CN108574653A - 基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法 - Google Patents

Abstract

本发明公开了基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，包括如下步骤：步骤SS1：构造接收数据矩阵X_N；步骤SS2：对所述接收数据矩阵X_N进行奇异值分解；步骤SS3：设置权矩阵W；步骤SS4：选择双Sigmoid迟滞混沌神经网络的激活函数，进行双Sigmoid迟滞混沌神经网络迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束。本发明首次利用双Sigmoid混沌神经网络和迟滞噪声构成了一个双Sigmoid迟滞噪声混沌神经网络，增强了网络的优化性能，提高了网络优化解的质量，本发明的抗噪性能和收敛速度优于传统的Hopfield信号盲检测算法。

Description

基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法

技术领域

本发明涉及基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，属于无线通信信号处理及神经网络技术领域。

背景技术

数据通信和无线传感网技术的迅猛发展，对通信信号的盲检测(BlindDetection)提出了更高的要求。所谓盲检测是指仅利用接受信号本身便能够检测出发送信号，从而消除信号间干扰(ISI)以提高信息传输速率和可靠性。

为解决改善遗传、蚁群、免疫、微粒群等多种智能算法引起的信号传输质量差和抗干扰能力差的问题，许多文献开始使用Hopfield神经网络对信号盲检测问题进行研究。Hopfield神经网络(Hopfield Neural Networks,HNN)盲检测算法不受信道是否含公零点的限制，且所需发送数据更短，与二阶统计量盲算法和高阶统计量盲算法相比，更能满足现代通信系统中高速数据传输的要求。文献[张昀，现代通信系统与通信信号处理[PhD]，博士学位论文(南京：南京邮电大学)，2012.]基于HNN的盲检测算法研究已有初步成效，证明了网络趋向稳定平衡的充要条件。文献[Yang S,Lee C M,HBP:improvement in BPalgorithm for an adaptive MLP decision feedback equalizer[J].IEEETransactions on Circuits and System,2006,53(3):240-244]指出HNN算法往往会陷入局部极小点。文献[M Martín-Valdivia,A Ruiz-Sepúlveda,F Triguero-Ruiz,Improvinglocal minima of Hopfield networks with augmented Lagrange multipliers forlarge scale TSPs[J].Neural Networks,2000,13(3):283-285]为解决局部极小点问题，在算法流程中，需在判断算法陷入局部极小值后，另行选择不同的起点，以得到全局最优点。文献[Luonan Chen,Kazuyuki Aihara,Chaotic simulated annealing by a neuralnetwork model with transient chaos[J].Neural Networks,1995，8(6):915–930]指出，混沌神经网络(Transiently Chaotic Hopfield Neural Network,TCHNN)可以避免陷入局部最优。然而，TCHNN具有负的自耦合，会导致能量函数的收敛速度变慢。针对这一问题，本发明提出了一种基于双Sigmoid迟滞混沌神经网络的信号盲检测算法，在迟滞混沌神经网络的基础之上引入随机噪声，使网络具有随机混沌模拟退火特性，给出分段随机模拟退火策略加快算法收敛速度，DS-HNCNN算法进一步改善了算法的抗干扰能力并进一步提升了盲检测算法的性能。

发明内容

本发明所要解决的技术问题是为了改善现有技术的缺陷和不足，提供基于双Sigmoid迟滞混沌神经网络的盲检测算法。本发明算法在迟滞混沌神经网络的基础上引入随机噪声扰动，给出分段随机模拟退火策略加快算法收敛速度，DS-HNCNN算法进一步改善了算法的抗干扰能力并进一步提升了盲检测算法的性能。该网络旨在为无线通信网的全反馈网络的信号盲检测提供一种避免了陷于局部最优解的算法且收敛速度极快，为无线通信网提供了准确且快速的盲检测方法。

本发明采用如下技术方案：基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，包括如下步骤：

步骤SS1：构造接收数据矩阵X_N；

步骤SS2：对所述接收数据矩阵X_N进行奇异值分解；

步骤SS3：设置权矩阵W；

步骤SS4：选择双Sigmoid迟滞混沌神经网络的激活函数，进行双Sigmoid迟滞混沌神经网络迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束。

