CN102035610A - 基于初始状态向量控制的全反馈神经网络盲检测方法 - Google Patents

基于初始状态向量控制的全反馈神经网络盲检测方法 Download PDF

Info

Publication number
CN102035610A
CN102035610A CN2010105890073A CN201010589007A CN102035610A CN 102035610 A CN102035610 A CN 102035610A CN 2010105890073 A CN2010105890073 A CN 2010105890073A CN 201010589007 A CN201010589007 A CN 201010589007A CN 102035610 A CN102035610 A CN 102035610A
Authority
CN
China
Prior art keywords
matrix
vector
initial state
signal
state vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2010105890073A
Other languages
English (en)
Other versions
CN102035610B (zh
Inventor
张志涌
阮秀凯
张昀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201010589007.3A priority Critical patent/CN102035610B/zh
Publication of CN102035610A publication Critical patent/CN102035610A/zh
Application granted granted Critical
Publication of CN102035610B publication Critical patent/CN102035610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明公开了一种基于初始状态向量控制的全反馈神经网络盲检测方法。在全反馈神经网络中使用该方法可有效加快算法的收敛速度,避开伪平衡点的吸引域,可一定程度提高算法检测性能。该方法通过接收信号矩阵的奇异值分解的值空间矩阵重构一个新矩阵,并计算该新矩阵的各列指标量最小的对应向量作为初始状态向量,并记录盲检测时的伪平衡点向量,进而从新矩阵中向量中寻找一组列向量,使得该基向量与伪平衡点间的欧氏距离大于伪平衡点吸引域半径,从而使得算法快速收敛。

