论文部分内容阅读
一个盲目适应计划为联合最大的可能性的(ML ) 被建议隧道评价和数据察觉单个输入多重产量(SIMO ) 系统。在隧道和数据上的联合 ML 优化被分解成一个反复的优化环。称为重复加权的增加的搜索的一个有效全球优化算法在上面的水平被采用最佳地识别未知 SIMO 隧道模型,并且 Viterbi 算法在底层被使用生产未知数据顺序的最大的可能性的顺序评价。一个模拟例子被用来为盲目适应 SIMO 系统表明这个联合 ML 优化计划的有效性。关键词盲目时空使均等 - 单个输入多重产量(SIMO ) 系统 - 最大的可能性