作为一种较佳的实施例，所述步骤SS1具体包括：接收端接收单个用户发送信号，经过过采样，获得离散时间信道的接收方程：

X_N＝SΓ^T

式中，X_N是接收数据矩阵，S是发送信号矩阵，Γ是由信道冲激响h_jj构成的块Toeplitz矩阵；(·)^T表示矩阵转置。

作为一种较佳的实施例，所述步骤SS1中的所述发送信号矩阵S为：

S＝[s_L+M(k),L,s_L+M(k+N-1)]^T＝[s_N(k),L,s_N(k-M-L)]_N×(L+M+1)，

其中，M为信道阶数，L为均衡器阶数，N为所需数据长度；

s_L+M(k)＝[s(k),L,s(k-L-M)]^T；其中，s∈{±1}，时刻k为自然数；

所述步骤SS1中的所述信道冲激响h_jj为：

其中，jj＝0,1,L,M，q是过采样因子，取值为正整数；

所述步骤SS1中的所述接收数据矩阵X_N为：

X_N＝[x_L(k),L,x_L(k+N-1)]^T是N×(L+1)q接收数据矩阵，其中

x_L(k)＝Γ·s_L+M(k)。作为一种较佳的实施例，所述步骤SS2具体包括：

对所述接收数据矩阵X_N进行奇异值分解，即：

式中，(·)^H是Hermitian转置；

U是奇异值分解中的N×(L+M+1)酉矩阵；

0是(N-(L+M+1))×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉矩阵；

U_c是N×(N-(L+M+1))酉矩阵；

D是(L+M+1)×(L+1)q奇异值矩阵。

作为一种较佳的实施例，所述步骤SS3中的所述设置权矩阵W具体包括：

设置权矩阵W＝I_N-Q，其中I_N是N×N维的单位阵，U_c是N×(N-(L+M+1))酉矩阵。

作为一种较佳的实施例，所述步骤SS4具体包括：

所述双Sigmoid迟滞噪声混沌神经网络动态方程为：

x_i(t)＝σ(y_i(t))；

z_i(t+1)＝(1-β₁)z_i(t)；

A[n(t+1)]＝(1-β₂)A[n(t)]；

对所述双Sigmoid迟滞噪声混沌神经网络动态方程进行迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，即y(t)＝y(t-1)时，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束；

其中，y_i(t)为神经网络中第i个神经元内部状态；i代表第i个神经元，j代表第j个神经元，i≠j，且i、j为[0,N]内任意的整数；t为神经网络迭代过程运行的时间；

σ(.)为神经元的第一个Sigmoid函数，f(.)为神经元的第二个Sigmoid函数；

w_ij为神经元j到神经元i的连接权值，并且w_ij＝w_ji；ε为所述双Sigmoid迟滞噪声混沌神经网络的耦合因子；

I_i为第i个神经元的偏置，k为衰减因子(0≤k≤1)，α为神经元之间的连接强度，I₀为神经元的偏置，n(t)是引入的随机噪声；

z_i(t)为第i个神经元的自反馈连接权值；λ为神经元间衰减因子，且λ＞0；β₁是混沌模拟退火的衰减因子；A[n]是噪声幅值，β₂是随机模拟退火的衰减因子。

x_i(t)为第i个神经元的输出；所述双Sigmoid迟滞噪声混沌神经网络达到最后平衡时，确认为每个神经元的x_i(t)＝y_i(t)，x_i(t)即为求取的发送信号。

作为一种较佳的实施例，所述步骤SS4中的所述双Sigmoid迟滞噪声混沌神经网络的激活函数为：

f(t)＝sign(t)

其中，a跟普通激活函数类似，用来调节迟滞的陡峭度，b为映射因子，控制映射区间，f(.)的导数远小于σ(.)的导数。

作为一种较佳的实施例，所述步骤SS4中的所述双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)为：

其中：所述双Sigmoid迟滞噪声混沌神经网络由N个神经元构成，E(t)为所述双Sigmoid迟滞噪声混沌神经网络的能量函数，α′为该网络的尺度参数；矩阵W为所述双Sigmoid迟滞噪声混沌神经网络的权矩阵，且W＝W^H，矩阵W的对角元ω_ii＞0；k′为该网络的衰减因子；x_i(t)为t时刻第i个神经元的输出；x_i(t)＝y_i(t)，σ^T(t)为该网络激活函数σ(t)的转置，σ_i ^-1(τ)为第i个神经元的Sigmoid函数σ_i(τ)的反函数，σ′(t)、f′(t)分别为Sigmoid函数σ(x)和f(x)对时间的导数，且σ′(t)＞0、f′(t)＞0，z_i(t)为随着所述双Sigmoid迟滞噪声混沌神经网络的迭代循环而逐渐变小的变量。

作为一种较佳的实施例，所述双Sigmoid迟滞噪声混沌神经网络改进的退火项如下：

首先将传统的线性退火替换成分段模拟退火，然后借鉴分段思想，引入的随机噪声项也采用分段噪声扰动，在混沌粗搜索阶段进行较大幅度扰动，使网络更容易避开局部最小值。而在细搜索阶段，采用小幅度的随机噪声扰动，使网络以最大概率搜索到全局最优值。