Description

基于初始状态向量控制的全反馈神经网络盲检测方法
技术领域
本发明涉及无线通信信号处理领域及神经网络领域,尤其是涉及无线通信网络的接收系统的信号盲检测领域。
背景技术
近年,无线通讯技术迅猛发展和多种通讯标准/概念的提出,使得信号传输速率的极大提高及无线传输信道的时变特性增强,这必然对盲检测技术提出了更为严格的技术要求,如:信道的快速时变特性,要求盲检测算法需要具有仅使用较短的数据块就能够有效消除符号间干扰(Inter SymbolInterference,ISI);调制方式的多样化和星座密集化使得盲检测算法的适用性和自适应能力急需增强;为减少能耗和系统开销,就要求算法的运算负担减轻的同时收敛速度需要加快等等
全反馈网络实现通信信号盲检测可有效解决二值和多值信号盲检测的问题,但是随机设置网络初始状态向量,将使得算法容易陷入伪平衡点,且算法收敛速度过慢,盲检测性能也受到了限制。设计一种全反馈神经网络盲检测通信信号的初始状态向量方法,借以在全反馈神经网络中使用方法,加快算法的收敛速度,避开伪平衡点的吸引域,提高算法检测性能的任务迫切。
发明内容
技术问题:本发明的目的是针对全反馈神经网络(即Hopfield神经网络)信号盲检测,设计一种基于初始状态向量控制的全反馈神经网络盲检测方法,旨在为无线通信网的全反馈网络的信号盲检测加快算法的收敛速度,避开伪平衡点的吸引域,提高算法检测性能。
技术方案:本发明的基于初始状态向量控制的全反馈神经网络盲检测方法,在全反馈神经网络中使用方法可有效加快算法的收敛速度,避开伪平衡点的吸引域,可一定程度提高算法检测性能。该方法通过接收信号矩阵的奇异值分解的值空间矩阵重构一个新矩阵,并计算该新矩阵的各列指标量最小的对应向量作为初始状态向量,并记录盲检测时的伪平衡点向量,进而从新矩阵中向量中寻找一组列向量,使得该基向量与伪平衡点间的欧氏距离大于伪平衡点吸引域半径,重新进入网络反馈过程。
通过控制迭代过程中的初始状态向量,使得该基向量与伪平衡点间的欧氏距离大于伪平衡点吸引域半径,采用离散型全反馈神经网络动力学方程进行迭代,从而加快算法收敛速度;该方法具体步骤如下:
⑤.接收数据矩阵构造
接收端接获得连续时间信道的接收方程:
XN=SГH
式中,S=[sL+P(t),…,sL+P(t+N-1)]T=[sN(t),…,sN(t-P-L)]N×(L+P+1)是发送信号阵,P为信道阶数,L为均衡器阶数,t为时间,N为所需数据长度;sL+P(t)=[s(t),…,s(t-L-P)]T;s属于集合A,A为任意调制信号数字星座图的实部和虚部的幅度集合,Г是由hjj,jj=0,1,…,P构成的块Toeplitz矩阵,hjj=[h0,…,hP]q×(P+1)是信道冲激响应;q是过采样因子;(·)H表示共轭转置;(·)T表示转置;(XN)N×(L+1)q=[xL(t),…,xL(t+N-1)]T是接收数据阵,其中xL(t)=Г·sL+P(t);
⑥.将接收数据矩阵进行奇异值分解获得值空间和零空间向量
X N = [ U , U c ] · D 0 · V H
这里U是奇异值分解中的酉基阵;0是零矩阵,V和Uc是酉基阵;D是奇异值阵;
⑦.由于复数连续全反馈神经网络能量函数的平衡点就是优化问题对应的极值点,
将检测信号的优化问题映射到能量函数,根据零空间构造性能函数与优化问题
Figure BSA00000386322800022
构造权矩阵W=1.1(I-Q),其中,
Figure BSA00000386322800024
表示信号的估计值,其每个元素都属于星座点其所属字符集;
Figure BSA00000386322800025
I为单位阵;
⑧.初始状态向量设置与网络运行
记U:=[u1,u2,…,ur]N×r,uj为列向量,j=1,2,…r,r=L+P+1为列向量总数,迭代总数为n,设置放大因子α<8,
步骤一:首轮网络运行迭代,初始状态设置步骤如下;
1)计算值空间矩阵U中每列元素绝对值的最大值βj,j=1,2,…r;
2)构造
Figure BSA00000386322800026
3)计算Uz=f(Ug),这里f(Ug)是由f(v)=fix(v/2)+sign(v)所构成的算子,v表示自变量,这里fix(·)表示向原点取整,sign(·)为符号函数;
4)记Uz=[uz1,uz2,…,uzr],uzj为列向量,j=1,2,…r;计算指标量
Figure BSA00000386322800031
diag(·)为取矩阵对角元运算,取Cz中最小值所对应的列向量作为初始向量;
步骤二:若采用统一的离散型全反馈神经网络动力学方程,将时间离散化s(k+1)=sR(k+1)+i·sI(k+1)=(Wf(s(k)))R+i·(Wf(s(k)))I进行迭代;这里i为虚数单位,k表示迭代次数,f(·)为非线性激活函数算子,(·)R和(·)I分别为取实部和虚部运算;若k<n且此时s(k+1)=s(k),则退出迭代,算法结束,此时得到的信号就是待检测的原始发送信号;若k=n,且此时s(k+1)≠s(k),若Uz中仍有剩余列向量可参与新一轮迭代计算,则存储s(k),记为s*,计算s0与s*的欧式距离d*,进入步骤三,否则结束;
