本文在分析最佳检测、解相关检测这几种多用户检测方法的基础上，指出它们都存在计算复杂的问题；提出通过神经网络的方法实现多用户检测的思路，探讨了用单层感知器和前向二层网络实现解相关检测和最佳线性检测、用Hopfield网络实现最佳检测的方法;用 C语言对神经网络和通信系统进行软件仿真，得到各种检测方法的性能曲线，验证了基于人工神经网络的多用户检测方法是可行的。、

本文的主要工作

1.探讨分别通过单层感知器、前向二层网络、Hopfield网络的方法实现多用户检测。人工神经网络模拟人脑的功能，具有一定的学习能力。网络各神经元之间的互连的规律决定了网络的功能特征，某一特定的模式都能根据某一学习规律， 动态修改各处理单元之间连接的权值并存储到神经网络模型中，学习后的神经网络模型能识别新的模式或回忆起过去。

利用单层感知器的联想记忆、能识别受到干扰和背景噪声污染的信号并还原出原本的信号的功能。把接收机的匹配滤波器输出的迭加了多址干扰的信号送入神经网络中，单层感知器即可输出去除了多址干扰的信号，即实现了解相关检测。神经网络事先通过样本数据进行了训练，训练好的网络连接权值与解相关检测中的相关矩阵的逆阵具有良好的对应关系。即线性变换矩阵得到求解。用单层感知器实现最佳线性检测器也是同理，不同的只是最佳线性检测器综合考虑了多址干扰和背景噪声，以达到平均误码率最小，所以用于网络训练的样本信号是同时迭加了多址干扰和背景噪声的信号。

利用前向二层网络的分类功能，把K个用户信号的2K种可能进行分类，经过训练的网络能识别某一时刻 K个用户输出的信号属哪种可能，然后进行译码，即可得所需的结果。前向二层网络也同样可实现解相关和最佳线性检测，只是前向二层网络与单层感知器网络模型不同，用于训练的样本数据结构也不同。同样地， 解相关检测和最佳线性检测的样本数据一个只考虑了多址干扰，一个综合考虑了多址干扰和背景噪声。另外，前向二层网络不象单层感知器的网络连接权值与检测器中的线性变换矩阵有良好的对应关系，但它可作为一个模块代替变换矩阵，实现解相关和最佳线性检测的功能。

最佳检测是通过计算似然函数，选择出最大似然值的信息序列，这是一个优化计算问题，而优化计算是Hopfield网络的特长。所以可把多用户检测的优化问题映射为Hopfield神经网络 (HNN)能量函数最小化问题，利用HNN固有的快速下降特性，实现实时对CDMA系统的多用户检测。

2.用C语言编程软件实现单层感知器和前向二层网络，编程产生不同的样本数据文件，训练神经网络，存储网络的结构和连接权值;用软件模拟通信系统，产生随机信号、多址干扰、高斯噪声，对接收信号进行判决，计算出传统检测、基于单层感知器的解相关和最佳线性检测、基于前向二层网络的解相关和最佳线J胜检测的几种情况下的误码率曲线，并讨论运用于多用户检测的神经网络的特点。

3.探讨用DSP器件实现基于神经网络的多用户检测的方法。由于数字技术广泛应用于通信领域，数字调制、数字解调、谱估计等等都可以用 DSP器件软件实现。本文用 DSP的汇编语言编程实现基于神经网络的多用户检测的程序，可以作为CDMA系统接收机信号处理程序中的一个子模块。