CDMA系统的自适应学习方法.pptVIP

xjtu_com3c lab xjtu_com3c lab CDMA系统的自适应学习方法 主要内容 1. CDMA系统模型与自适应接收机 多用户检测器 CDMA自适应接收机 自适应检测器 训练序列 线性MMSE: LMS, RLS 算法 盲算法 MOE 降维逼近: PCA, 多级Wiener Filter 盲源分离方法: 高阶统计量 非线性MMSE 判决反馈均衡器 CDMA自适应接收机 结构风险最小化理论支撑：min(经验风险+置信度) SVM准则接近MUD中的多用户渐进有效性 通过核函数将样本空间线性不可分问题转化为特征空间的线性可分问题，而不必知道变换的函数形式 QP问题的快速算法： chunking算法： 1979 ,Vapnik 数值解 Ossuka算法： 1997, 数值解 SMO算法： 1998 ，Platt, 分析解. Sequential Minimization Optimization 3. 核方法的推广和多用户检测 核Fisher判别检测器 KFD MUD 4.仿真结果 支持向量的数目 5.结论和存在的问题 参考文献 * * 李文元 2002.11.22 1. CDMA系统模型与自适应接收机 2. SVM多用户检测器 3. 核方法的推广和多用户检测 4. 仿真结果 5. 待解决的问题 1.1 CDMA系统模型 K: 用户数 M：数据帧长度 : 第 个 用户 的第 个信息比特 : 第 个 用户的归一化扩频序列 ： 第 个用户接收信号的幅度。 Σ n(t) CDMA系统模型 (1) （2） 接收信号 矩阵形式 匹配滤波器输出的离散值(第k个用户) 多用户检测器 线性检测器与线性变换 线性检测器的输出 z=Ty 其中T表示线性变换矩阵，y是匹配滤波器的输出。判决统计量 b=sgn(z)=sgn(Ty) T=I, 匹配滤波器 T=R–1 解相关检测器 T=（R+?2A2）―1 MMSE检测器 特点 对匹配滤波器输出值线性变换后，判决估计 解相关需要知道各用户扩频码之间的相关值，MMSE 还要知道信号幅度 线性变换是在某种优化准则下得到的，相当于在某个 方向上的投影 基于训练序列的检测器 移动信道模型难以准确获得，信号参数的估计困难。能避开信道模型的方法是我们希望的，如自适应方法。 最优检测器本质上是非线性检测器，线性检测器在实际系统中难以得到满意的结果 近几年来小样本机器学习理论已经取得重大进展，为非线性数据处理和模式识别找到了好的途径 基于训练序列（而不需要其它信息）的CDMA接收机有着独特的优势，如自适应实现、非线性检测、适于各种噪声和干扰环境 Σ n(t) 自适应 学 习 机 器 SVM KFD KICA KMSE … 算法 CDMA自适应接收机 非线性变换： 核方法：样本空间?特征空间 自适应实现 参数的自适应调整 训练效果 没有局部极小点，只需要少量样本(如支持向量)，不是传统的无穷逼近方法 2. SVM多用户检测器 SVM分类问题可以转化为下面的二次规划问题 s.t SVM检测器的判决规则 SVM检测器 SVM多用户检测器的实现 Σ n(t) SVM 检测器 以rc(k)为输入样本 SMO快速算法 采用不同核函数 C取值可变 核FISHER判别（KFD） 核独立成分分析（KICA） 核主成分分析KPCA Fisher线性判别是一种通过降维寻找最优线性判别函数将两类样本分类的方法。先将d维空间的样本投影到一条直线上，使得到的一维标量样本容易分开。问题的核心是找出满足要求的最好的直线(投影线)。 KFD：非线性函数矢量?(?)将样本映射到高维的特征空间，然后在特征空间进行线性判别分析。得到的判别函数在特征空间F中是线性的，但在输入样本空间是非线性的。 非线性判别函数w?F 可以通过下式最大化获得 由于非线性判别函数w?F，按照再生核空间理论，它必须位于F中所有训练样本张成的空间。因此w可以表示成 经过某些运算后，(5)式变为使 最大。并通过下式将新样本?(x)投影到w 仿真条件1 高斯信道 同步DS-CDMA系统 GOLD 序列扩频，扩频因子31， SVM 多用户检测器的性能 用户数10 理想功控 样本数2000，训练序列300 不同核函数时SVM MUD 性能比较 K(x,xi)=exp{-|x-xi|2/?2}