DE69430571T2

DE69430571T2 - Empfangsverfahren und cdma-empfänger

Info

Publication number: DE69430571T2
Application number: DE69430571T
Authority: DE
Inventors: Ari Hottinen
Original assignee: Nokia Oyj
Current assignee: Nokia Oyj
Priority date: 1993-11-10
Filing date: 1994-11-09
Publication date: 2002-10-02
Anticipated expiration: 2014-11-10
Also published as: ATE217464T1; NO952711D0; JPH08505758A; FI106898B; CN1116476A; AU682549B2; EP0692164B1; FI934966A; NO952711L; AU8108294A; CN1061493C; US5831984A; WO1995014336A1; FI934966A0; DE69430571D1; EP0692164A1

Description

Die Erfindung bezieht sich auf ein Empfangsverfahren, das bei einem CDMA-System zu verwenden ist, bei dem Signale von mehreren Benutzern aus einem empfangenen Signal gleichzeitig erfaßt werden, wobei ein neuronales Netz zur Erfassung genutzt wird und Parameter einer Erfassungseinrichtung auf der Grundlage des empfangenen Signals überwacht werden, damit sie Signalzuständen des empfangenen Signals besser entsprechen, und wobei der Empfang unter Verwendung eines nachstehend als Mehrstufenempfangsvorrichtung bezeichneten Mehrstufenempfängers ausgeführt wird und das empfangene Signal vor der Erfassung bei einer adaptiven linearen Vorstufe verarbeitet wird.
Bei dem CDMA handelt es sich um ein Mehrbenutzersystem auf der Grundlage eines Spreizspektrumverfahrens, wobei die Anwendung des Systems auf zellulare Funksysteme neben dem vorhergehenden FDMA- und TDMA-System in jüngster Zeit begonnen hat. Das CDMA weist im Vergleich zu den vorhergehenden Verfahren mehrere Vorteile wie beispielsweise die Einfachheit der Frequenzplanung und die Spektrumseffizienz auf.
Bei dem CDMA-Verfahren wird ein schmalbandiges Datensignal eines Benutzers mit einem Spreizcode mit einem beträchtlich breiteren Band als das Datensignal auf ein relativ breites Band multipliziert. Bei bekannten Testsystemen verwendete Bandbreiten sind zum Beispiel 1,25 MHz, 10 MHz und 25 MHz. In Verbindung mit der Multiplikation breitet sich das Datensignal auf das ganze zu verwendende Band aus. Alle Benutzer senden unter Verwendung des gleichen Frequenzbands gleichzeitig. Jede Verbindung zwischen einer Basisstation und einer Mobilstation verwendet ihren eigenen Spreizcode, und die Signale der Benutzer können in Empfangsvorrichtungen auf der Grundlage des Spreizcodes jedes Benutzers voneinander getrennt werden. Das Ziel besteht darin, die Spreizcodes auf eine derartige Weise auszuwählen, daß sie zueinander orthogonal sind, das heißt daß sie nicht miteinander korrelieren.
Auf eine bekannte Art und Weise realisierte Korrelationseinrichtungen in einer CDMA- Empfangsvorrichtung sind mit einem gewünschten Signal synchronisiert, das auf der Grundlage des Spreizcodes erfaßt wird. Das Datensignal wird in der Empfangsvorrichtung auf das ursprüngliche Band zurückgeführt, indem es erneut mit dem gleichen Spreizcode wie bei der Sendestufe multipliziert wird. In einem idealen Fall korrelieren die mit einem anderen Spreizcode multiplizierten Signale nicht und kommen nicht zu dem schmalen Band zurück. Somit erscheinen sie mit Bezug auf das gewünschte Signal als Rauschen. Entsprechend besteht das Ziel darin, das Signal eines gewünschten Benutzers aus mehreren interferierenden Signalen heraus zu erfassen. In der Praxis sind Spreizcodes nicht dekorrelierbar, und Signale anderer Benutzer machen die Erfassung des gewünschten Signals schwieriger, indem sie das empfangene Signal nichtlinear stören. Diese von den Benutzern gegenseitig verursachte Interferenz wird als eine Mehrbenutzerinterferenz bezeichnet.
In der US 5136612 ist ein Verfahren zur Verringerung der Wirkungen der Mehrbenutzerinterferenz dargestellt. Jeder Benutzer wird getrennt erfaßt, und die Wirkung der Signale anderer Benutzer wird teilweise aus dem Signal des gewünschten Benutzers entfernt.

