针对集中式多用户多天线认知无线电网络，提出一种基于自适应空间映射的频谱共享策略，根据授权用户接入的随机性所带来的频谱和空间资源占用情况的变化，认知系统将发射信号自适应地映射在认知基站与授权用户之间信道的子空间上，避免或抑制系统间干扰，从而在保证授权用户通信质量的前提下，为认知用户提供通信机会，并且在认知系统内部利用块对角化和奇异值分解方法分离不同认知用户的信号，消除系统内干扰。性能分析和仿真结果表明，与已有的频谱共享方法相比较，该策略不仅具有更高的认知系统可达和速率，并且对于由不同授权系统负载情况形成的不同场景具有更强的鲁棒性。

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行，逼近y=sin(t)函数效果不错。

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行，逼近y=sin(t)函数效果不错。

多输入多输出的不确定系统性能分析以及配套simulink仿真，将代码、仿真以及理论分析结合起来，是一个完整的案例，易学习。

论文介绍MIMO-OFDM系统中几种基于导频的信道估计方法。首先研究了单天线OFDM系统的信道估计算法。一方面重点关注三种估计准则的原理，仿真表明LMMSE准则具有最佳的性能；另一方面介绍了几种插值的方法用来恢复非导频处的信道信息。然后研究了发射分集OFDM系统的信道估计，重点分析了三种导频的设计方案。仿真表明，使用最佳训练序列可以达到最优的性能，同时占用的资源少，但是复杂度很高。 关键词：无线移动通信；正交频分复用；多输入多输出；信道估计；最小均方误差；最佳训练序

模糊神经 超详细注释 可实现多输入多输出 模糊神经 超详细注释 可实现多输入多输出 模糊神经 超详细注释 可实现多输入多输出

在LTE系统中通常采用多输入、多输出技术，主要原因是它能够使系统的信道容量得到明显提高，通过MIMO技术在LTE的下行链路中就能够实现。但是，在用终端只安装了一根天线，此时在LTE系统中无法运用传统的MIMO技术。综上所述，为了大幅度的提升上行链路的容量，必须把几个用户联合起来组成虚拟MIMO。用户配对算法性能的高低直接影响着虚拟MIMO系统的性能。本文主要对LTE系统中的虚拟MIMO用户配对算法进行研究。 本文主要做了如下工作：首先研究了LET系统上行虚拟MIMO系统的模型，重点介绍了该系统的主要技术。接着对常用的几种类型的用户配对算法进行了分析，并利用软件对它们做了仿真。在此基础上提出一种基于正交缺陷度的用户配对算法的新型配对算法。为了简化计算，进一步提出一种次优的基于正交缺陷度的用户配对算法。最后对本文所涉及的几种配对算法进行仿真分析，通过比较仿真结果可以发现，与传统的算法相比，基于正交缺陷度的用户配对算法在性能上得到较大的提升，而次优的基于正交缺陷度的用户配对算法虽然性能不及前者，但其计算简便，应用前景光明。

MIMO的经典书籍，剑桥大学出版社的，对STBC，VBLAST，MIMO信道有详细的介绍，是研究MIMO不可多得的一本好的书籍！

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行，逼近y=sin(t)函数效果不错。

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行，逼近y=sin(t)函数效果不错。