８日、米国シカゴにおけるProc．of IEEE Int．Conf．on Comunications の第１５２３−１５２７ページに掲載されたコーネン、ライビオ、シムラ、ヘン リクソンの「２経路チャンネルにおけるニューラルネットワーク助成式決定フィ ードバックイコライザの始動特性（Start-Up Behavior of a Neural Network As sisted Decision Feedback Equalizer in ａ Two-Path Channel）」に詳細に説 明されている。 従って、ＶＱＮＮ方法では、検出に１組の分類ポイントが使用され、受信信号 は、最も近いと考えられるポイントに分類される。最も近い分類ポイントを決定 する方法即ち決定ルールは、検出中に変更することができる。ＣＤＭＡの用途で は、１組の最も近い分類ポイントを、例えば、投影により計算することができ、 そして最終的な決定を、重み付けされた（ユークリッド）計測によって行うこと ができる。このような多段階解決法は、考えられる分類の数が多いＣＤＭＡ用途 においては計算上効率的である。 チャンネルパラメータ及び使用される分散コードが受信器により知られており そして受信器がコード整合フィルタを使用する場合には、コードベクトルは、次 の式により予め決定することができる。 Ｍ＝ＲＷＢ 但し、Ｗは、信号エネルギーで乗算された複素タップ係数より成る対角マトリク スであり、Ｂは、ビット組合せのマトリクスであり（好ましい表示は、Ｋ個の直 線的に独立したビットベクトルを含む）、そしてＲは、クロス相関のマトリクス である。従って、コードの遅延が既知でありそしてコードを追跡する必要がない 場合には、表示は非常に簡単である。セルラー無線システムの場合のように、コ ードの遅延が分からない場合には、多数のＮ次元整合フィルタより成る受信器前 段を使用することができ、これらフィルタは、信号スペースをまたぐが、分散コ ード又は上記のチップ整合フィルタ作用に必ずしも整合されない。 従って、ＶＱＮＮネットワークの初期化は、本発明の方法においては、チャン ネルパラメータを計算する適応前段によって行うことができ、それに基づいて、 実際のトレーニングを開始する前にネットワークに対する良好な初期値が得られ る。従って、従来の方法に比して、トレーニングは相当にスピードアップするこ とができる。 ＬＶＱ及びＳＯＭ方法は、本発明による方法という観点から、一例として以下 に説明する。 多数のユーザによって同時に使用される最適なＣＤＭＡ受信器は、分散コード 整合フィルタにより与えられた充分な統計学的情報に応答して非直線的に機能す る。この点において、ＬＶＱ及びＳＯＭ方法は、最適なベイズの決定境界を推定 するのに使用することができる。ベイズの決定境界は、できるだけ少数のエラー しか生じないようにクラスを互いに分離する。 各々の考えられる個別の信号状態は、それ自身のクラスω_kを構成すると考え ることができる。各クラスは、多数のコードベクトルにより決定され、その次元 は用途に基づいて決定できる。同期ＣＤＭＡにおいては、コードベクトルの次元 は、例えば、ユーザの数と同じでよい。非同期ＣＤＭＡにおいては、次元は、Ｋ （Ｐ＋１）が最適であるが、計算の数は大きくなる。状態については、記号時間 〔０、Ｔ〕中に到着する準最適情報も受け入れることができ、このとき、コード ベクトルの次元は、例えば、２（Ｋ−１）である。 クラス当たりのコードベクトルの数は、所望の近似精度に基づく。各クラスに １つのコードベクトルしかない場合には、決定境界は直線的となる。より多くの コードベクトルがセットされるほど、決定の実行が最適な受信器を近似する精度 が高くなり、決定境界は断片的に直線的でありそして複雑さはコードベクトルの 数の増加と共に増大する。又、各クラスは、異なる数のコードベクトルを含むこ とができる。各コードベクトルは、クラスを表すあるポイントを指示する。各ク ラスに対し予めある数のコードベクトルがセットされた後に、システムは、ある ポイントを予め指示するようにコードベクトルを調整する。チャンネルパラメー タは、この予めのポイントを選択するのに使用できる。