步骤三:分别计算Uz矩阵中未参与过迭代计算的剩余列向量与s*之间的欧式距离,剔除值小于d*的对应列向量,并将大于d*的值按升序排列成向量d=[d1,d2,…,dm],将d中最小值所对应的Uz矩阵中剩余列向量作为新的初始状态向量网络重新进入迭代。
在全反馈神经网络中使用方法可有效加快算法的收敛速度,避开伪平衡点的吸引域,可一定程度提高算法检测性能。该方法以接收信号矩阵的奇异值分解的值空间基向量作为初始条件,并记录失败反馈时的伪平衡点向量,进而从值空间基向量中寻找一组新基向量,使得该基向量与伪平衡点间的汉明距离大于伪平衡点吸引域半径,重新进入网络反馈过程。
有益效果:本发明的目的是针对通信系统中的复数连续全反馈神经网络(即Hopfield神经网络)的信号盲检测的初始状态向量设置方法,在全反馈神经网络中使用方法可有效加快算法的收敛速度,避开伪平衡点的吸引域,可一定程度提高算法检测性能。
图1、图2,图3和图4分别为采用本发明的初始状态向量情况下与随机设置初始状态向量时的性能和运算量对比,从图可以看出,本发明有效提高的运算速度的同时提高的盲检测性能。
附图说明
图1本发明在16-QAM信号前提下与随机设置初始状态向量时候的全反馈网络盲检测性能的对比。
图2本发明在64-QAM信号前提下与随机设置初始状态向量时候的全反馈网络盲检测性能的对比。
图3本发明分别在16-QAM和64-QAM信号前提下与随机设置初始状态向量时的全反馈网络盲检测单次试验运算速度对比。
具体实施方式
在详细说明之前,首先定义系统中使用的一些名词、符号以及公式:
P:信道阶数
L:均衡器阶数
N:本方案算法所需数据长度
q:过采样因子
(·)H:Hermitian转置
(·)T:矩阵转置
下面结合附图进一步详细说明本发明的思想。
定义1忽略噪声时,离散时间信道的接收方程定义如下
XN=SГH        (1)
其中,发送信号阵S=[sL+P(t),…,sL+P(t+N-1)]T=[sN(t),…,sN(t-P-L)]N×(L+P+1),sL+P(t)=[s(t),…,s(t-L-P)]T;Г是由hjj,jj=0,1,…,P构成的块Toeplitz矩阵,[h0,…,hP]q×(P+1)是信道冲激响应,接收数据阵为(XN)N×(L+1)q=[xL(t),…,xL(t+N-1)]T,xL(t)=Г·sL+P(t)。
定义2对于式(1),Г满列秩时,构造性能函数及优化问题
J 0 = s N H ( t - d ) Qs N ( t - d ) = s H Qs - - - ( 2 )
s ^ = arg min s ^ ∈ A N { J 0 } - - - ( 3 )
其中,中,s是由元素s=sR+i·sI组成的N维复向量,A,B分别表示元素实部sR和虚部sI的所属字符集,如对于16-QAM,有A=B={±1,±3},对于8-QAM,则有A={±1,±3},B={±1}。
Figure BSA00000386322800051
表示信号的估计值。
Г满列秩时,一定有
Figure BSA00000386322800052
满足QsN(t-d)=0。d=0,…,K+L,且(Uc)N×(N-(L+K+1))是奇异值分解中的酉基阵。如此,盲检测问题就成为了式(3)的全局最优解问题。
①.全反馈网络信号盲检测配置
考虑具有N个互连接的Hopfield网络。忽略神经元内部传播时间延迟,定义u:=[u1,u2,…,uN]T∈CN,神经元输出向量s:=[s1,s2,…,sN]T∈CN,激活函数矩阵f(u):=[f(u1),f(u2),…,f(uN)]T∈CN,RC电路矩阵
Figure BSA00000386322800054
连接权矩阵且有WH=W。
Hopfield网络模型,针对通信系统的盲检测问题,记非线性激活函数算子为f(·),信号实部和虚部分别记作(·)R和(·)I,将系统时间离散化
进而写出时间离散化网络的动态方程为
s(k+1)=sR(k+1)+i·sI(k+1)=(Wf(s(k)))R+i·(Wf(s(k)))I
采用如下能量函数形式
E ( s ( k ) ) : = - 1 2 s ( k ) H Ws ( k ) + Σ j = 1 N 1 τ j G ( s j R ( k ) , s j I ( k ) )
G ( s j R ( t ) , s j I ( t ) ) = ∫ 0 s j R ( t ) g R ( ξ , 0 ) dξ + ∫ 0 s j I ( t ) g I ( 0 , ζ ) dζ
其中gR(ξ,0)和gI(0,ζ)表示复激活函数实部和虚部的逆函数。
②.权矩阵配置
由于复数连续全反馈神经网络能量函数的平衡点就是优化问题对应的极值点,将检测信号的优化问题映射到能量函数,可设置权矩阵W=1.1(I-Q);
③.初始状态向量设置与网络运行
记U:=[u1,u2,…,ur]N×r,uj,j=1,2,…r为列向量,r为列向量总数,迭代总数为n,设置放大因子α<8
(步骤一)首轮网络运行迭代,初始状态设置步骤如下;
(1)计算值空间矩阵U中每列元素绝对值的最大值βj,j=1,2,…r;
(2)构造