本发明所达到的有益效果：第一，本发明首次利用双Sigmoid混沌神经网络和迟滞噪声构成了一个双Sigmoid迟滞噪声混沌神经网络；第二，本发明的每次迭代时，首先进入双Sigmoid迟滞混沌神经网络，然后再进入随机模拟退火，由于在Hopfield神经网络基础之上引入的混沌噪声，使网络很好的避开局部最优值，同时分段模拟退火与随机模拟退火的结合使网络呈现出更加灵活的动力学行为和更快的收敛速度，增强了网络的优化性能，提高了网络优化解的质量；第三，本发明经过仿真验证，在同等条件下，本发明的抗噪性能和收敛速度优于传统的Hopfield信号盲检测算法。

附图说明

图1是本发明双Sigmoid迟滞噪声混沌神经网络系统结构图。

图2是本发明基于双Sigmoid迟滞混沌神经网络的信号盲检测方法下，引入的三种随机噪声：均匀分布随机数、Logistic映射以及混合Logistic映射的误码率的对比图。

图3是本发明改进的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法与双Sigmoid迟滞噪声混沌神经网络盲检测算法、双Sigmoid迟滞混沌神经网络盲检测算法及改进激活函数的Hopfield神经网络盲检测算法的收敛速度的比较图。图中DS-HNCNN(Double-Sigmoid Hysteresis Noise Chaos Neural Network)算法为双Sigmoid迟滞噪声混沌神经网络算法，DS-HCNN(Double-Sigmoid Hysteresis Chaotic Neural Network)算法为双Sigmoid迟滞混沌神经网络算法，ASHNN(Improved Adjustable Sigmod HopfieldNeutral Network)算法为改进激活函数的Hopfield神经网络算法。

图4是本发明改进的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法与双Sigmoid迟滞噪声混沌神经网络盲检测算法、双Sigmoid迟滞混沌神经网络盲检测算法及改进激活函数的Hopfield神经网络盲检测算法误码率随数据长度变化图；图中DS-HNCNN(Double-Sigmoid Hysteresis Noise Chaos Neural Network)算法为双Sigmoid迟滞噪声混沌神经网络算法，DS-HCNN(Double-Sigmoid Hysteresis Chaotic Neural Network)算法为双Sigmoid迟滞混沌神经网络算法，ASHNN(Improved Adjustable Sigmod HopfieldNeutral Network)算法为改进激活函数的Hopfield神经网络算法。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明提出基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其实施过程如下：

忽略噪声时，离散时间信道的接收方程定义如下

X_N＝SΓ^T

(1)

式中，X_N是接收数据矩阵，S是发送信号矩阵，Γ是由信道冲激响h_jj构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，发送信号矩阵：

S＝[s_L+M(k),L,s_L+M(k+N-1)]^T＝[s_N(k),L,s_N(k-M-L)]_N×(L+M+1)，

M为信道阶数，L为均衡器阶数，N为所需数据长度；

s_L+M(k)＝[s(k),L,s(k-L-M)]^T；其中，s∈{±1}，时刻k为自然数；

h_jj＝[h₀,L,h_M]_q×(M+1)，jj＝0,1,L,M；

q是过采样因子，取值为正整数；

X_N＝[x_L(k),L,x_L(k+N-1)]^T是N×(L+1)q接收数据阵，

其中x_L(k)＝Γ·s_L+M(k)。

对于式(1)，Γ满列秩时，一定有满足Qs_N(k-d)＝0，U_c是N×(N-(L+M+1))酉矩阵，由奇异值分解中得到；

其中：

(·)^H是Hermitian转置；

U是奇异值分解中的N×(L+M+1)酉矩阵；

0是(N-(L+M+1))×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉矩阵；

U_c是N×(N-(L+M+1))酉矩阵；

D是(L+M+1)×(L+1)q奇异值矩阵；

据此构造性能函数及优化问题

其中，s∈{±1}^N是N维向量，所属字符集{±1}，表示信号的估计值。argmin()表示使目标函数取最小值时的变量值，d为延时因子，d＝0,L,M+L。如此，盲检测问题就成为了式(3)的全局最优解问题。

图1是本发明的双Sigmoid迟滞噪声混沌神经网络系统结构图，包含权矩阵模块、两个激活函数、积分器、随机噪声、衰减因子和耦合因子。

a.)该系统的动态方程为：

x_i(t)＝σ(y_i(t))

(5)

z_i(t+1)＝(1-β₁)z_i(t)

(6)

A[n(t+1)]＝(1-β₂)A[n(t)]

(7)