Das vorstehend beschriebene

Einzelbenutzererfassungsverfahren ist nicht optimal, da es in Verbindung mit der Erfassung die in Signalen anderer Benutzer enthaltenen Informationen ignoriert. Außerdem ist die bekannte Erfassung nicht dazu in der Lage, Nichtlinearitäten zu korrigieren, die teilweise durch nichtorthogonale Spreizcodes und eine Störung eines Signals auf einem Funkpfad verursacht werden. Eine optimale Empfangsvorrichtung berücksichtigt die in den Signalen aller Benutzer enthaltenen Informationen, so daß die Signale zum Beispiel unter Verwendung des Viterbi- Algorithmus optimal erfaßt werden können. Ein Vorteil dieses Erfassungsverfahrens besteht darin, daß Bitfehlerverhältniskurven der Empfangsvorrichtung einer Situation des Einzelbenutzer-CDMA-Systems ohne ein Auftreten von Mehrbenutzerinterferenzen ähneln. Es ist zum Beispiel kein Nah-Fern-Problem vorhanden. Als Nah- Fern-Problem wird eine Situation bezeichnet, in der eine Sendevorrichtung in der Nähe einer Empfangsvorrichtung mit ihrer Übertragung die sich weiter entfernt befindenden Sendevorrichtungen verdeckt. Die ernsthafteste Unzulänglichkeit des Viterbi-Algorithmus besteht darin, daß die erforderliche Berechnungsintensität mit einer zunehmenden Anzahl von Benutzern exponentiell zunimmt. Beispielsweise würde ein Zehn-Benutzer-System mit einer Bitrate von 100 kbit/s unter Verwendung einer QPSK-Modulation 105 Millionen Messungen pro Sekunde für eine Berechnung der Likelihood- Funktion erfordern. Dies verhindert in der Praxis eine Realisierung der optimalen Empfangsvorrichtung.
Es kann jedoch durch verschiedene Verfahren eine optimale Empfangsvorrichtung angenähert werden. Als Stand der Technik sind verschiedene Arten von Verfahren zur gleichzeitigen Mehrbenutzererfassung bekannt. Zu den am besten bekannten Verfahren gehören eine lineare Mehrbenutzererfassungseinrichtung, eine dekorrelierende Erfassungseinrichtung und eine Mehrstufenerfassungseinrichtung. Diese Verfahren sind in den Quellen Varanasi, Aazhang: Multistage detection for asynchronous code division multiple access communications, IEEE Transactions on Communications, Jahrgang 38, Seiten 509-519, April 1990, Lupas, Verdu: Linear multiuser detectors for synchronous code division multiple access channels, IEEE Transactions on Information Theory, Jahrgang 35, Nr. 1, Seiten 123-136, Januar 1989 und Lupas, Verdu: Near-far resistance of multiuser detectors in asynchronous channels, IEEE Transactions on Communications, Jahrgang 38, April 1990 ausführlicher beschrieben. Andere bekannte Mehrbenutzererfassungsverfahren sind in den US-Patenten 5353300 und 5343496 offenbart, auf die in diesem Fall Bezug genommen wird. Alle diese Verfahren weisen jedoch den Nachteil auf, daß sie auf einem Funkkanal stattfindende Änderungen nicht verfolgen.
In der Quelle Aazhang, Paris, Orsak: Neural Networks for Multiuser Detection in Code-Division Multiple-Access Communications, IEEE Transactions on Communications, Jahrgang 40, Nr. 7, Juli 1992 ist ein weiteres Mehrbenutzererfassungsverfahren dargestellt, aber dieses Verfahren ist zu kompliziert, um praktisch realisierbar zu sein.
Entsprechend legt die vorliegende Erfindung eine neue Art und Weise der Annäherung einer optimalen Empfangsvorrichtung dar. Das fragliche Verfahren ist widerstandsfähiger gegen sowohl auf dem Übertragungspfad als auch in der Sendevorrichtung auftretende Interferenzen. Herkömmliche Mehrbenutzererfassungsalgorithmen sind auf ein vorbestimmtes Kanalmodell festgelegt, auf dessen Grundlage sie entworfen worden sind. Das Verfahren gemäß der Erfindung ist nicht an einem theoretischen Kanalmodell interessiert, da der Algorithmus selbst zu auf dem Kanal aufgetretenen Modellstörungen neigt. Das Verfahren wird selbst dann an die herrschende Situation angepaßt, wenn der Ursprung von Interferenzen nicht bekannt ist. Beispielsweise kann ein empfangenes Signal Übertragungen umfassen, deren Spreizcode die Empfangsvorrichtung nicht kennt. Dies können zum Beispiel aus dem Bereich einer benachbarten Zelle überwachte Übertragungen sein. Die Anpassung des Verfahrens ist schneller als die der vorhergehenden Anwendungen mit neuronalen Netzen.
Dies wird mittels eines Empfangsverfahrens des in dem Oberbegriff dargelegten Typs erreicht, wobei das Verfahren dadurch gekennzeichnet ist, daß die adaptive lineare Vorstufe die Einstellung der Parameter für das neuronale Netz überwacht und daß bei jeder Empfangsvorrichtungsstufe ein anderes neuronales Netz verwendet wird.
Die Erfindung bezieht sich ferner auf eine CDMA- Mehrstufenempfangsvorrichtung mit einer Antenne, Funkfrequenzteilen, einer A/D-Wandlungseinrichtung, einer adaptiven linearen Vorstufe und einer Erfassungseinrichtung mit einem neuronalen Netz, wobei die Erfassungseinrichtung Signale mehrerer Benutzer gleichzeitig erfaßt und zur Korrektur von zur Erfassung zu verwendenden Parametern auf ein empfangenes Signal anspricht, damit sie Signalzuständen des empfangenen Signals entsprechen. Die CDMA-Empfangsvorrichtung gemäß der Erfindung ist dadurch gekennzeichnet, daß die lineare Vorstufe zur Überwachung der Einstellung der Parameter für das neuronale Netz ausgelegt ist und daß bei jeder Empfangsvorrichtungsstufe ein anderes neuronales Netz verwendet wird.
Mittels des Verfahrens gemäß der Erfindung kann eine optimale Empfangsvorrichtung mit einer gewünschten Genauigkeit angenähert werden. Die Empfangsvorrichtung gemäß der Erfindung paßt sich schnell und genau an zufällig zeitlich veränderliche Übertragungsbedingungen auf einem Funkpfad an, wobei die Bedingungen ein empfangenes Signal stören. Bei derartigen Systemen paßt sich die Erfassungseinrichtung gemäß der Erfindung mittels eines sehr geringen Ausmaßes von Lerninformationen gut an. Durch eine Kombination mehrerer Lernalgorithmen auf eine derartige Weise, daß das am besten geeignete Verfahren für jede Situation verwendet wird, kann eine sehr kurze Lernzeit erreicht werden. Was herkömmliche Anwendungen mit neuronalen Netzen betrifft, ist deren. Realisierung in der Praxis durch die Länge der Lernzeit verhindert worden.
Entsprechend wird bei einem bevorzugten Ausführungsbeispiel der Erfindung die adaptive Erfassungseinrichtung mittels eines neuronalen Netzes wie beispielsweise eines adaptiven Signalpunktsystems, bei dem jeder Punkt des Signalpunktsystems einer möglichen Kombination von durch mehrere Benutzer übertragenen Signalen entspricht, realisiert. Die Punkte des adaptiven Signalpunktsystems werden zum Beispiel mittels einer in einem empfangenen Signal enthaltenen spezifischen Trainingsperiode an richtigen Orten positioniert. Bei dem bevorzugten Ausführungsbeispiel führt die die Erfassungseinrichtung überwachende adaptive lineare Vorstufe eine Schätzung von Kanalparametern aus. Gemäß einem zweiten bevorzugten Ausführungsbeispiel werden die Punkte des adaptiven Signalpunktsystems zum Beispiel mittels einer selbstorganisierenden Karte auf eine nicht überwachte Art und Weise gezählt. Gemäß einem dritten bevorzugten Ausführungsbeispiel der Erfindung können beide vorstehend angeführten Initialisierungsverfahren des Signalpunktsystems in einer optionalen Reihenfolge und abwechselnd verwendet werden, falls es erforderlich ist. Ferner können Entscheidungsrückkopplungsverfahren zur Überwachung des neuronalen Netzes genutzt werden.