信号の検出中に、システ ムは、各瞬間に最適なポイントを指示するようにコードベクトルを調整する。 ある数Ｉのコードベクトルがシステムに対してセットされたと仮定する。整合 フィルタ出力から受け取られるべき全てのユーザの個々の信号サンプルは、各瞬 間にベクトルｙによってマークされる。コードベクトルは、ｍ_i、ｉ＝１、・・ Ｉとマークされる。信号サンプルｙに最も近いコードベクトルｍ_oは、例えば、 ユークリッド距離を計算することにより得られる。 上記の距離計算法は、距離を決定するための１つの考えられる方法に過ぎない。 上記の参照文献には他の方法も記載されている。本発明による方法では、最も近 いコードベクトルを計算する方法は、既に述べたように、記号検出中に変更する ことができる。使用すべき距離計測又は決定ルールは、例えば、受信信号、チャ ンネル特性又は受信器段に基づいて変更することができる。 ここで、コードベクトルｍ_iは、受信信号サンプルに基づき、例えば、次の式 に従って修正される。 ｙ、ｍ_c ε ω_iの場合: ｍ_c（ｔ＋１）＝ｍ_c（ｔ）＋α_c（ｔ）（ｙ（ｔ）−ｍ_c（ｔ）） y ε ω_j、ｍ_c ε ω_j、ｉ＝ｊの場合： ｍ_c（ｔ＋1）＝ｍ_c（ｔ）−α_c（ｔ）（ｙ（ｔ）−ｍ_c（ｔ）） その他の場合： ｍ_i（ｔ＋１）＝ｍ_i（ｔ） 従って、上記式のグループの最も上の式は、信号サンプルが正しく分類された場 合を取り扱い、２番目の式は、信号サンプルが間違って分類されたときを取り扱 う。その他の修正式は前記の参照文献に示されている。個々の学習係数αは、例 えば、次のように決定できる。 但し、ｓ（ｔ）は、正しい分類の場合に１であり、間違った分類の場合に−１で ある。従って、信号ポイントシステムのポイントは、受信信号に基づいて適応さ れ、そして信号が歪みその歪が時間の関数として変化しても、決定を行う精度が 維持される。 ＬＶＱにより受け取られた信号は、学習周期を含み、これに従って、その隣を 調整することができる。 図１ａの二次元例では、各信号ポイントＡ₁・・・Ａ₄は、それ自身のクラスω_k を構成すると考えることができる。例えば、各クラスＡ₁・・・Ａ₄を表すのに ５つのコードベクトルを選択することができ、図２は、これらベクトルにより指 示されたポイントを示している。図３は、最も近いコードベクトルの計算を示し ている。受信信号はベクトル２０であり、コードベクトルとベクトル２０との間 の距離は、この方法によって計算される。受信ベクトル２０とコードベクトル２ １及び２２との間の距離ベクトル２３及び２４が、一例として、図３に示されて いる。それらのうちの最も短いものが選択され、それは図示の場合には２４であ る。このように、システムは、ベクトル２０がコードベクトル２２により表 されたクラスに属すると分類する。 自己編成マップに基づく方法においては、学習プロセス、即ちコードベクトル の修正は、受信信号が特定の学習周期を含まないＬＶＱとは異なるが、自己編成 マップは、コードベクトルを、受信信号に基づき、受信信号ポイントの数がより 大きい位置へと直接グループ分けする。従って、自動的に適応する。信号ポイン トは、ＬＶＱの場合のようにクラスに分割されない。コードベクトルｍ_cにより 指示されたポイントのトポロジー的な隣接部Ｎ_cは、所望の深さにおける周囲の 隣接点によって構成される。これで、受信コードベクトルの隣接部の位置の修正 を、例えば、次の式に基づいて実行することができる。 ｍ_i（ｔ＋１）＝ｍ_i（ｔ）＋α（ｙ（ｔ）−ｍ_i（ｔ））、ｉ＝Ｃ ｍ_i（ｔ＋１）＝ｍ_i（ｔ）＋β（ｙ（ｔ）−ｍ_i（ｔ））、ｉ∈Ｎ_c、 ｉ≠Ｃ ｍ_i（ｔ＋１）＝ｍ_i（ｔ）、ｉ∈Ｎ_c 他の修正式は、上記の参照文献に記載されている。 従って、適応信号ポイントシステムのポイントは、ＬＶＱ又はＳＯＭのいずれ かによりそれらの正しい位置へと修正することができる。又、両方の上記方法を 交互に使用することもできる。例えば、信号ポイントは、自己編成マップを使用 することによりそれらの正しい位置に累積することができ、その後、ＬＶＱに対 するクラスポイントがトレーニングベクトルによって決定される。