神经网络抑制无线通信干扰研究

导语：神经网络抑制无线通信干扰研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：随着社会的不断发展和进步，无线通信技术得到了飞速的发展和进步，因此人们对无线通信的探究更重视，在抑制无线干扰方面的技术也在不断推陈出新。由于神经网络具备较强的储存传输和记忆功能，利用联想能力进行滤波和信息处理，能够减小传输过程中的误差，并且使误差越来越小，使它在抑制无线通信干扰方面有得天独厚的优势，本文主要对神经网络抑制无线通信干扰进行探究，并进行了详细的分析和论证，希望对促进我国无线通信网络的发展做出积极贡献。

关键词：神经网络；无线通信；抑制干扰；小波网络

神经网络抑制对无线通信的干扰影响是巨大的，能够给人们的生活和社会良好的秩序带来安全隐患，不利于社会的长治久安，由无线传输引起的这些干扰，该研究表明使用神经网络来抑制干扰，并且已经使用通信模拟技术进行了演示。能够掌握神经网络抑制的作用机理，以及如何做出应对，以保障我国无线通信网络的发展。因此我们要积极研究神经网络抑制无线通信的干扰合理利用神经网络系统，促进我国无线通信技术的发展。

1神经网络用于无线通信领域的优势

无线通信无需布线、安装周期短、网络结构易变迁和移动，有较强的实用性，但复杂的同频通信环境和无线电波的独有特征，使其在一定程度上对通信形成干扰。神经网络主要是由神经元构成的规模宏大的分布式处理器，以其储存的经验知识和可使用性等特有特征，在信息处理方面运用愈加广泛。神经元的连接强度即突触权值用来储存获取的信息，神经元作为网络基本信息处理单元，虽然每个单元功能简单，但大量简单处理的并行结构，让他们能处理信息量非常巨大。其强大的自学能力、记忆储存能力和联想容错性，经过一定的训练可以获取网络的权值结构，具有良好的环境适应性，能够很好的应用到实际生活中，促进我国无线通信网络的建设和发展，满足人们基本的通话需求，也为社会的持续发展做出积极贡献。并有效促进神经网络抑制通信干扰，发展我国的通信事业迈向新的台阶。将神经网络用于无线通信干扰的抑制，能够有效保障无线通信信号的畅通，保持良好的运行，实现我国通信网络工程的持续稳定发展，给我们的生活品质带来质的提高，建设我们的美好的家园。

2常用的神经网络模型

2.1Bp神经网络。Bp神经网络是个高度非静态的系统，采用bp算法的多层次模型，在正向扩展的情况下，输入信息从单元层处理并传输到输出层。如果输出层不能接收到所需的输出，则输出层上沿神经元原始路径的错误将传播回输出层。在反馈过程中，层间连接的重量逐渐减小，使现有误差不断减小，最终减小信号误差，并使其在允许的范围内，进行Bp网络顺利的运行，以保证通信网络的有效提升，促进通信工程的可持续发展。2.2Hopfield神经网络。Hopfield神经网络可分为离散系统和连续系统。它是一个非线性动力系统。在引入能量函数后，从系统能量的角度出发，在一定的条件下，它向系统能量的降低方向发展。一旦达到最小能量函数值，它就不会改变。与最小值对应的模式被视为内存模式。为了激励该网络系统，可以考虑具有联想记忆功能的记忆方式t的联想存储装置。它的网络理论可以从高能态转移到最小能态，实现收敛，得到有效的稳定，以建立完整的网络函数，并可用于从假定函数的一点计算问题，找到最小值对应于原始的动态系统的ATE。将全局优化中的模拟退火算法运用于该系统，计算能在系统的流动中自动完成。