Nachstehend ist die Erfindung unter Bezugnahme auf die Beispiele gemäß den beigefügten Zeichnungen ausführlicher beschrieben, in denen
Fig. 1a und 1b die Form eines empfangenen Signals bei Ausgaben von angepaßten Filtern veranschaulichen,
Fig. 2 ein Beispiel für durch Codevektoren angegebene Punkte veranschaulicht,
Fig. 3 ein Beispiel für die Berechnung des nächsten Codevektors zeigt,
Fig. 4 die Struktur einer Empfangsvorrichtung gemäß der Erfindung zeigt,
Fig. 5a und 5b die Ähnlichkeit einer herkömmlichen Signalentscheidungsfunktion und einer hyperbolischen Tangentenfunktion veranschaulichen und
Fig. 6a und 6b ein Beispiel für ein neuronales Netz mit einer Schicht und ein neuronales Netz mit zwei Schichten veranschaulichen.
Bei einer digitalen Datenübertragung modulierte Signale erhalten zu Abtastzeitpunkten lediglich diskrete Werte wie beispielsweise ±Ac, ±3Ac. Entsprechend sollen diese diskreten Werte in einer Empfangsvorrichtung aus einem häufig gestörten Signal, das einen Funkpfad durchquert hat, identifiziert werden. Die Fig. 1 zeigt ein ideales ungestörtes Signalmuster von zwei Benutzern, das heißt eine Punktdichtefunktion von empfangenen Signalen, wobei die Spitzenwerte der Funktion sich bei entgegengesetzten Punkten befinden. Jeder Punkt eines zweidimensionalen Musters bedeutet einen möglichen empfangenen Signalwert, der von den Werten der durch die Benutzer übertragenen Signale abhängt. Beispielsweise kann ein Punkt A1 eine Situation (1, 1) bedeuten, die es bedeutet, daß ein erster Benutzer den Wert 1 übertragen hat und ein zweiter Benutzer den Wert 1 übertragen hat. Entsprechend kann ein Punkt A2 eine Situation (-1, 1) bedeuten, die es bedeutet, daß der erste Benutzer den Wert -1 übertragen hat und der zweite Benutzer den Wert 1 übertragen hat. Ein Punkt A3 kann eine Situation (-1, -1) bedeuten, und ein Punkt A4 kann eine Situation (1, -1) bedeuten. Falls drei Benutzer vorhanden wären, wäre das Muster dreidimensional, und die Dimension des Musters wächst jeweils mit einer zunehmenden Anzahl von Benutzern.
Die Fig. 2 veranschaulicht eine durch nichtorthogonale Codes verursachte und auf dem Funkpfad einer Empfangsvorrichtung bei der Ausgabe von spreizcodeangepaßten Filtern aufgetretene Störung eines Signalmusters. Die Spitzenwerte der Punktdichtefunktion haben sich verursacht durch die Störung ausgebreitet und bewegt. Die empfangenen Signalpunkte haben sich von ihren idealen Orten aus bewegt, und die Aufgabe der Empfangsvorrichtung besteht darin, die empfangenen Signale derart zu interpretieren, daß sie zu einigen der vorbestimmten Signalpunkte gehören.
Falls Entscheidungen völlig linear ausgebildet werden würden, würden wegen dem gestörten Punktsystem, wie es aus der Fig. 2 ersichtlich ist, jede Menge fehlerhafte Entscheidungen auftreten. Mittels des Verfahrens gemäß der Erfindung ist es möglich, zum Beispiel stückweise lineare Entscheidungsgrenzen zu realisieren, durch die die optimale nichtlineare Erfassung mit einer gewünschten Genauigkeit angenähert werden kann.
Es wird angenommen, daß das System K Benutzer, das heißt CDMA-Sendevorrichtungen, aufweist, wobei jeder von ihnen einen sich von den anderen unterscheidenden eigenen spezifischen Spreizcode aufweist
sk(t) = S ΠTc (t - jTc),
wobei der j-te Chip des Spreizcodes des k-ten Benutzers bezeichnet ist, k = 1, 2 .. K. Bei Tc handelt es sich um die Länge des Chips. Der Signalverlauf des k-ten Benutzers ist in [0,Tb] beschränkt. Jeder Benutzer überträgt in dem gleichen Frequenzband durch seinen eigenen spezifischen Spreizcode modulierte Datensymbole &epsi; A, wobei es sich bei A um das verwendete Symbolalphabet handelt. Die Aufgabe der Empfangsvorrichtung besteht daraufhin darin, ein Signal zu demodulieren, das unter Verwendung zum Beispiel eines BPSK-Modulationsverfahrens von der Form
r(t) = hk(t)b sk(t - iT - τk) + nt, t R
ist, wobei es sich bei 2P + 1 um die Anzahl von zu übertragenden Symbolen handelt, bei nt um einen Rauschausdruck handelt, bei T um die Dauer des Symbols handelt, und b {-1,1} das Informationsbit des k-ten Benutzers in dem i-ten Zeitschlitz bedeutet, τk [0,T] die Zeitabweichung des k-ten Benutzers bedeutet und hk(t) eine Impulsantwort des physikalischen Kanals des k-ten Benutzers bedeutet. Um der Klarheit willen ist es nachstehend angenommen, daß τk = 0, k {1,..K}, was bedeutet, daß das System synchron ist. Die Erfindung kann jedoch auf eine entsprechende Art und Weise auch auf ein asynchrones System angewendet werden.
Es wird weiter angenommen, daß die Impulsantwort eines Mehrpfadkanals von der Form
hk(t) = hk,l(t)δ(t - τk,l(t))
ist, wobei die l-te Anzapfung bzw. der l-te Tap eines komplexen Kanals des k-ten Benutzers als hk,l C bezeichnet ist und es angenommen wird, daß sie entweder Konstante oder als eine Funktion der Zeit schwindend sind.
Bei einer Mehrbenutzererfassung werden Entscheidungen bei empfangenen Signalen für alle K Benutzer gleichzeitig ausgebildet. Bei diesem Beispiel wird es angenommen, daß der Kanal ein Gaußsches Rauschen aufweist und die zu einem vorbestimmten Zeitpunkt durch alle K Benutzer gleichzeitig übertragenen Bit in einer Vektorform b {-1,1}K bezeichnet sind. Es ist bekannt, daß eine in der Empfangsvorrichtung auszubildende Maximum-Likelihood- Entscheidung auf einer logarithmischen Likelihood- Funktion
bopt = argb {-1,1}K max{2y' b - b' Hb}
basiert, wobei es sich bei H um eine Matrix von Kreuzkorrelationen zwischen den verwendeten Spreizcodes handelt, das heißt (H)ij = < Si,Sj> , i, j = 1, 2, ..., K, und der Vektor y die Ausgaben von angepaßten Filtern der Empfangsvorrichtung umfaßt. Die vorstehende Gleichung kann mittels eines Algorithmus des Viterbi-Typs gelöst werden, aber die Berechnungskomplexität verhindert eine Realisierung einer optimalen Empfangsvorrichtung dieses Typs in der Praxis, wie es vorher berichtet worden ist.
Entsprechend weist ein durch die Empfangsvorrichtung empfangenes Signal die vorstehende Form r(t) auf. Das Signal kann zum Beispiel unter Verwendung eines Filterns mit einer Chipfrequenz oder eines Filterns mit einer Symbolfrequenz verarbeitet werden. Die erste Art und Weise kann unter der Annahme, daß ein Abtastwert pro Chip aufgenommen wird, durch die Formel
r[j] = r(t)dt
beschrieben werden. Demgegenüber wird die zweite Art und Weise durch die Formel
z = r(t)sk(t - τk,l - iTb)dt
veranschaulicht.
Nachstehend ist es erläutert, wie die vorstehenden Ausgabesignale von Filtern für bestimmte Strukturen von neuronalen Netzen beschrieben werden können und wie ein neuronales Netz des Verfahrens gemäß der Erfindung mittels Lernalgorithmen überwacht wird und welche Vorteile durch das Verfahren gemäß der Erfindung erreicht werden.