その後、受信 器は、ＳＯＭを使用して、正しい位置に信号ポイントを保持することができる。 対応的に、クラスポイントに対し予めの推定が存在する場合には、ＬＶＱ方法を 最初に使用することができ、そして例えば、チャンネルを切り換える場合には、 データをＳＯＭ方法によって再び累積することができる。もし必要であれば、コ ードベクトルは、トレーニングセットによって分類される。 上記形式の信号ポイントシステムの欠点は、信号ポイントシステムのサイズが 非常に大きく、従って、最適な信号ポイントシステムのサーチが複雑になること である。しかしながら、サーチは、次のように、小さなサブセットのみに集中す ることができる。１）最初に、ベクトルＸの大きさの一部分において準最適決定 がなされる。この準最適決定は、例えば、フィルタバンク又は相関解除手段によ って実現できる。２）ベクトルＸに対する完全なサーチは、-L記ステップ１）に おいて大きさの一部分を固定するように実行される。マルチユーザ検出において は、強力な信号及びこれら信号に対応するベクトルＸの大きさを準最適に検出で きるのが好ましく、そしてユークリッド計測に基づく最適なサーチを最も弱いユ ーザのみについて実行することができる。 適応非直線的決定を実現する別のやり方を以下に説明する。上記に対する本質 的な相違は、ここでは検出が非直線的フィルタ作用に基づきそしてトレーニング は非直線的アルゴリズムによって平均平方エラーを最小にすることに基づくこと である。非直線的検出器のトレーニングは、ここでは、直線的適応前段により、 トレーニングが本質的にスピードアップされるように初期化できる。ＬＭＳ又は ＭＭＳＥ基準に基づき、適応直線的前段は、例えば、受信器のフィルタを推定す ることができ、ここから相関マトリクスを計算することができ、これは次いで非 直線的検出に用いられる。 本発明による受信方法を適用できる別の形式のニューラルネットワーク構造体 について以下に説明する。フィードフォワードニューラルネットワークは、非繰 り返しネットワークと称し、入力ベクトルＸ_inεＲ^dが、ある重み付け係数Ｗ_ij 及び考えられる非直線性δ_k1に基づいて、出力ベクトルＸ_outεＲ^qにマップされ るものである。パラメータｄ、１及びｑは、入力層、隠れた層及び出力層の次元 を定める。 ニューラルネットワークのセルは、次の式により出力値を計算することが既に 知られている。 但し、ｆは、次のようなある連続的に微分可能な非直線関数である。 ｆ（ｘ）＝ｔａｎｈ（ｘ）＝（ｅ^x−ｅ^-x）／（ｅ^x＋ｅ^-x） 又は ｆ（ｘ）＝１／（１＋ｅ^-x） 双曲線タンジェントｆ（ｘ）＝ｔａｎｈ（ｘ）は、特に適した非直線的エレメン トである。というのは、これは、信号の決定に基づく従来の検出器に近いからで ある。これは図５ａ及び図５ｂに示されており、図５ａは従来の信号決定を行う 上記関数ｙ＝ｓｇｎ（ｘ）を示し、そして図５ｂは関数ｙ＝ｔａｎｈ（ｘ）を示 している。 出力値の上記式は、次の式で書き表すことができる。 ｘ_i＝ｆ（Ｗ_k ^Tｘ）＋バイアス これは、Ｗ_k ^T＝Ｓ_Kである従来の整合フィルタ前段に対応する。上記式は、実数 入力信号に意図されたものであり、又、複素空間に適用することもできる。この 複素空間は、通常、入力接続の数が２倍になるように（各ユーザの実数部分と虚 数部分に対して個別の接続）遠隔通信用途に使用される。これに代わる別のやり 方は、複素ニューロン及びそれに対応する学習ルールを使用することであり、こ れらは、Proc．Int．Conf．Artificial Neural Networks、フィンランド、エス ポー、１９９１年６月の第１１７７−１１８０ページに掲載されたＮ．ベンベヌ ト、Ｍ．マーチェシ、Ｆ．ピアザ、Ａ．ウンシニの「通信アプリケーションにお ける実数及び複素値ニューラルネットワーク間の比較（A comparison between r eal and complexvalued neural networks in communication applications）」 と題する参照文献に説明されている。 