本书是现代通信信号处理丛书之一，着重介绍智能信号处理技术在多用户检测、智能天线、高性能的接收机等移动通信关键技术中的应用。内容丰富，方法新颖，理论联系实际，反映了智能通信信号处理的新理论、新技术、新方法和新应用，可以指导读者尽快地学习和跟踪智能通信信号处理的最新进展。

本书着重介绍智能信号处理技术在移动通信关键技术(如多用户检测、智能天线、高性能的接收机等技术)中的应用。全书共分16章，第1章为绪论；第2到第15章分别介绍自适应子波神经网络、支撑矢量机、递归神经网络、独立分量分析算法、最大特征向量学习机、Volterra级数、多子波神经网络、基于正交码的多子波、多子波CDMA、基于子波包变换的CDMA和子波包优化、免疫算法、免疫策略RBF网络、免疫克隆算法、量子进化算法等智能方法在DS.CDMA移动通信系统中的应用；第16章简单介绍了智能技术在MIMO通信系统中的应用现状和前景。

本书内容丰富，方法新颖，反映了智能通信信号处理的新理论、新技术、新方法和新应用。本书也是作者在智能信号处理和通信信号处理领域多年教学与科研工作的积累和总结。

本书条理清晰，论证缜密，理论联系实际，可以指导读者尽快地学习和跟踪智能通信信号处理的最新进展。本书适用于智能信息处理、信号与信息处理、通信与信息系统及相关专业的研究生、工程师和科研人员阅读和参考。