Verschiedene Entscheidungsregeln unterscheiden sich voneinander, soweit die verwendete Metrik und der verwendete Suchalgorithmus betroffen sind, wobei durch den Algorithmus nach dem das Signal am besten beschreibenden Zustand gesucht wird. Unterschiedliche Metriken und Abstandsmaße sind in der Quelle Teuvo Kohonen: Self-Organization and Associative Memory, Springer-Verlag, Berlin-Heidelberg-New York-Tokio, dritte Ausgabe, 1989 beschrieben, und als ein Beispiel dafür ist in diesem Fall ein auf einer Projektion oder einem Filtern basierendes Maß angegeben, wobei es sich bei dem den Signalzustand modellierenden Vektor mopt um den Vektor handelt, zu dem das empfangene Signal die größte Projektion aufweist:
Eine weitere Alternative ist zum Beispiel ein sogenannter Mahalanobis-Abstand oder eine gewichtete euklidische Metrik, wobei
mopt = arg min mi - x φ = arg min ,
wobei es sich bei φ um einen für den Abstand gegebenen und von den Korrelationen der Codes abhängenden Gewichtungskoeffizienten handelt. Bei der Erfindung werden verschiedene Entscheidungsregeln und sich auf sie beziehende Lernalgorithmen zur Erreichung des besten Ergebnisses verwendet. Es sollte erwähnt werden, daß durch die gewichtete euklidische Metrik eine optimale Entscheidung realisiert werden kann, aber die Komplexität der Entscheidung sehr hoch ist. Mit Bezug auf die vorstehenden Formeln wird es festgestellt, daß der Vektor x gemäß diesem Ausführungsbeispiel zum Beispiel von der Form
x [r[j - J], r[j - J + 1], ..., r[j + J]]T
ist, wobei die unterschiedlichen Elemente Ausgaben von chipangepaßten Filtern darstellen, die die j-te Entscheidung beeinflussen. Entsprechend kann die Form
x (z1,1, z&sub1;,&sub2;, ..., zK,L)T
verwendet werden, wobei die Elemente aus Ausgaben von codeangepaßten Filtern erhalten werden.
Zuerst werden neuronale Netze mit Vektorquantisierung und anschließend nachstehend als vorwärtsgekoppelte neuronale Netze bezeichnete neuronale feed-forward-Netze erörtert.
Verfahren mit einem neuronalen Netz mit Vektorquantisierung (VQNN) werden häufig allgemein durch den Ausdruck neuronale Netze bezeichnet, da die verwendeten Lernalgorithmen als neuronal betrachtet werden.
Das VQNN-Verfahren verwendet ein Erfassungsverfahren auf der Grundlage eines adaptiven mehrdimensionalen Signalpunktsystems. Empfangene diskrete Signale werden mit dem Signalpunktsystem der Empfangsvorrichtung verglichen, und der empfangene Signalwert wird derart klassifiziert, daß er zu dem Punkt des Signalpunktsystems gehört, der sich in dem kürzesten berechneten Abstand befindet. Bei einem ersten bevorzugten Ausführungsbeispiel der Erfindung wird das adaptive Signalpunktsystem mittels einer in dem empfangenen Signal enthaltenen Trainingsperiode korrigiert. Auf diese Art und Weise ist die Empfangsvorrichtung dazu in der Lage, sich durch eine entsprechende Störung des Signalpunktsystems an eine Störung des empfangenen Signals anzupassen.
Das beschriebene Verfahren wird als Lernvektorquantisierung (LVQ) bezeichnet, und es ist vorher in Verbindung mit Mustererkennungsproblemen angewendet worden. Das Verfahren ist in der bereits angeführten Quelle Teuvo Kohonen: Self-Organization and Associative Memory, Springer-Verlag, Berlin-Heidelberg- New York-Tokio, dritte Ausgabe, 1989 ausführlicher beschrieben.
Bei einem weiteren bevorzugten Lernalgorithmus korrigiert die Empfangsvorrichtung das adaptive Signalpunktsystem mittels einer selbstorganisierenden Karte (SOM). Dann wird keine getrennte Trainingsperiode benötigt. Dieses Verfahren der selbstorganisierenden Karte ist vorher in Verbindung mit Mustererkennungsproblemen auf die gleiche Weise wie die LVQ angewendet worden, und es ist sowohl in der vorstehend angeführten Quelle als auch in den Quellen Teuvo Kohonen: The Self-Organizing Map, Proceedings of The TEBE, 78(9): Seiten 1464-1480, 1990, Kohonen: Generalizations of the Self-Organizing Map, Proc. of the International Joint Conference an Neural Networks, IJCNN'93, Nagoya, Japan, Oktober 25-29, 1993, Kohonen: Things You Haven't Heard about the Self-Organizing Map, Proceedings of the 1993 IEEE Int. Conf. Neural Networks, San Francisco, USA, März 28 - April 1, 1993, Seiten 1147- 1156 und Kohonen, Raivio, Simula, Henriksson: Start-Up Behaviour of a Neural Network Assisted Decision Feedback Equalizer in a Two-Path Channel, Proc. of IEEE Int. Conf. an Communications, Chicago, USA, Juni 14-18, 1992, Seiten 1523-1527 ausführlicher beschrieben.
Bei den VQNN-Verfahren nutzt somit die Erfassung einen Satz von Klassifizierungspunkten, und ein empfangenes Signal wird zu dem Punkt klassifiziert, der als am nächsten betrachtet wird. Das Verfahren oder die Entscheidungsregel, durch die der nächste Klassifizierungspunkt bestimmt wird, kann während der Erfassung geändert werden. Bei einer CDMA-Anwendung kann zum Beispiel ein Satz von nächsten Klassifizierungspunkten durch eine Projektion und die endgültige Entscheidung mittels einer gewichteten (euklidischen) Metrik berechnet werden. Eine derartige Mehrphasenlösung ist bei CDMA-Anwendungen, bei denen die Anzahl von möglichen Klassen groß ist, rechnerisch effizient.
Falls der Empfangsvorrichtung die Kanalparameter und die verwendeten Spreizcodes bekannt sind und die Empfangsvorrichtung codeangepaßte Filter verwendet, können Codevektoren a priori durch die Formel
M = RWB
bestimmt werden, wobei es sich W um eine aus mit Signalenergien multiplizierten komplexen Tap- Koeffizienten bestehende Diagonalmatrix handelt, bei B um eine Matrix von Bitkombinationen handelt (eine bevorzugte Darstellung umfaßt K linear unabhängige Bitvektoren) und bei R um eine Matrix von Kreuzkorrelationen handelt. Entsprechend ist dann, wenn die Verzögerungen der Codes bekannt sind und kein Bedarf an einer Codeverfolgung besteht, die Darstellung sehr einfach. Falls die Codeverzögerungen nicht bekannt sind, wie es bei einem zellularen Funksystem der Fall ist, kann eine Empfangsvorrichtungsvorstufe verwendet werden, die aus einer Anzahl von N-dimensionalen angepaßten Filtern besteht, die einen Signalraum überspannen, aber nicht notwendigerweise an die Spreizcodes oder an die vorstehend angeführte chipangepaßte Filterung angepaßt sind.
Entsprechend kann bei dem Verfahren gemäß der Erfindung eine Initialisierung eines VQNN-Netzes mittels einer adaptiven Vorstufe ausgeführt werden, die die Kanalparameter berechnet, auf deren Grundlage gute Anfangswerte für das Netz erhalten werden, bevor das tatsächliche Training beginnt. Das Training kann somit im Vergleich zu den vorherigen Verfahren beträchtlich beschleunigt werden.
Das LVQ-Verfahren und das SOM-Verfahren sind nachstehend beispielhaft von dem Gesichtspunkt des Verfahrens gemäß der Erfindung aus beschrieben.