Figure BSA00000386322800061
(3)计算Uz=f(Ug),这里f(Ug)是由f(v)=fix(v/2)+sign(v)所构成的算子,v表示自变量,这里fix(·)表示向原点取整,sign(·)为符号函数。
(4)记Uz=[uz1,uz2,…,uzr],计算指标量
Figure BSA00000386322800062
diag(·)为取矩阵对角元运算,取Cz中最小值所对应的列向量作为初始向量。
(步骤二)若采用统一的离散型全反馈神经网络动力学方程,将时间离散化s(k+1)=sR(k+1)+i·sI(k+1)=(Wf(s(k)))R+i·(Wf(s(k)))I进行迭代,若k<n且此时s(k+1)=s(k),则退出迭代,算法结束,此时得到的信号就是待检测的原始发送信号。若k=n,且此时s(k+1)≠s(k),若仍有剩余基向量可参与新一轮迭代计算,则存储s(k),记为s*,计算s0与s*的汉明距离d*,进入步骤三,否则算法结束;
(步骤三)分别计算V矩阵中未参与过迭代计算的剩余基向量与s*之间的汉明距离,剔除值小于d*的对应基向量,并将大于d*的值按升序排列成向量d=[d1,d2,…,dm],将d中最小值所对应的V矩阵中剩余基向量作为新的初始状态向量,回到步骤二。
图1和图2分别是本发明在16-QAM和64-QAM信号前提下与随机设置初始状态向量时候的全反馈网络盲检测性能对比。图3是本发明分别在16-QAM和64-QAM信号前提下与随机设置初始状态向量时的全反馈网络盲检测性能运算速度对比。
下面分别以16-QAM和64-QAM调制信号举例说明,具体步骤如下:
①.设置试验参数:采用
Figure BSA00000386322800071
经过采样的多径合成复信道。其中:
Figure BSA00000386322800073
分别是滚降因子α=0.1,延迟因子
Figure BSA00000386322800074
Figure BSA00000386322800075
随机产生的升余弦脉冲响应,整个脉冲的长度为6个基带采样周期;
Figure BSA00000386322800076
Figure BSA00000386322800077
是在(0,1)区间均匀分布的随机权系数。均衡器阶数L=8,过采样因子/接收天线个数q=4,信号传播多径数NL=5,τj=20,j=1,2…N,λ=80,对于16-QAM数据长度设置N=500;对于64QAM数据长度设置N=1000;平均比特误码率(Bit Error Rate,BER)曲线均通过200次Monte Carlo独立试验获得。
②.接收数据矩阵构造
接收端接获得连续时间信道的接收方程:
XN=SГH
式中,S=[sL+P(t),…,sL+P(t+N-1)]T=[sN(t),…,sN(t-P-L)]N×(L+P+1)是发送信号阵,Г是由hjj,jj=0,1,…,P构成的块Toeplitz矩阵,hjj=[h0,…,hP]q×(P+1)是信道冲激响应;
③.通过奇异值分解获得值空间和零空间向量
X N = [ U , U c ] · D 0 · V H
④.构造性能函数与优化问题
Figure BSA00000386322800079
Figure BSA000003863228000710
其中,表示信号的估计值,
⑤.权矩阵配置
由于复数连续全反馈神经网络能量函数的平衡点就是优化问题对应的极值点,将检测信号的优化问题映射到能量函数,设置权矩阵W=1.1(I-Q);
⑥.初始状态向量设置与网络运行
记U:=[u1,u2,…,ur]N×r,uj为列向量,j=1,2,…r,r=L+P+1为列向量总数,迭代总数为n,设置放大因子α<8
(步骤一)首轮网络运行迭代,初始状态设置步骤如下;
(1)计算值空间矩阵U中每列元素绝对值的最大值βj,j=1,2,…r;
(2)构造
(3)计算Uz=f(Ug),这里f(Ug)是由f(v)=fx(v/2)+sign(v)所构成的算子,v表示自变量,这里fx(·)表示向原点取整,sign(·)为符号函数。
(4)记Uz=[uz1,uz2,…,uzr],uzj为列向量,j=1,2,…r。计算指标量
Figure BSA00000386322800082
diag(·)为取矩阵对角元运算,取Cz中最小值所对应的列向量作为初始向量。
(步骤二)若采用统一的离散型全反馈神经网络动力学方程,将时间离散化s(k+1)=sR(k+1)+i·sI(k+1)=(Wf(s(k)))R+i·(Wf(s(k)))I进行迭代,若k<n且此时s(k+1)=s(k),则退出迭代,算法结束,此时得到的信号就是待检测的原始发送信号。若k=n,且此时s(k+1)≠s(k),若仍有剩余基向量可参与新一轮迭代计算,则存储s(k),记为s*,计算s0与s*的汉明距离d*,进入步骤三,否则算法结束。
(步骤三)分别计算V矩阵中未参与过迭代计算的剩余基向量与s*之间的汉明距离,剔除小于d*的值所对应的基向量,并将大于d*的值按升序排列成向量d=[d1,d2,…,dm],将d中最小值所对应的V矩阵中剩余基向量作为新的初始状态向量,回到步骤二。
试验结果见图1,图2和图3。