多層ニューラルネットワークは、層ｉのニューロン出力を層ｉ＋１の入力へ接 続することにより組み立てられる。図６ａは１つのニューロンを示し、そして図 ６ｂは２層ネットワークを示す。 ２層ネットワークの場合には、入力ベクトルのマッピングが次の式に基づいて 行われる。 但し、Ｗ₁、Ｗ₂及びｆは、上記のように決定され、ｎｅｔ₁及びｏｕｔ₁は、 第１の層の計算をマップし、ｎｅｔ₂及びｙは、ｙがネットワークの出力値であ るときに第２の層の計算をマップする。入力値がマトリクス形態であるときには ネットワークは次の式に基づいて入力データをマップする。 但し、ｆは適当な非直線関数であり、Ｗ₁及びＷ₂は層の重み付けマトリクスであ る。 ニューラルネットワークのマッピングは、ｇ（）により次のようにマークされ る。 ｇ：ＲⁱｘＲ^p→Ｒ^o ｙ＝ｇ（ｘ，ｗ） 但し、ｉ、ｐ及びｏは、入力層、隠れた層及び出力層の次元を表し、そしてベク トルｗは、上記のマトリクスＷ₁及びＷ₂の成分より成る。ニューラルネットワー クのトレーニングは、ネットワークによって行われるマッピングが所望のマッピ ングにできるだけ正確に対応するようにベクトルｗ（又はマトリクス各々Ｗ₁及 びＷ₂）をセットすることを含む。従って、遠隔通信の用途においては、受信信 号をマッピングによりできるだけ欠陥がなく検出できるようにネットワークをト レーニングすることを目的とする。マッピングの正しさは、通常、平均平方エラ ーによって測定できる。 但し、（ｘ₁、ｔ_i）、ｉ＝１、・・・Ｎは、１組のトレーニング及びターゲット ベクトル対である。ターゲットベクトルは、既知の値であり、それによりネット ワークをトレーニングすることができる。次元が大きい場合には、上記式による 計算は、大きな容量を必要とする。 フィードフォワードネットワークトレーニングの場合は、例えば、エラー関数 を最小にするための勾配方法を用いた後方伝播トレーニングのような複数の方法 が開発されている。勾配方法においては、重み関数ｗに対するエラー関数の勾配 が計算され、この勾配に基づいて重み関数が更新される。 Ｗ_new＝Ｗ_old＋Γ▽Ｅ（ｗ） 但し、Γは修正ステップのサイズを決定する。 本発明については、初期値がセットされた後にどのトレーニング方法を使用す るかは重要でない。その他の考えられるトレーニング方法は、１９８９年のコン プレックス・システムズ３、第３３１−３４２ページに掲載されたＲ．バチッチ の「加速後方伝播学習：２つの最適化方法（Accelerated backpropagation lean ing：Two optimization methods）」；１９８９年のＭＩＴメモ第１１４０号に 掲載されたポギオ、ギロシの「近似及び学習のためのネットワークの理論（A th eory of networks for approximation and learning）」；及び１９８８年のＩ ＣＮＮに掲載されたＪ．Ｆ．シェパッスキーの「人為的ニューラルシステムにお ける高速学習:最適な推定を用いた多層知覚トレーニング（Fast learning in Ar tificial Newral Systems：Multilayer perception training using optimal estimation）」と題する参照文献に説明されている。 ニューラルネットワークトレーニングは、通常、重み係数としてランダムな値 をセットすることにより開始され、これらの値は正しい値に向かってトレーニン グされる。本発明の方法は、例えば、チャンネルパラメータのような情報を与え る適応前段を使用し、この情報により、実際の状態に良好に対応する初期値を重 み係数としてセットすることができ、このように、実際のトレーニングを相当に スピードアップすることができる。これは、コードベクトルとして初期値がセッ トされたときにＶＱＮＮネットワークについて先に述べた状態に対応する。 前記した２層ネットワークを一例として用いることにより、重み係数マトリク スｗ₁の値をランダムに与えそして例えば上記シェバンスキーの参照文献に述べ たようにマトリクスｗ₁を計算することもできる。