第1章绪论

1.1 CDMA移动通信系统研究背景及意义

1.2 第三代移动通信系统及其关键技术

1.2.1 3G系统及其展望

1.2.2 3G系统中的关键技术

1.3 第四代移动通信系统的研究目标与现状

1.3.1 4G系统研究目标

1.3.2 4G系统的研究现状及其关键技术

1.4 3G与4G系统中的DS—CDMA

1.5 空时信号处理与多用户检测

1.5.1 使用阵列天线的必要性

1.5.2 空时信号处理

1.5.3 多用户检测

1.6 通信中的智能信号处理

1.7 本书的主要内容

 参考文献

第2章 自适应子波网络多用户检测

2.1 引言

2.2 自适应子波神经网络

2.2.1 子波变换、逼近以及分类

2.2.2 自适应子波神经网络

2.3 自适应子波神经网络检测

2.3.1 自适应子波神经网络单用户检测

2.3.2 自适应子波神经网络多用户检测

2.3.3 自适应子波神经网络学习算法和实现考虑

2.3.4 仿真实验与性能分析

2.3.5 评述

2.4 自适应子波神经网络空时多用户检测

2.4.1 多天线接收时的空时信号模型

2.4.2 空时匹配滤波与最大比多径合并

2.4.3 空时最佳多用户检测与自适应子波神经网络实现

2.4.4 仿真实验与性能分析

2.4.5 评述

2.5 基于自适应子波网络的MMSE检测器

2.5.1 MMSE线性多用户检测

2.5.2 基于自适应子波网络的MMSE检测器

2.5.3 算法分析

2.5.4 性能分析与仿真结果

2.6 本章小结

 参考文献

第3章 支持矢量机多用户检测

 3.1 支撑矢量机算法

3.1.1 模式识别支撑矢量机

3.1.2 回归支撑矢量机

3.2 支撑矢量机多用户检测

3.2.1 支持矢量机多用户检测结构

3.2.2 空时联合多用户检测

3.2.3 仿真实例

3.3 自适应支撑矢量机多用户检测

3.3.1 白适应支撑矢量机

3.3.2 试验仿真

3.4 小结与讨论

 参考文献

第4章 递归网络盲自适应多用户检测

4.1 引言

4.2 以码片速率采样的异步传输信号模型

4.3 递归神经网络盲自适应多用户检测

4.3.1 递归神经网络盲自适应多用户检测

4.3.2 盲最小均方误差多用户检测

4.3.3 递归神经网络盲自适应多用户检测

4.4 性能分析

4.4.1 输出信干噪比

4.4.2 渐进多用户有效性与抗“远近”效应能力

4.4.3 计算复杂度比较

4.4.4 计算时间比较

4.4.5 失配对性能的影响

4.5 仿真实验

4.6 基于GRNN的自适应MMSE多用户检测器

4.6.1 MMSE多用户检测器

4.6.2 自适应MMSE多用户检测器

4.6.3 基于GRNN的自适应MMSE多用户检测器

4.6.4 性能分析与仿真结果

4.7 本章小结

 参考文献

第5章 独立分量分析算法在CDMA中的应用

5.1 引言

5.2 盲信号分离

5.2.1 盲信号分离的数学模型

5.2.2 求解原理

5.2.3 盲信号分离的神经网络结构

5.3 独立分量分析的基本算法

5.3.1 去相关算法

5.3.2 自然梯度算法

5.3.3 迭代求逆算法

5.3.4 EASI算法

5.3.5 ICA算法的收敛性

5.4 基于ICA算法的多用户检测

5.4.1 匹配滤波器级联神经网络的多用户检测

5.4.2 按码片速率采样的ICA多用户检测

5.4.3 仿真结果

5.5 基于独立分量分析的CDMA系统信道估计方法

5.5.1 系统模型

5.5.2 仿真试验

 参考文献

第6章 基于最大特征向量学习机的盲波束形成

6.1 引言

6.2 极大特征向量算法

6.2.1 0ia算法

6.2.2 一类求解最大特征值问题的神经网络模型

6.2.3 求解复矩阵特征值问题的神经网络方法

6.3 求解广义特征值问题的神经网络

6.3.1 网络模型

6.3.2 网络性态分析

6.4 CDMA的阵列信号模型

6.4.1 基本假设

6.4.2 阵列信号模型分析

6.5 基于最大特征矢量学习机的盲波束形成

6.5.1 求解最大特征向量的复数神经网络(CNN)模型

6.5.2 求解最大特征向量的MEVA迭代算法

6.6 多径衰落情况下的盲波束形成

6.7 仿真实验

6.8 小结

 参考文献

第7章 非线性信道的Volterra级数模型及其辨识算法

7.1 MIMO非线性系统的volterra级数模型

7.2 MIMO非线性系统辨识

7.2.1 随机响应法

7.2.2 脉冲响应法

7.3 仿真研究

7.4 结论

 参考文献

第8章 非线性系统的均衡器设计

8.1 引言

8.2 SISO非线性系统的均衡器设计

8.2.1 Volterra滤波均衡器

8.2.2 Volterra滤波器的局部f2稳定性

8.2.3 存在性及误差分析

8.2.4 Volterra预滤波及后滤波均衡器的存在性

8.2.5 有限阶Volterra.预滤波及后滤波均衡器误差

8.3  MIM0非线性系统的均衡器设计

8.3.1 Volterra滤波器的局部f。稳定性

8.3.2 Volterra滤波均衡器的存在性及误差分析

8.3.3 Volterra滤波均衡器的存在性

8.3.4 有限阶Volterra滤波均衡器误差分析