Eine gleichzeitig durch mehrere Benutzer verwendete optimale CDMA-Empfangsvorrichtung funktioniert nichtlinear und spricht auf durch spreizcodeangepaßte Filter gegebene ausreichende Statistiken an. In diesem Zusammenhang können das LVQ-Verfahren und SOM-Verfahren zur Schätzung optimaler Bayesscher Entscheidungsgrenzen verwendet werden. Die Bayesschen Entscheidungsgrenzen trennen die Klassen auf eine derartige Weise voneinander, daß sowenig Fehler wie möglich auftreten.
Jeder mögliche diskrete Signalzustand kann derart betrachtet werden, daß er seine eigene Klasse ωk bildet. Jede Klasse wird durch eine Anzahl von Codevektoren bestimmt, deren Dimension abhängig von der Anwendung bestimmt werden kann. Bei einem synchronen CDMA kann die Dimension der Codevektoren zum Beispiel gleich der Anzahl von Benutzern sein. Bei einem asynchronen CMDA ist die Dimension optimalerweise K(P + 1), aber die Anzahl von Berechnungen wächst dann stark an. Situationsabhängig können auch während der Symbolzeit [0, T] angekommene suboptimale Informationen akzeptiert werden, woraufhin die Dimension des Codevektors zum Beispiel 2(K - 1) ist.
Die Anzahl von Codevektoren pro Klasse hängt von der gewünschten Annäherungsgenauigkeit ab. Falls in jeder Klasse lediglich ein Codevektor vorhanden ist, sind die Entscheidungsgrenzen linear. Je mehr Codevektoren eingestellt worden sind, desto genauer nähert die Entscheidungsausbildung die optimale Empfangsvorrichtung an, wobei die Entscheidungsgrenzen stückweise linear sind und die Komplexität mit einer zunehmenden Anzahl von Codevektoren zunimmt. Jede Klasse kann auch eine unterschiedliche Anzahl von Codevektoren umfassen. Jeder Codevektor gibt einen die Klasse darstellenden Punkt an. Nachdem für jede Klasse eine vorläufige Anzahl von Codevektoren eingestellt worden ist, justiert das System die Codevektoren derart, daß sie einen Punkt vorläufig angeben. Kanalparameter können zur Auswahl dieses vorläufigen Punkts genutzt werden. Während der Signalerfassung justiert das System die Codevektoren derart, daß sie zu jedem Zeitpunkt den optimalen Punkt angeben.
Es wird angenommen, daß eine bestimmte Anzahl I von Codevektoren für das System eingestellt worden ist. Die aus Ausgaben von angepaßten Filtern zu empfangenden diskreten Signalabtastwerte von allen Benutzern werden zu jedem Zeitpunkt durch einen Vektor y bezeichnet. Die Codevektoren sind als ml, i = 1, ... I bezeichnet. Der Codevektor mc, der sich am nächsten an dem Signalabtastwert y befindet, wird zum Beispiel durch eine Berechnung eines euklidischen Abstands
c = arg min{ y - mi }
erhalten.
Bei der vorstehenden Art und Weise der Abstandsberechung handelt es sich lediglich um ein mögliches Verfahren zur Bestimmung eines Abstands. Andere Arten sind in den vorstehend angeführten Quellen dargelegt. Bei dem Verfahren gemäß der Erfindung kann die Art und Weise der Berechnung des nächsten Codevektors während der Symbolerfassung geändert werden, wie es vorher bereits erläutert worden ist. Die zu verwendende Abstandsmetrik oder Entscheidungsregel kann zum Beispiel auf der Grundlage des empfangenen Signals, von Kanaleigenschaften oder der Empfangsvorrichtungsstufe geändert werden.
Die Codevektoren ml werden nun auf der Grundlage eines empfangenen Signalabtastwerts gemäß den nachstehenden Formeln korrigiert, zum Beispiel:
mc(t + 1) = mc(t) + αc(t)(y(t) - mc(t)), falls y, mc &epsi; ωi
mc(t + 1) = mc(t) - αc(t)(y(t) - mc(t)), falls y &epsi; ωj,
mc &epsi; ωj, i ≠ j
mi(t + 1) = mi(t), sonst.
Entsprechend befaßt sich die oberste Gleichung in der vorstehenden Gruppe von Gleichungen mit einem Fall, in dem ein Signalabtastwert richtig klassifiziert worden ist, und die zweite Gleichung mit einer Situation, in der ein Signalabtastwert falsch klassifiziert worden ist. Weitere Korrekturgleichungen sind in den vorstehend angeführten Quellen dargestellt. Einzelne Lernkoeffizienten α können zum Beispiel wie folgt bestimmt werden:
wobei für die richtige Klassifizierung s(t) = 1 und für die falsche Klassifizierung s(t) = -1. Die Punkte des Signalpunktsystems passen sich somit gemäß dem empfangenen Signal an, und die Entscheidungsausbildungsgenauigkeit wird erhalten, obwohl das Signal gestört ist und die Störung als eine Funktion der Zeit variiert.
Ein gemäß der LVQ empfangenes Signal umfaßt eine Lernperiode, gemäß der die Nachbarschaft justiert werden kann.
Bei dem zweidimensionalen Beispiel gemäß der Fig. 1a kann jeder Signalpunkt A&sub1;..A&sub4; derart betrachtet werden, daß er seine eigene Klasse ωk bildet. Es können zum Beispiel fünf Codevektoren zur Darstellung jeder Klasse A&sub1;..A&sub4; ausgewählt werden, wobei die Fig. 2 die durch die Vektoren angegebenen Punkte zeigt. Die Fig. 3 veranschaulicht eine Berechnung des nächsten Codevektors. Ein empfangenes Signal ist ein Vektor 20, und Abstände zwischen den Codevektoren und dem Vektor 20 werden gemäß dem Verfahren berechnet. Abstandsvektoren 23 und 24 zwischen dem empfangenen Vektor 20 und den Codevektoren 21 und 22 sind in der Fig. 3 als ein Beispiel gezeichnet. Der kürzeste von ihnen wird ausgewählt, wobei dies in dem Fall der Fig. 24 ist. Auf diese Weise klassifiziert es das System, daß der Vektor 20 zu der durch den Codevektor 22 dargestellten Klasse gehört.
Bei dem Verfahren auf der Grundlage einer selbstorganisierenden Karte unterscheidet sich der Lernprozeß, das heißt die Korrektur der Codevektoren, darin von der LVQ, daß ein empfangenes Signal keine spezifische Lernperiode umfaßt, sondern die selbstorganisierende Karte die Codevektoren auf der Grundlage des empfangenen Signals direkt zu einem Ort gruppiert, wo die Anzahl von empfangenen Signalpunkten höher ist. Folglich paßt sie sich automatisch an. Die Signalpunkte werden auch nicht wie bei der LVQ in Klassen aufgeteilt. Eine topologische Nachbarschaft Nc eines durch einen Codevektor mc angegebenen Punkts wird durch umgebende Nachbarschaftspunkte mit einer gewünschten Tiefe gebildet. Eine Korrektur des Orts der Nachbarschaft des empfangenen Codevektors kann nun zum Beispiel auf der Grundlage der nachstehenden Gleichungen ausgeführt werden:
mi(t + 1) = mi(t) + α(y(t) - mi(t)), i = c
mi(t + 1) = mi(t) + β(y(t) - mi(t)), i Nc, i ≠ c
mi(t + 1) = mi(t), i Nc.
Weitere Korrekturgleichungen sind in den vorstehend angegebenen Quellen dargelegt.
Entsprechend können die Punkte des adaptiven Signalpunktsystems entweder mittels der LVQ oder der SOM zu ihren richtigen Orten korrigiert werden. Es ist ebenfalls möglich, beide vorstehenden Verfahren abwechselnd zu verwenden. Beispielsweise können die Signalpunkte unter Nutzung einer selbstorganisierenden Karte an ihren richtigen Orten angesammelt werden, und anschließend werden die Klassenpunkte für die LVQ mittels Trainingsvektoren bestimmt. Danach kann die Empfangsvorrichtung die SOM zum Halten der Signalpunkte an ihren richtigen Orten verwenden. Entsprechend kann dann, wenn eine vorläufige Schätzung für die Klassenpunkte vorhanden ist, am Anfang das LVQ-Verfahren verwendet werden, und im Falle zum Beispiel einer Änderung des Kanals können die Daten wieder durch das SOM-Verfahren angesammelt werden. Falls es notwendig ist, werden die Codevektoren mittels eines Trainingssatzes klassifiziert.