出力値Ｙに対応する既知の入 力値Ｘと、既知のターゲット値Ｔとが使用されるときには、次のような最小化が 必要となる。 ‖Ｔ−Ｙ‖_F ²＝‖Ｔ−ｆ（Ｗ₂Ｏ₁）‖_F ² 又は ‖Ｗ₂Ｏ₁−ｆ^-1（Ｔ）‖_F ² 上記式は、必ずしも同じ最終結果を生じない。後者の式の解は、次の式で表され る。 Ｗ₂＝ｆ^-1（Ｔ）Ｏ₁ ⁺ 但し、Ｏ₁ ⁺は、Ｏ₁の擬似逆マトリクスである。この解決策は、最適な重みマト リクスを与えるものでないが、一般に最も速い学習を生じる。又、マトリクスｗ₁ の値が更新されるときには各勾配の繰り返しに直線的な回帰技術を適用し、こ の直線的な回帰によりｗ₁を更新することができる。 ネットワークを初期化する１つの方法は、従来の相関解除（decorrelating） 検出器を使用して、第１ネットワーク層の重み付け係数を計算することである。 第２の層の重み付け係数は、後方伝播方法又はシェパンスキーの方法によって計 算することができる。更に、第１層の相関解除検出器により得た重み付け係数を 、後方伝播方法により更新することができる。ネットワークの既知のトレーニン グ方法は、既に説明されている。 本発明による受信方法においては、既知の学習方法を、遠隔通信分野に特に適 した新規なやり方で使用することにより、学習を相当にスピードアップすること ができる。ネットワークのトレーニングは、ネットワークがその隠れた層に非直 線性を含んでいないと最初に仮定して行われる。充分に良好な初期値が得られる と、その隠れた層の非直線的なエレメントが考慮に入れられ、それに続くネット ワーク層が例えば繰り返しトレーニングされる。本発明の方法では、長いトレー ニング周期中に得られる本発明の特定の効果が必要でなくても、各段階ごとにト レーニング周期を使用できる。 １組の整合フィルタが検出器前段として使用される場合には、初期の重み付け 係数の推定値を、式Ｗ₁＝Ｗ₀−Ｉにより、ＣＤＭＡ用途の次の層に直接マップす ることができ、ここで、ＩはＷと同じ次元を有する識別マトリクスを指す。初期 化の後に、判断フィードバックトレーニングへ進む。 図４は、本発明によるＣＤＭＡ受信器の構造を示し、この受信器はこの例では ベースステーション受信器である。しかしながら、本発明は、移動ステーション に使用するのにも適している。受信器はアンテナ４０を備え、これにより、受信 信号は無線周波数部分４１を経てＡ／Ｄコンバータ４２へ送られる。変換された 信号は、受信信号を予め処理する手段４３ａないし４３ｄへ送られる。本発明の 好ましい実施例では、この手段は、チャンネルパラメータの推定を実行する。こ の手段は、例えば、ＲＡＫＥ受信器によって実現することができ、その各々は、 １つのユーザにより送信された信号を受信する。受信器は、更に、装置の動作を 制御する制御ユニット４５を備えている。各ＲＡＫＥ受信器は、多数の個別の相 関手段を備えており、その各々は１つの多経路伝播信号成分を受け取ることがで きる。これらの受信信号成分は、ＲＡＫＥ受信器において結合されるのが好まし い。ＲＡＫＥ受信器の構造は、Ｇ．クーパー、Ｃ．マクジランの「近代通信及び 分散スペクトル（Modern Communications And Spread Spectrum）」、マグロー ヒル、ニューヨーク、１９８６年、セクション１２に詳細に説明されている。 従って、各ＲＡＫＥ受信器４３ａ−４３ｄは、１つのユーザの信号（及びその 多経路伝播成分）を受け取る。各ＲＡＫＥ受信器から、信号は適応検出器４４へ 送られ、この検出器は、適応非直線的決定ルール及び本発明による上記の初期化 及びトレーニング方法を用いることにより、受信したマルチユーザ信号を同時に 検出する。 従って、本発明の受信器は、ＲＡＫＥ受信器なしに実現できる。ＬＶＱ及びＳ ＯＭ方法の効率は、インパルス応答によって生じる広がりに対応するようにコー ドベクトルの次元が増加される場合には、このような多経路のケースに充分であ る。これは、フィードフォワードニューラルネットワークにも係ることである。 又、受信信号の他の直線的又は非直線的変換は、相関解除マトリクスにより乗 算のような前処理手段において行うこともでき、これは、相関解除検出器の判断 統計情報をもたらす。 以上、添付図面の例を参照して本発明を説明したが、本発明はそれに限定され るものではなく、請求の範囲内で多数の仕方で変更できることが明らかである。 例えば、異なる形式のニューラルネットワークを所望の仕方でカスケード状に接 続して、できるだけ効率的なトレーニング及びできるだけ簡単且つ良好な判断を 行うことができる。

