W systemach UMTS (Universal Mobile Telecommunications System) podstawową przyczyną ograniczającą pojemność interfejsu WCDMA jest interferencja współkanałowa MAI (Multiple Access Interference), którą na wejściu detektora odbiornika WCDMA można interpretować, jako addytywny szum kolorowy. Dlatego też odbiornik WCDMA powinien wykorzystywać w procesie adaptacyjnej detekcji i/lub korekcji sygnałów układy nieliniowe. Ponieważ sztuczna sieć neuronowa ANN jest nieliniowym filtrem adaptacyjnym, zatem można ją zastosować do budowy korektorów sygnałowych, pracujących w obecności zakłóceń nieliniowych. Poważny problem stanowi natomiast proces adaptacji (uczenia) sieci ANN polegający na minimalizacji funkcji kryterialnej, która najczęściej przyjmuje postać funkcji błędu. Istotnym problemem jest występowanie w funkcji kryterialnej szeregu minimów lokalnych, co oznacza istnienie niezerowego prawdopodobieństwa utknięcia algorytmu adaptacji filtru (uczenia sieci ANN) w minimum lokalnym bez osiągnięcia minimum globalnego. W niniejszej rozprawie zaproponowano nowatorską strukturę funkcjonalną odbiornika sygnałów WCDMA, która z jednej strony pozwala w pełni wykorzystać możliwości sztucznych sieci neuronowych ANN do budowy nieliniowych adaptacyjnych korektorów sygnałowych, z drugiej zaś jest odporna na ewentualny brak zbieżności algorytmów ich uczenia.
“Analysis of a neural network applications in broadband, direct-sequence spread spectrum mobile radio systems receivers”
The capacity of a Universal Mobile Telecommunications System (UMTS) is mainly limited by Multiple Access Interference (MAI) which at the input of the WCDMA detector, can be interpreted as additive non-Gaussian noise. Due to the non-Gaussian nature of MAI, nonlinear signal processing and nonlinear detection/equalization techniques should be applied in the WCDMA receiver. An artificial neural network (ANN) is a nonlinear adaptive filter, and therefore can be used as a nonlinear signal equalizer operating in the presence of nonlinear distortions. Due to the fact that the ANN adaptation (learning) process relies on the minimization of a selected cost function (usually the error curve) the main drawback of the ANN is the lack of reliable convergence. This converge problem stems from the fact that the error curve can have local minima. This means that there is a nonzero probability that the ANN learning process becomes fixed in a local minimum without finding the global minimum.
This dissertation introduces a novel functional structure of the WCDMA signal receiver, which allows to take full advantages of the ANN to build non-linear adaptive signal equalizers, while at the same time is resistant to the possible lack of convergence of the learning algorithms.