Ein Nachteil eines Signalpunktsystems des vorstehenden Typs besteht darin, daß die Größe des Signalpunktsystems sehr beträchtlich sein kann, wodurch die Suche nach dem optimalen Signalpunktsystem kompliziert wird. Die Suche kann jedoch wie folgt lediglich auf einen kleinen Untersatz konzentriert werden: 1) Anfänglich wird eine suboptimale Entscheidung auf einem Teil der Dimensionen eines Vektors x ausgebildet. Die suboptimale Entscheidung kann zum Beispiel mittels einer Filterbank oder einer Dekorrelationseinrichtung realisiert werden. 2) Eine vollständige Suche nach dem Vektor x wird auf eine derartige Weise ausgeführt, daß in dem Schritt 1) ein Teil der Dimensionen festgelegt ist. Bei einer Mehrbenutzererfassung können starke Signale und die den Signalen entsprechenden Dimensionen des Vektors x vorzugsweise suboptimal erfaßt werden, und es kann eine optimale Suche auf der Grundlage der euklidischen Metrik lediglich für die schwächsten Benutzer ausgeführt werden.
Nachstehend ist eine alternative Art und Weise der Realisierung einer adaptiven nichtlinearen Entscheidung beschrieben. Ein wesentlicher Unterschied mit Bezug auf das Vorstehende besteht darin, daß dabei die Erfassung auf einer nichtlinearen Filterung basiert und das Training auf einer Minimierung eines mittleren quadratischen Fehlers durch einen nichtlinearen Algorithmus basiert. Das nichtlineare Training der Erfassungseinrichtung kann dabei mittels einer linearen adaptiven Vorstufe auf eine derartige Weise initialisiert werden, daß das Training wesentlich beschleunigt wird. Auf der Grundlage von LMS- oder MMSE-Kriterien kann die adaptive lineare Vorstufe zum Beispiel Empfangsvorrichtungsfilter schätzen, aus denen eine Korrelationsmatrix berechnet werden kann, die dann wieder zur nichtlinearen Erfassung genutzt wird.
Als nächstes ist eine Struktur eines neuronalen Netzes eines weiteren Typs erörtert, auf den das Empfangsverfahren gemäß der Erfindung angewendet werden kann. Ein vorwärtsgekoppeltes neuronales Netz bezieht sich auf ein nichtzyklisches Netz, bei dem ein Eingabevektor xein &epsi; Rd gemäß bestimmten Gewichtungskoeffizienten Wij und möglichen Nichtlinearitäten δkl auf einen Ausgabevektor xaus &epsi; Rq abgebildet wird. Die Parameter d, l und q definieren die Dimensionen einer Eingabeschicht, einer verborgenen Schicht und einer Ausgabeschicht.
Es ist vorher bekannt, daß eine Zelle eines neuronalen Netzes den Ausgabewert mittels der Formel
xi = f( Wijxj) + Nullabgleich
berechnet, wobei f eine kontinuierlich ableitbare nichtlineare Funktion wie beispielsweise
oder
ist.
Bei dem hyperbolischen Tangens f(x) = tanh(x) handelt es sich um ein besonders geeignetes nichtlineares Element, da es einer herkömmlichen Erfassungseinrichtung auf der Grundlage einer Signalentscheidung nahekommt. Dies ist in den Fig. 5a und 5b veranschaulicht, wobei die Fig. 5a die eine herkömmliche Signalentscheidung ausbildende Funktion y = sgn(x) zeigt und die Fig. 5b die Funktion y = tanh(x) zeigt.
Die vorstehend angefuhrte Formel des Ausgabewerts kann in der Form
xi = f(W x) + Nullabgleich
geschrieben werden.
Dies entspricht einer bekannten Vorstufe mit angepaßten Filtern, für die W Sk. Die vorstehenden Formeln sind für reale Eingabesignale bestimmt, und sie können auch in einem komplexen Raum angewendet werden, der typischerweise bei Telekommunikationsanwendungen auf eine derartige Weise verwendet wird, daß die Anzahl von Eingabeanschlüssen verdoppelt wird (getrennte Anschlüsse für den Realteil und Imaginärteil jedes Benutzers). Eine weitere Alternative besteht darin, komplexe Neuronen und eine entsprechende Lernregel zu verwenden, wie es in der Quelle N. Benvenuto, M. Marchesi, F. Piazza, A. Uncini: A comparison between real and complexvalued neural networks in communication applications, Proc. Int. Conf. Artificial Neural Networks, Espoo, Finnland, Juni 1991, Seiten 1177-1180 erläutert ist.
Ein neuronales Netz mit mehreren Schichten wird durch eine Verbindung von Neuronenausgaben der Schicht i mit Eingaben der Schicht 1+1 aufgebaut. Die Fig. 6a veranschaulicht ein Neuron und die Fig. 6b ein Netz mit zwei Schichten.
Im Falle eines Netzes mit zwei Schichten findet eine Abbildung eines Eingabevektors gemäß den nachstehenden Gleichungen statt:
Netz&sub1; = W&sub1;[ ]
Aus&sub1; = f(Netz&sub1;)
Netz&sub2; = W&sub2;[ ]
y = f(Netz&sub2;),
wobei W&sub1;, W&sub2; und f wie vorstehend bestimmt werden, Netz&sub1; und Aus&sub1; eine Berechnung einer ersten Schicht und Netz&sub2; und y eine Berechnung einer zweiten Schicht abbilden, wenn y der Ausgabewert des Netzes ist. Wenn die Eingabewerte in Matrixform vorhanden sind, bildet das Netz die Eingabedaten gemäß den nachstehenden Formeln ab:
N&sub1; = W&sub1;X
O&sub1; = [ ]
N&sub2; = W&sub2;O&sub1;
y = f(N&sub2;),
wobei f eine geeignete nichtlineare Funktion ist und W&sub1; und W&sub2; Gewichtsmatrizen der Schichten sind.
Die Abbildung eines neuronalen Netzes wird durch g() wie folgt bezeichnet:
g : Ri · Rp → Ro
y = g(x, w),
wobei i, p und o Dimensionen der Eingabeschicht, der verborgenen Schicht und der Ausgabeschicht bedeuten und der Vektor w die Komponenten der vorher angeführten Matrizen W&sub1; und W&sub2; umfaßt. Das Training des neuronalen Netzes umfaßt eine Einstellung des Vektors w (oder der Matrizen W&sub1; bzw. W&sub2;) auf eine derartige Weise, daß die durch das Netz ausgeführte Abbildung der gewünschten Abbildung so genau wie möglich entspricht. Bei einer Telekommunikationsanwendung besteht das Ziel somit darin, das Netz auf eine derartige Weise zu trainieren, daß das empfangene Signal mittels der Abbildung so fehlerfrei wie möglich erfaßt werden kann. Die Richtigkeit der Abbildung kann typischerweise durch einen mittleren quadratischen Fehler gemessen werden:
wobei (xi,ti), i = 1, ... N ein Satz von Trainings- und Zielvektorpaaren ist. Bei den Zielvektoren handelt es sich um bekannte Werte, mit denen das Netz trainiert werden kann. Mit großen Dimensionen erfordert eine Berechnung gemäß der vorstehenden Formel eine hohe Kapazität.
Für das Training eines vorwärtsgekoppelten Netzes ist eine Vielzahl von Verfahren wie beispielsweise das Backpropagation-Training, das ein Gradientenverfahren zur Minimierung der Fehlerfunktion nutzt, entwickelt worden. Bei dem Gradientenverfahren wird ein Gradient der Fehlerfunktion mit Bezug auf die Gewichtsfunktion w berechnet, wobei die Gewichtsfunktion auf der Grundlage des Gradienten aktualisiert wird:
Wneu = Walt + Γ E(w),
wobei Γ die Größe des Korrekturschritts bestimmt.
Für die Erfindung ist es als solches nicht wesentlich, welches Trainingsverfahren verwendet wird, nachdem die Anfangswerte eingestellt worden sind. Weitere mögliche Trainingsverfahren sind in den Quellen R. Battiti: Accelerated backpropagation learning: Two optimization methods, Complex Systems 3, Seiten 331-342, 1989, Poggio, Girosi: A theory of networks for approximation and learning, MIT Memo Nr.: 1140, 1989 und J. F. Shepanski: Fast learning in Artificial Neural Systems: Multilayer perception training using optimal estimation, ICNN, 1988 offenbart.