8.4 仿真研究

8.4.1 SISO非线性Volterra滤波均衡器仿真

8.4.2 MIMO非线性Volterra滤波均衡器仿真

8.5 结论

 参考文献

第9章 基于多子波神经网络的多用户检测器与基于正交码的多子波CDMA

9.1 基于多子波神经网络模型的多用户检测

9.1.1 多子波网络模型

9.1.2 应用理论

9.1.3 学习算法

9.1.4 降维预处理

9.1.5 多子波神经网络多用户检测器

9.2 基于正交码的多子波CDMA

9.2.1 引言

9.2.2 多子波

9.2.3 多子波CDMA

9.2.4 理想信道情况下的仿真

9.2.5 抗白噪声干扰的分析与仿真

 参考文献

第10章 多子波CDMA理论和多子波CDMA

10.1 多子波CDMA理论与框架

10.1.1 引言

10.1.2 多子波分析滤波器

10.1.3 多子波CDMA框架

10.1.4 仿真

10.1.5 结论

10.2 基于Haar子波低通滤波器的多子波CDMA

10.2.1 引言

10.2.2 多子波分析滤波器

10.2.3 基于Haar子波低通滤波器的多子波CDMA

10.2.4 仿真

10.2.5 结论

 参考文献

第11章 基于子波包变换的CDMA和子波包优化

11.1 引言

11.2 单子波包的基本概念

11.3 多子波包的基本概念及其性质

11.4 最优基的选择

11.5 双正交多子波

11.6 双正交多子波包的基本概念及其性质

11.7 WPT—CDMA系统模型

11.7.1 系统的频谱特性分析

11.7.2 仿真实验

11.8 基于多子波包变换的CDMA

11.8.1 MWPT—CDMA系统模型

11.8.2 MWPT-CDMA系统性能分析

11.8.3 MWPT-CDMA性能仿真

 参考文献

第12章 基于免疫算法的多用户检测

12.1 基于遗传算法的多用户检测

12.1.1 标准遗传算法

12.1.2 基于遗传算法的多用户检测

12.2 免疫算法

12.2.1 免疫概念

12.2.2 免疫算法

12.2.3 免疫算法的收敛性

12.2.4 免疫疫苗

12.2.5 免疫算子

12.2.6 仿真实验

12.2.7 结论与讨论

12.3 基于免疫算法的多用户检测

12.3.1 实现结构

12.3.2 计算复杂度分析

12.3.3 仿真结果

 参考文献

第13章 免疫策略RBF网络多用户检测

13.1 引言

13.2 空时二维CDMA系统

13.2.1 空时信号模型

13.2.2 空时二维接收机

13.3 基于免疫策略的RBF网络

13.3.1 RBF网络的基本形式

13.3.2 RBF网络与多层感知器的比较

13.3.3 免疫策略算法

13.3.4 RBF网络的学习策略

13.3.5 基于免疫策略的RBF网络

13.4 免疫神经网络的学习算法

13.4.1 网络激励函数的选取方法

13.4.2 网络的自学习算法

13.4.3 免疫神经网络的设计实例

13.5 基于免疫RBF网络的CDMA多用户检测判决器

13.6 仿真结果与分析

13.7 结论与讨论

 参考文献

第14章 免疫克隆算法

14.1 用于CDMA多用户检测的免疫克隆算法

14.1.1 算法收敛性分析’

14.1.2 算法复杂度分析

14.1.3 算法参数影响分析

14.2 基于免疫克隆算法的多用户检测器的仿真结果与分析

14.2.1 与最佳多用户检测器的比较

14.2.2 同步CDMA系统下的仿真

14.2.3 异步CI)MA系统下的仿真

14.2.4 瑞利衰落信道多径CDMA系统下的仿真

14.3 小结

 参考文献

第15章 量子进化算法在CDMA中的应用

15.1 量子计算原理

15.1.1 状态的叠加

15.1.2 状态的相干

15.1.3 状态的纠缠

15.1.4 量子并行性

15.1.5 目前的研究重点

15.2 量子计算智能的几种模型

15.2.1 量子人工神经网络

15.2.2 基于量子染色体的进化算法

15.2.3 基于量子特性的优化算法

15.2.4 量子聚类算法

15.2.5 量子模式识别算法

15.2.6 量子小波与小波包算法

15.2.7 量子退火算法

15.2.8 其他

15.3 量子进化算法的提出

15.4 量子进化算法中用到的一些基本概念

15.4.1 量子比特

15.4.2 量子染色体

15.5 量子进化算法

15.5.1 算法描述

15.5.2 量子染色体的机理和优点

15.5.3 量子变异

15.5.4 量子交叉

15.5.5 量子进化算法的结构框架

15.5.6 量子进化算法的收敛性

15.6 量子进化算法用于最佳多用户检测

15.7 结论和讨论

 参考文献

第16章 智能信息处理技术在MIMO通信系统中的应用

16.1 引言

16.2 MIMO系统基本原理

16.3 MIMO技术的研究进展

 参考文献

附录A 多用户检测基本原理

附录B 命题8.1的证明

附录C 引理8.1～引理8.3的证明

附录D 定理8.1～定理8.3的证明

附录E (8.6)与式(8.7)的推导过程.

附录F 定理9.3的证明

附录G 定理11.1～定理11.5的证明

附录H 定理12.1与定理12.2的证明