基于多主分量神经网络的同步DS-CDMA伪码盲估计

针对批处理方法在实现非等功率同步直接序列码分多址(direct sequence code division multiple access, DS-CDMA)信号伪码序列盲估计时存在的复杂度高、收敛速度慢的问题,引入了3种多主分量神经网络(Sanger NN、LEAP NN和APEX NN)。首先将已分段的一周期DS-CDMA信号作为神经网络的输入信号,用神经网络各权值向量的符号函数代表DS-CDMA信号各用户的伪码序列,然后通过不断输入信号来反复训练权值向量直至收敛,最终DS-CDMA信号各用户的伪码序列就可以通过各权值向量的符号函数重建出来。此外,本文提出了一种在递归最小二乘(recursive least square, RLS)意义下的最优变步长收敛模型,极大地提高了网络的收敛速度。理论分析与仿真实验表明:将3种神经网络用于同步非等功率DS CDMA信号伪码盲估计时的复杂度均明〖JP2〗显降低,且LEAP NN与Sanger NN均可有效地实现-20 dB信噪比、10个用户下的同步非等功率DS-CDMA〖JP〗伪码盲估计,APEX NN则相对较差,此外,LEAP NN消耗内存较大、收敛速度快,APEX NN相反,Sanger NN则介于两者之间。     

非合作直扩信号伪码及信息序列联合盲估计

研究了短码直接序列扩频信号扩频序列及信息序列联合盲估计问题。在已知码片速率和扩频码周期的前提下,对接收信号以2倍伪码周期进行分段构造信号矩阵,然后对其进行奇异值分解,对最大和次大左奇异向量进行线性变换,得到信息序列;利用自相关函数从最大和次大右奇异向量中得到扩频码序列。该算法在失步时间未知的情况下能够同时估计出伪码序列及信息码序列,避免了传统特征值分解盲估计算法利用2个矢量空间组合扩频序列时存在的相位模糊问题。同时,在引入了矩阵的线性变换后,避免了不同时延估计结果存在模糊的问题,提高了盲估计性能。通过理论分析和计算机仿真结果表明：该算法能够有效估计扩频序列,并且具有精确度高、性能不受时延大小影响等优点。