Das Training eines neuronalen Netzes wird typischerweise durch eine Einstellung von Zufallswerten für Gewichtskoeffizienten begonnen, wobei die Werte daraufhin zu den richtigen Werten hin trainiert werden. Das Verfahren gemäß der Erfindung nutzt eine Informationen wie zum Beispiel Kanalparameter angebende adaptive Vorstufe, wobei durch die Informationen der realen Situation besser entsprechende Anfangswerte für die Gewichtskoeffizienten eingestellt werden können und auf diese Art und Weise das tatsächliche Training beträchtlich beschleunigt werden kann. Dies entspricht der vorher in Verbindung mit VQNN-Netzen beschriebenen Situation, in der Anfangswerte für die Codevektoren eingestellt wurden.
Unter Verwendung des vorher dargestellten Netzes mit zwei Schichten als ein Beispiel ist es ebenfalls möglich, die Werte der Gewichtskoeffizientenmatrix W&sub1; zufällig anzugeben und die Matrix W&sub2; zum Beispiel auf die in der vorstehenden Quelle von Shepanski angeführte Art und Weise zu berechnen. Wenn bekannte Eingabewerte X, denen Ausgabewerte Y entsprechen, und bekannte Zielwerte T verwendet werden, ist eine Minimierung
T - Y = T - f(W&sub2;O&sub1;)
oder alternativ
W&sub2;O&sub1; - f&supmin;¹(T)
notwendig.
Die vorstehenden Gleichungen führen nicht notwendigerweise zu dem gleichen endgültigen Ergebnis. Die Lösung der zweiten Gleichung ist von der Form
W&sub2; = f&supmin;¹(T)O ,
wobei O eine pseudoinverse Matrix von O&sub1; ist. Dieser Ansatz ergibt nicht die optimalen Gewichtsmatrizen, aber er erzeugt im allgemeinen das schnellste Lernen. Es ist ebenfalls möglich, lineare Regressionsverfahren auf jede Gradienteniteration anzuwenden, wenn der Wert der Matrix W&sub1; aktualisiert wird, und W&sub2; mittels der linearen Regression zu aktualisieren.
Ein Weg zur Initialisierung eines Netzes besteht darin, eine bekannte dekorrelierende Erfassungseinrichtung zur Berechnung der Gewichtungskoeffizienten der ersten Netzschicht zu nutzen. Die Gewichtungskoeffizienten der zweiten Schicht können durch das Backpropagation- Verfahren oder durch das Verfahren nach Shepanski berechnet werden. Ferner ist es möglich, die mittels der dekorrelierenden Erfassungseinrichtung erhaltenen Gewichtungskoeffizienten der ersten Schicht durch das Backpropagation-Verfahren zu aktualisieren. Die bekannten Trainingsverfahren des Netzes sind bereits vorher beschrieben worden.
Bei dem Empfangsverfahren gemäß der Erfindung kann das Lernen unter Verwendung bekannter Lernverfahren auf eine neue Art und Weise, die für eine Telekommunikationsanwendung besonders geeignet ist, beträchtlich beschleunigt werden. Das Training eines Netzes wird unter der anfänglichen Annahme, daß das Netz keine Nichtlinearitäten in der verborgenen Schicht umfaßt, ausgeführt. Sobald ausreichend gute Anfangswerte erhalten worden sind, werden die nichtlinearen Elemente der verborgenen Schicht berücksichtigt, und die folgenden Netzschichten werden zum Beispiel rekursiv trainiert. Bei dem Verfahren gemäß der Erfindung kann in jeder Phase eine Trainingsperiode verwendet werden, obwohl ein spezifischer Vorteil der Erfindung darin besteht, daß keine langen Trainingsperioden benötigt werden.
Falls ein Satz von angepaßten Filtern als eine Erfassungseinrichtungsvorstufe verwendet wird, können bei einer CDMA-Anwendung Schätzungen der anfänglichen Gewichtungskoeffizienten mittels der Formel Wi = W&sub0; - I direkt auf die nächsten Schichten abgebildet werden, wobei I sich auf eine Identitätsmatrix mit der gleichen Dimension wie W bezieht. Nach der Initialisierung kann zu dem Entscheidungsrückkopplungstraining übergegangen werden.
Die Fig. 4 veranschaulicht die Struktur einer CDMA- Empfangsvorrichtung gemäß der Erfindung, wobei die Empfangsvorrichtung bei diesem Beispiel eine Basisstationsempfangsvorrichtung ist. Die Erfindung ist jedoch dazu geeignet, jeweils auch in einer Mobilstation verwendet zu werden. Die Empfangsvorrichtung umfaßt eine Antenne 40, durch die ein empfangenes Signal über Funkfrequenzteile 41 zu einer A/D-Wandlungseinrichtung 42 gebracht wird. Das gewandelte Signal wird zu Einrichtungen 43a bis 43d gebracht, die das empfangene Signal vorverarbeiten. Bei einem bevorzugten Ausführungsbeispiel der Erfindung führen die Einrichtungen eine Schätzung von Kanalparametern aus. Die Einrichtungen können zum Beispiel durch RAKE- Empfangsvorrichtungen realisiert sein, wobei jede von ihnen ein von einem Benutzer übertragenes Signal empfängt. Die Empfangsvorrichtung umfaßt zusätzlich eine Steuereinheit 45, die den Betrieb der Vorrichtung steuert. Jede RAKE-Empfangsvorrichtung umfaßt mehrere getrennte Korrelationseinrichtungen, wobei jede von ihnen dazu in der Lage ist, eine Komponente eines auf mehreren Pfaden übertragenen Signals zu empfangen. Diese empfangenen Signalkomponenten werden vorzugsweise in einer RAKE-Empfangsvorrichtung kombiniert. Die Struktur der RAKE-Empfangsvorrichtung ist in der Quelle G. Cooper, C. McGillem: Modern Communications and Spread Spectrum, McGraw-Hill, New York 1986, Abschnitt 12 ausführlicher beschrieben.
Folglich empfängt jede RAKE-Empfangsvorrichtung 43a bis 43d das Signal eines Benutzers (und seine auf mehreren Pfaden übertragenen Komponenten). Von jeder RAKE- Empfangsvorrichtung wird das Signal zu einer adaptiven Erfassungseinrichtung 44 gebracht, die die empfangenen Mehrbenutzersignale unter Nutzung einer adaptiven nichtlinearen Entscheidungsregel und der vorstehend beschriebenen Initialisierungs- und Trainingsverfahren gemäß der Erfindung gleichzeitig erfaßt.
Entsprechend kann die Empfangsvorrichtung der Erfindung auch ohne RAKE-Empfangsvorrichtungen realisiert werden. Die Effizienz des LVQ-Verfahrens und des SOM-Verfahrens ist als solche in einem Mehrpfadfall ausreichend, falls die Dimension der Codevektoren erhöht wird, damit sie der durch eine Impulsantwort verursachten Spreizung entspricht. Dies betrifft auch ein vorwärtsgekoppeltes neuronales Netz.
Es kann auch eine andere lineare oder nichtlineare Wandlung eines empfangenen Signals in der Vorverarbeitungseinrichtung ausgeführt werden, wie beispielsweise eine Multiplikation mit einer dekorrelierenden Matrix, die zu einer Entscheidungsstatistik der dekorrelierenden Erfassungseinrichtung führt.
Obwohl die Erfindung vorstehend mit Bezug auf die Beispiele gemäß den beigefügten Zeichnungen beschrieben ist, ist es offensichtlich, daß die Erfindung nicht auf sie beschränkt ist, sondern im Rahmen der in den beigefügten Patentansprüchen dargelegten erfinderischen Idee auf viele Weisen modifiziert werden kann. Beispielsweise können neuronale Netze unterschiedlicher Typen auf eine gewünschte Art und Weise kaskadenförmig verbunden werden, so daß ein so effizientes Training wie möglich und eine so einfache und gute Entscheidungsregel wie möglich bereitgestellt werden können.