3神经网络抑制无线通信干扰的探究

3.1载波频偏移和相位噪声引起子载波干扰的原理。在无线通信中，当接收机和发射机相对运动时，存在多普勒频移。接收机和发射机中振荡器产生的频率不稳定，导致频率误差，载波间干扰，降低系统性能。载波自关机方法抑制非相邻子载波干扰能力弱，导频计算方法复杂。或降低系统对频率方程灵敏度的处理。通过学习，可变分配信道的特性可以选择性地消除载波间的干扰，从而降低系统的误码率。同时，利用OFDM接收机通过FFT对神经网络进行相位噪声抑制，从工作到解调神经网络处理调制后的数字信号，每个信号在星座上都有固定的相位。这些相位被用作神经网络的输入和输出信息。4G无线模型是非线性模型。神经网络的主要特点是自适应。利用非固定非线性网络模型可以很好地解决OFDM系统的背景噪声和ICI问题。神经网络用于抑制变形后对发动机的扰动，以提高无线通信工程的质量和效率，使其满足社会发展的需要和人们的多样化的物质生活需要。3.2运用小波神经网络抑制背景噪音。小波神经网络的特征集合了人工神经网络和小波网络的优点，使网络的收敛速度加快，在紧支集中任意逼近非线性连续性函数的特点，在数值分析和信号处理领域，具有很强的实用价值。小波网络的结构和基本元素是依据小波分析原理确定的，使它的学习能力和精度更高，将小波运用到信号表述方面。用途不同的小波神经网络采用不同的结构，在小波神经网络前可加入预处理，运用非线性小波基取代非线性的sigmoid函数，用递归划分的办法将特征空间分为对应网络神经元的感知子区域，充分对它进行分辨分析，需将尺度函数和小波函数视为网络中的滤波函数，进行粗略的划分，在进行递归分割，计算了各函数的优点，选择最差的分段来生成树庄波组。当网络容量较大时，采用波函数和尺度函数作为滤波器，以节点作为网络的神经元结构。网络训练的结果影响波节点的性能，波形的生长和切割影响网络节点的删除和分裂，形成一个接近非线性函数的波形神经网络。在传统的CDMA接收机中，利用神经网络实现多用户检测，每个用户的接收都是相互独立的。在一个可重用的界面环境中，用户往往很难扩展正交性，解决这一问题的有效途径是采用多用户检测技术来增加非正交系统之间的干扰，以及采用多用户检测技术来提高非正交系统之间的干扰。同时删除每个用户发现的扩展代码之间的逆矩阵方法或迭代方法。多用户识别根据不同的标准使用不同的分类方法。根据特征分为多用户检测和次优多用户检测。该结构可以分为线性和非线性多用户检测。由于线性多用户检测提供者的复杂性，从研究的角度来看可以实现缓慢收敛。基于非线性测试的多用户检测方法，采用非线性多用户检测和干扰消除技术对神经网络检测器进行操作。我们知道，多用户检测技术实际上是一个组合S优化问题，因此原则上所有的组合优化算法都可以应用于多用户检测。在多用户可再生能源网络中，也采用了基于神经网络的求解方法。3.3利用神经网络构造多用户检测器的两种方法。（1）基于神经BP网络的多用户检测器，非线性函数或神经网络变换在每个期望项目中都有三个层次的前馈Perzeptron（BP算法）。只要隐藏层单元数目足够，训练误差就可以通过通过方法学习算法。这种由BP算法训练或学习的神经多层Perzeptron网络，通常称为BP神经网络。NF（Y）可以通过BPNN网络实现，以实现CDMA系统的最佳多用户识别。BPNN网络的最佳多用户检测方法如下：首先，每个用户系统发送训练模式代码，然后BPNN神经网络ETZWERK检测器计算内存输出，以充分统计调整未来滤波器。同时获得网络输出x，X并形成误差信号e。训练数据向量d之间的差异，然后基于BP算法使用每个网络的这个误差信号进行修改，BPNN更新神经元权重和阈值以尽可能地减少误差。直到重复误差信号lelk8的训练过程，在这种情况下，BPNN网络的非线性函数（表示一个较小的正数）非常接近于多用户识别的最优分类决策。当相位系统处于正常模式时，每个用户以相应的信息位发送E，THE网络的THEBPNN训练阶段D是相似的，除了THE错误信号是THE实际输出x和THE决策输出sgn（x）之间的THE差，即E=sgp（x）-x。当当用户移动时，系统改变幅度矩阵变化的误差E，从而通过更新bpnn-bp算法的权值和测量值的误差值来减少自适应网络。该检测器具有很强的自适应跟踪能力，始终保持最佳的检测性能。（2）基于Hopfield神经网络的多用户检测器。调谐滤波器的输出作为神经网络的外部激励被转换为力。网络初始化为零，输出反馈为零，放大器输出为x（x），与传统检测器的估计一致，网络开发后收敛到一个稳定的平衡点，即多用户检测器的符号输出。离散Hopfield神经网络相当于具有相同抗干扰性能的多级检测器和多级检测器。基于Hopfield神经网络的多用户检测具有更强的灵活性和更好的检测性能。然而，Hopfield神经网络的主要问题是多用户Hopfield神经网络常常陷入能量函数的局部最小值，不能转换为全局最小值。该问题可以通过仿真、中场算法或混沌算法来解决。神经网络由于其非线性，在无线通信中有着广泛的应用。通过以上详细介绍了如何利用神经网络抑制1000载波干扰。首先，确定了信道模型。在对载波分析的基础上，提出了如何建立载波偏移干扰符号、神经网络模型以及如何形成相位交换IC。目前有载波相位输入和输出，如神经网络模型，其次如何使用波网络抑制背景噪声和多用户检测器在网络中。我们可以看到，神经网络在抑制无线电干扰方面具有巨大的潜力，它提供了一种新的思维方式。ch新的结构和算法，以及神经网络的不足（如学习能力、收敛速度慢）不断被克服。因此，神经网络在通信领域的应用将进一步深化和扩展。

4结论

综上所述，网络干扰是抑制无线通信技术发展、影响通讯质量的重要因素。人工神经网络具有学习记忆仿生等特点，可以通过对已知问题及结论进行不断学习，在无线通信中可以不断的校正误差，使输出的误差不断减小，以其非线性特征在无线通信网络中广泛运用。当神经网络遇到问题时可以直接运用学到的知识进行处理，得出结论，所以神经网络在抑制无线通信干扰方面有巨大的潜力。因此我们要加强对于神经网络在无线通讯领域的研究，促进无线通信网络抗干扰性的提高，实现无线通信网络的可持续发展。

作者:陈海强 张存根 单位:东部战区海军训练基地