LEAP神经网络在DS-CDMA伪码序列盲估计中的应用

"这篇论文探讨了基于LEAP(Linearly Emerging Attractor Projection)神经网络的DS-CDMA(Direct Sequence Code Division Multiple Access)伪码序列盲估计方法，旨在解决传统特征分解方法在处理非等功率DS-CDMA信号时的限制。论文中提到，特征分解方法在处理数据向量较长或在非平稳环境下的表现不佳，因此引入LEAP神经网络进行自适应特征提取和在线无监督学习。 LEAP神经网络是一种通过主分量分析PCA(Principal Component Analysis)实现自适应特征提取的算法。在DS-CDMA系统中，每个用户的数据被伪码序列调制，这些序列需要被准确估计以实现系统的同步。论文中，DS-CDMA信号的一周期被分段后作为LEAP神经网络的输入。网络的权重向量的符号函数用于表示各个用户的伪码序列。通过不断输入信号并更新权重向量，网络会逐渐收敛，从而能够重建出DS-CDMA信号用户的伪码序列。为了加速收敛过程，采用了变步长策略。 实验结果表明，LEAP神经网络能够在信噪比低至-20dB的情况下，对10个用户的非等功率DS-CDMA信号进行伪码序列的盲估计，并且相比传统的Sanger神经网络，LEAP神经网络具有更快的收敛速度。这项研究对于改善DS-CDMA系统的性能，特别是在复杂和变化的通信环境中，具有重要的理论和实际意义。 该论文的作者来自重庆邮电大学的信号与信息处理重庆市重点实验室，他们关注的领域包括神经网络在直扩信号盲处理、语音信号处理、通信信号调制解调以及FPGA和VLSI实现等方面的应用。此研究得到了国家自然科学基金等多个项目的资助，进一步证明了其研究价值和学术影响力。"