Claims

1. Empfangsverfahren, das bei einem CDMA-System zu verwenden ist, bei dem Signale von mehreren Benutzern aus einem empfangenen Signal gleichzeitig erfaßt werden, wobei ein neuronales Netz (44) zur Erfassung genutzt wird und Parameter einer Erfassungseinrichtung auf der Grundlage des empfangenen Signals überwacht werden, damit sie Signalzuständen des empfangenen Signals besser entsprechen, und wobei der Empfang unter Verwendung einer Mehrstufenempfangsvorrichtung ausgeführt wird und das empfangene Signal vor der Erfassung bei einer adaptiven linearen Vorstufe (43a bis 43d) verarbeitet wird, dadurch gekennzeichnet, daß die adaptive lineare Vorstufe (43a bis 43d) die Einstellung der Parameter für das neuronale Netz (44) überwacht und daß bei jeder Empfangsvorrichtungsstufe ein anderes neuronales Netz verwendet wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die adaptive lineare Vorstufe eine Schätzung von Kanalparametern ausführt.

3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß Vorentscheidungen für das neuronale Netz auf der Grundlage der Kanalparameter berechnet werden.

4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die bei dem neuronalen Netz zu verwendende Entscheidungsregel und ein dafür geeigneter Trainingsalgorithmus auf der Grundlage des empfangenen Signals und der Stufe der Empfangsvorrichtung geändert werden.

5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die bei dem neuronalen Netz zu verwendende Entscheidungsregel und der dafür geeignete Trainingsalgorithmus auf der Grundlage der Kanalparameter initialisiert werden.

6. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Parameter des neuronalen Netzes nach dem Grundsatz der Lernvektorquantisierung überwacht werden.

7. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Parameter des neuronalen Netzes durch eine selbstorganisierende Karte überwacht werden.

8. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Parameter des neuronalen Netzes mittels einer Entscheidungsrückkopplung überwacht werden.

9. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Ausgabe eines nichtlinearen Neurons von dem Abstand zwischen einem das Neuron modellierenden Signalpunkt und einem bei dem Neuroneneingang ankommenden Signal abhängt.

10. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das neuronale Netz mittels eines adaptiven mehrdimensionalen Signalpunktsystems realisiert ist.

11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, daß jeder Punkt des adaptiven Signalpunktsystems eine mögliche Kombination von durch mehrere Benutzer übertragenen Signalen darstellt.

12. Verfahren nach Anspruch 11, dadurch gekennzeichnet, daß ein empfangenes Symbol zu einem Signalpunkt klassifiziert wird, der sich am nächsten bei dem empfangenen Symbol befindet.

13. Verfahren nach Anspruch 12, dadurch gekennzeichnet, daß in zumindest zwei Schritten auf eine derartige Weise nach dem nächsten Signalpunkt gesucht wird, daß in dem ersten Schritt eine suboptimale lineare Entscheidungsregel verwendet wird, durch die die möglichen Signalpunkte verringert werden, und daß in dem verringerten Signalpunktsystem mittels eines optimalen Abstandsmaßes nach dem dem empfangenen Symbol am besten entsprechenden Signalpunkt gesucht wird.

14. CDMA-Mehrstufenempfangsvorrichtung mit einer Antenne (40), Funkfrequenzteilen (41), einer A/D- Wandlungseinrichtung (42), einer adaptiven linearen Vorstufe (43a bis 43d) und einer Erfassungseinrichtung mit einem neuronalen Netz (44), wobei die Erfassungseinrichtung (44) Signale mehrerer Benutzer gleichzeitig erfaßt und zur Korrektur von zur Erfassung zu verwendenden Parametern auf ein empfangenes Signal anspricht (44), damit sie Signalzuständen des empfangenen Signals entsprechen, dadurch gekennzeichnet, daß die lineare Vorstufe (43a bis 43d) zur Überwachung der Einstellung der Parameter für das neuronale Netz (44) ausgelegt ist und daß bei jeder Empfangsvorrichtungsstufe ein anderes neuronales Netz verwendet wird.

15. Empfangsvorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die adaptive lineare Vorstufe (43a bis 43d) eine Schätzung von Kanalparametern ausführt.

16. Empfangsvorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die Empfangsvorrichtung eine Einrichtung (44) zur Überwachung von Parametern einer zur Erfassung zu verwendenden Entscheidungsregel mittels einer selbstorganisierenden Karte umfaßt.

17. Empfangsvorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die Empfangsvorrichtung eine Einrichtung (44) zur Überwachung der Parameter der zur Erfassung zu verwendenden Entscheidungsregel nach dem Grundsatz der Lernvektorquantisierung umfaßt.

18. Empfangsvorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die Empfangsvorrichtung eine Einrichtung (44) zur Überwachung der Parameter der zur Erfassung zu verwendenden Entscheidungsregel mittels einer Entscheidungsrückkopplung umfaßt.