Claims (1)

1.一种基于初始状态向量控制的全反馈神经网络盲检测方法,其特征是通过控制迭代过程中的初始状态向量,使得该向量与伪平衡点间的欧氏距离大于伪平衡点吸引域半径,采用离散型全反馈神经网络动力学方程进行迭代,从而加快算法收敛速度;该方法具体步骤如下:
①.接收数据矩阵构造
接收端接获得连续时间信道的接收方程:
XN=SГH
式中,S=[sL+P(t),…,sL+P(t+N-1)]T=[sN(t),…,sN(t-P-L)]N×(L+P+1)是发送信号阵,P为信道阶数,L为均衡器阶数,t为时间,N为所需数据长度;
sL+P(t)=[s(t),…,s(t-L-P)]T;s属于集合A,A为任意调制信号数字星座图的实部和虚部的幅度集合,Г是由hjj,jj=0,1,…,P构成的块Toeplitz矩阵,hjj=[h0,…,hP]q×(P+1)是信道冲激响应;q是过采样因子;(·)H表示共轭转置;(·)T表示转置;(XN)N×(L+1)q=[xL(t),…,xL(t+N-1)]T是接收数据阵,其中xL(t)=Г·sL+P(t);
②.将接收数据矩阵进行奇异值分解获得值空间和零空间向量
X N = [ U , U c ] · D 0 · V H
这里U是奇异值分解中的酉基阵;0是零矩阵,V和Uc是酉基阵;D是奇异值阵;
③.由于复数连续全反馈神经网络能量函数的平衡点就是优化问题对应的极值点,
将检测信号的优化问题映射到能量函数,根据零空间构造性能函数与优化问题
Figure FSA00000386322700012
构造权矩阵W=1.1(I-Q),其中,
Figure FSA00000386322700014
表示信号的估计值,其每个元素都属于星座点其所属字符集;
Figure FSA00000386322700015
I为单位阵;
④.初始状态向量设置与网络运行
记U:=[u1,u2,…,ur]N×r,uj为列向量,j=1,2,…r,r=L+P+1为列向量总数,迭代总数为n,设置放大因子α<8,
步骤一:首轮网络运行迭代,初始状态设置步骤如下;
1)计算值空间矩阵U中每列元素绝对值的最大值βj,j=1,2,…r;
2)构造
Figure FSA00000386322700021
3)计算Uz=f(Ug),这里f(Ug)是由f(v)=fix(v/2)+sign(v)所构成的算子,v表示自变量,这里fix(·)表示向原点取整,sign(·)为符号函数;
4)记Uz=[uz1,uz2,…,uzr],uzj为列向量,j=1、2,…r;计算指标量diag(·)为取矩阵对角元运算,取Cz中最小值所对应的列向量作为初始向量;
步骤二:若采用统一的离散型全反馈神经网络动力学方程,将时间离散化s(k+1)=sR(k+1)+i·sI(k+1)=(Wf(s(k)))R+i·(Wf(s(k)))I进行迭代;这里i为虚数单位,k表示迭代次数,f(·)为非线性激活函数算子,(·)R和(·)I分别为取实部和虚部运算;若k<n且此时s(k+1)=s(k),则退出迭代,算法结束,此时得到的信号就是待检测的原始发送信号;若k=n,且此时s(k+1)≠s(k),若Uz中仍有剩余列向量可参与新一轮迭代计算,则存储s(k),记为s*,计算s0与s*的欧式距离d*,进入步骤三,否则结束;
步骤三:分别计算Uz矩阵中未参与过迭代计算的剩余列向量与s*之间的欧式距离,剔除值小于d*的对应列向量,并将大于d*的值按升序排列成向量d=[d1,d2,…,dm],将d中最小值所对应的Uz矩阵中剩余列向量作为新的初始状态向量网络重新进入迭代。
CN201010589007.3A 2010-12-15 2010-12-15 基于初始状态向量控制的全反馈神经网络盲检测方法 Active CN102035610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201010589007.3A CN102035610B (zh) 2010-12-15 2010-12-15 基于初始状态向量控制的全反馈神经网络盲检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010589007.3A CN102035610B (zh) 2010-12-15 2010-12-15 基于初始状态向量控制的全反馈神经网络盲检测方法