Claims (1)

1. 【特許請求の範囲】 １．ＣＤＭＡシステムに使用される受信方法であって、多数のユーザの信号が 受信信号から同時に検出され、この検出には適応非直線決定ルールが使用され、 そして検出器のパラメータが、受信信号の信号状態に良好に対応するように受信 信号に基づいて監視される方法において、受信信号を検出前に適応直線的前段に おいて処理し、これが、適応非直線的検出器のパラメータの設定を監視すること を特徴とする方法。 ２．上記適応直線的前段は、チャンネルパラメータの推定を実行する請求項１ に記載の方法。 ３．チャンネルパラメータに基づいて非直線的検出器に対し予めの判断が計算 される請求項２に記載の方法。 ４．適応非直線的検出器に使用されるべき決定ルール及びそれに適したトレー ニングアルゴリズムは、受信信号及び受信器の状態に基づいて変更される請求項 １に記載の方法。 ５．適応非直線的検出器に使用されるべき決定ルール及びそれに適したトレー ニングアルゴリズムは、チャンネルパラメータに基づいて初期化される請求項１ に記載の方法。 ６．適応非直線的検出器のパラメータは、学習ベクトル量子化の原理に基づい て監視される請求項１に記載の方法。 ７．適応非直線的検出器のパラメータは、自己編成マップによって監視される 請求項１に記載の方法。 ８．適応非直線的検出器のパラメータは、決定フィードバックにより監視され る請求項１に記載の方法。 ９．適応非直線的検出器は、ニューラルネットワークによって実現される請求 項１に記載の方法。 １０．非直線的ニューロンの出力は、ニューロンをモデリングする信号ポイン トと、ニューロンの入力に到着する信号との間の距離に基づく請求項９に記載の 方法。 １１．適応非直線的検出器は、適応多次元信号ポイントシステムによって実現 される請求項１に記載の方法。 １２．適応信号ポイントシステムの各ポイントは、多数のユーザによって送信 された信号の１つの考えられる組合せを表す請求項１１に記載の方法。 １３．受信した記号は、その受信した記号に最も近い信号ポイントに対して分 類される請求項１２に記載の方法。 １４．最も近い信号ポイントは、少なくとも２つのステップにおいてサーチさ れ、第１のステップにおいては準最適な直線的決定ルールが使用され、これによ り、考えられる信号ポイントが減少され、そして受信した記号に最良に対応する 信号ポイントが、その減少された信号ポイントシステムにおいて、最適な距離測 定によってサーチされる請求項１３に記載の方法。 １５．アンテナ（40）と、無線周波数部分（41）と、Ａ／Ｄコンバータ（42） と、適応直線的前段（43a-43d）と、適応非直線的検出手段（44）とを備えたＣ ＤＭＡ受信器であって、検出手段（44）は多数のユーザの信号を同時に検出し、 そして受信信号に応答して、検出に使用すべきパラメータを、受信信号の信号状 態に対応するように修正するようなＣＤＭＡ受信器において、上記直線的前段（ 43a-43d）の出力信号が適応非直線的検出手段（44）のパラメータの設定を監視 することを特徴とする受信器。 １６．上記適応直線的前段（43a-43d）は、チャンネルパラメータの推定を実 行する請求項１５に記載の受信器。 １７．上記受信器は、検出に使用されるべき決定ルールのパラメータを自己編 成マップによって監視する手段（44）を備えた請求項１５に記載の受信器。 １８．上記受信器は、検出に使用されるべき決定ルールのパラメータを学習ベ クトル量子化に基づいて監視する手段（44）を備えた請求項１５に記載の受信器 。 １９．上記受信器は、検出に使用されるべき決定ルールのパラメータを決定フ ィードバックによって監視する手段（44）を備えた請求項１５に記載の受信器。