论文部分内容阅读
CNN(Cellular Neural Network,细胞神经网络)是基于Hopfield神经网络和细胞自动机提出的一种反馈型神经网络。CNN具有多个可供设置的参数且当CNN的参数设置满足一定的条件时,就会产生混沌及超混沌现象。CNN超混沌系统具有初值敏感性,由CNN超混沌系统生成的超混沌扩频序列具有良好的伪随机特性,能够代替传统扩频序列应用于CDMA(Code Division Multiple Access,码分多址)系统中。此外,CNN优良的并行信号处理能力也可以用来解决CDMA系统的多用户检测问题。目前,空间多目标测控系统在通信与数据传输层面多采用CDMA体制,即用不同的扩频序列来区分不同的卫星。因此,对CNN超混沌系统的研究完全可以应用于空间多目标测控系统中。本文针对CNN超混沌特性开展理论和应用研究具有重要意义。本文首先对CNN超混沌系统的动力学特性展开研究,建立CNN全互连拓扑结构及状态方程,分析CNN超混沌系统的初值敏感性、有界性和遍历性、Lyapunov指数、奇怪吸引子等特性,并基于上述特性,提出了CNN超混沌系统判定及筛选算法,该算法可以从大量的CNN中筛选出能够产生超混沌现象的CNN系统,这为以后的研究工作奠定了基础。然后本文对CNN超混沌扩频序列的生成、量化及筛选展开了研究。通过对超混沌扩频序列的性能进行分析,提出了CNN超混沌扩频序列筛选算法,以筛选出具有良好特性的超混沌扩频序列。将筛选出的CNN超混沌扩频序列应用于CDMA系统之中,可提高系统的容量、误码性能和保密性能。然后本文对CDMA系统中的多用户检测问题展开了研究。首先分析了几种常见的多用户检测算法,然后结合最优多用户检测算法和CNN的Lyapunov函数,提出了CNN多用户检测算法,并针对其容易陷入Lyapunov函数局部极小点的问题进行了简化降阶。简化的CNN多用户检测算法能够快速有效地减弱用户间的多址干扰。最后,本文研究了CNN超混沌系统在空间多目标测控系统通信与数据传输层面的应用。通过搭建空间多目标测控系统的通信与数据传输模型,设计具体通信方案,将筛选出的CNN超混沌扩频序列及简化的CNN多用户检测算法应用于空间多目标测控系统的收发两端,使系统获得了良好的性能。