Publications (2)

Publication Number Publication Date
CN102035610A true CN102035610A (zh) 2011-04-27
CN102035610B CN102035610B (zh) 2014-07-16

Family

ID=43888001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010589007.3A Active CN102035610B (zh) 2010-12-15 2010-12-15 基于初始状态向量控制的全反馈神经网络盲检测方法

Country Status (1)

Country Link
CN (1) CN102035610B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023839A (zh) * 2012-12-04 2013-04-03 温州大学 基于输出反馈偏置型复连续反馈神经网络结构的无线光通信系统盲均衡方法
CN103916344A (zh) * 2014-03-07 2014-07-09 南京邮电大学 无线传感网虚拟多输入多输出系统信号盲检测方法
CN106101035A (zh) * 2016-06-01 2016-11-09 四川东鼎里智信息技术有限责任公司 全反馈神经网络的信号盲检测方法
CN113095354A (zh) * 2021-03-03 2021-07-09 电子科技大学 基于辐射源特征子空间知识的未知雷达目标识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008086044A1 (en) * 2007-01-13 2008-07-17 Yi Sun Local maximum likelihood detection in a communication system
CN101719885A (zh) * 2009-11-27 2010-06-02 南京邮电大学 基于离散全反馈神经网络的多电平信号盲检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008086044A1 (en) * 2007-01-13 2008-07-17 Yi Sun Local maximum likelihood detection in a communication system
CN101719885A (zh) * 2009-11-27 2010-06-02 南京邮电大学 基于离散全反馈神经网络的多电平信号盲检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023839A (zh) * 2012-12-04 2013-04-03 温州大学 基于输出反馈偏置型复连续反馈神经网络结构的无线光通信系统盲均衡方法
CN103023839B (zh) * 2012-12-04 2016-12-28 温州大学 基于输出反馈偏置型复连续反馈神经网络结构的无线光通信系统盲均衡方法
CN103916344A (zh) * 2014-03-07 2014-07-09 南京邮电大学 无线传感网虚拟多输入多输出系统信号盲检测方法
CN103916344B (zh) * 2014-03-07 2017-03-08 南京邮电大学 无线传感网虚拟多输入多输出系统信号盲检测方法
CN106101035A (zh) * 2016-06-01 2016-11-09 四川东鼎里智信息技术有限责任公司 全反馈神经网络的信号盲检测方法
CN106101035B (zh) * 2016-06-01 2019-04-02 四川东鼎里智信息技术有限责任公司 全反馈神经网络的信号盲检测方法
CN113095354A (zh) * 2021-03-03 2021-07-09 电子科技大学 基于辐射源特征子空间知识的未知雷达目标识别方法

Also Published As

Publication number Publication date
CN102035610B (zh) 2014-07-16

Similar Documents

Publication Publication Date Title
CN102035609B (zh) 基于复数连续全反馈神经网络的信号盲检测方法
CN102123115A (zh) 基于粒子群优化的正交小波盲均衡方法
Qin et al. Bayesian iterative channel estimation and turbo equalization for multiple-input–multiple-output underwater acoustic communications
CN102035610B (zh) 基于初始状态向量控制的全反馈神经网络盲检测方法
CN114785384B (zh) 智能超表面辅助大规模mimo相关信道的容量分析与优化方法
CN101272188B (zh) 相干通信技术的快速自优化自适应信号处理方法及装置
CN101656697B (zh) 基于t/2分数间隔的频域盲均衡方法
Peel et al. Effective SNR for space-time modulation over a time-varying Rician channel
Gogoi et al. Channel estimation technique for STBC coded MIMO system with multiple ANN blocks
Huttunen et al. DeepTx: Deep learning beamforming with channel prediction
CN101651643B (zh) 基于空间分集的小波神经网络盲均衡方法
Sun et al. SVR based blind signal recovery for convolutive MIMO systems with high-order QAM signals
CN101656696A (zh) 基于联合合并时空分集频域小波盲均衡方法
CN102035769B (zh) 基于复数离散全反馈神经网络的相移键控信号盲检测方法
CN101494625A (zh) 一种线性均衡方法及线性均衡器
KR102355383B1 (ko) Massive MIMO 시스템에서 고 신뢰도를 위한 딥러닝 기반 신호 검출 기법
CN103117969A (zh) 一种分数低阶统计量模值变换小波频域多模盲均衡方法
Gogoi et al. Recurrent neural network based channel estimation technique for stbc coded mimo system over rayleigh fading channel
Wang et al. Multiple shift SBR2 algorithm for calculating the SVD of broadband optical MIMO systems
CN108768904B (zh) 基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法
Cao et al. Adaptive signal detection method based on model-driven for massive MIMO systems
Liao et al. Channel estimation based on echo state networks in wireless mimo systems
CN102185808B (zh) 一种快速收敛的免疫克隆正交小波变换盲均衡方法
Toker et al. Joint transceiver design for MIMO channel shortening
Saxena et al. Channel estimation scheme for MIMO communication using generalized Cholesky decomposition and back substitution methods

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20110427

Assignee: Jiangsu Nanyou IOT Technology Park Ltd.

Assignor: Nanjing Post & Telecommunication Univ.

Contract record no.: 2016320000212

Denomination of invention: Initial state vector control-based full-feedback neural network blind detection method

Granted publication date: 20140716

License type: Common License

Record date: 20161118

LICC Enforcement, change and cancellation of record of contracts on the licence for exploitation of a patent or utility model
EC01 Cancellation of recordation of patent licensing contract

Assignee: Jiangsu Nanyou IOT Technology Park Ltd.

Assignor: Nanjing Post & Telecommunication Univ.

Contract record no.: 2016320000212

Date of cancellation: 20180116

EC01 Cancellation of recordation of patent licensing contract