其中，y_i(t)为神经网络中第i个神经元内部状态；i代表第i个神经元，j代表第j个神经元，i≠j，且i、j为[0,N]内任意的整数；t为神经网络迭代过程运行的时间；σ(.)为神经元的第一个Sigmoid函数，f(.)为神经元的第二个Sigmoid函数；w_ij为神经元j到神经元i的连接权值，并且w_ij＝w_ji；ε为该网络的耦合因子；I_i为第i个神经元的偏置，k为衰减因子(0≤k≤1)，α为神经元之间的连接强度，I₀为神经元的偏置，n(t)是引入的随机噪声；z_i(t)为第i个神经元的自反馈连接权值；λ为神经元间衰减因子，且λ＞0；β₁是混沌模拟退火的衰减因子；A[n]是噪声幅值，β₂是随机模拟退火的衰减因子。

x_i(t)为第i个神经元的输出；该神经网络达到最后平衡时，可近似认为每个神经元的x_i(t)＝y_i(t)，x_i(t)即为求取的发送信号。

改进的随机模拟退火项如下：

首先将传统的线性退火替换成分段模拟退火，然后借鉴分段思想，引入的随机噪声项也采用分段噪声扰动，在混沌粗搜索阶段进行较大幅度扰动，使网络更容易避开局部最小值。而在细搜索阶段，采用小幅度的随机噪声扰动，使网络以最大概率搜索到全局最优值。

本发明把双Sigmoid混沌神经网络的两个激活函数设计为：

f(t)＝sign(t)

(9)

其中，a跟普通激活函数类似，可以调节迟滞的陡峭度，b为映射因子，控制映射区间，f(.)的导数远小于σ(.)的导数。

b.)能量函数

在图1所示的采用式(4)、式(5)、式(6)描述的双Sigmoid迟滞噪声混沌神经网络中，若该网络由N个神经元构成，权矩阵W＝W^H，矩阵W的对角元ω_ii＞0，该网络衰减系数β＞0，Sigmoid函数σ(t)和f(t)的导数都分别大于零，那么该神经网络的能量函数表述为：

其中：E为该网络的能量函数，该能量函数是一个与迭代时间有关系的变量，α′为该网络的尺度参数，k′为该网络的衰减因子，x_i(t)为t时刻第i个神经元的输出，x_i(t)＝y_i(t)，σ^T(t)为该网络激活函数σ(t)的转置，σ_i ^-1(τ)为第i个神经元的Sigmoid函数σ_i(τ)的反函数，z_i(t)为随着该网络的迭代循环而逐渐变小的变量。

综上所述，该网络每次循环都先进入迟滞混沌神经网络结构跳出了局部极小点之后再进入随机模拟退火，首先进入双Sigmoid迟滞混沌神经网络，然后再进入随机模拟退火，既保证了网络可以避免局部极小点又使得网络的收敛速度加快，最后达到网络的平衡。

为利用双Sigmoid混沌神经网络实现信号盲检测，求解式(2)、(3)的信号盲检测问题，要使能量函数的最小值点对应于盲检测性能函数的最小值点。由于欧拉公式可以使连续时间和离散时间之间进行相互转换，在网络达到稳定时，可近似认为x_i(t)＝y_i(t)，比较能量函数式(10)的第一部分与性能函数式(2)，则可看出相差一个负号，所以可考虑设计双Sigmoid迟滞噪声混沌神经网络的权矩阵为投影算子形式W＝I_N-Q，其中I_N是N×N维的单位阵，这样就使能量函数E(t)的最小值点对应于盲检测性能函数(2)的最小值点，从而能够用双Sigmoid迟滞噪声混沌神经网络实现信号盲检测。

图2、图3和图4分别是本发明基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法的仿真实验图。这里的仿真采用不含公零点的经典文献信道，发送信号为二进制相移键控信号，固定数据长度N＝100，噪声为高斯白噪声，所有仿真结果都经过100次蒙特卡洛实验而得。

图2是在条件相同的情况下，本发明的基于双Sigmoid迟滞混沌神经网络信号盲检测方法下引入的三种随机噪声：均匀分布随机数、Logistic映射以及混合Logistic映射的误码率的对比图。

图3是本发明改进的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法与双Sigmoid迟滞噪声混沌神经网络盲检测算法、双Sigmoid迟滞混沌神经网络盲检测算法及改进激活函数的Hopfield神经网络盲检测算法的收敛速度的距离范数对比图。图中DS-HNCNN(Double-Sigmoid Hysteresis Noise Chaos Neural Network)算法为双Sigmoid迟滞噪声混沌神经网络算法，DS-HCNN(Double-Sigmoid Hysteresis Chaotic NeuralNetwork)算法为双Sigmoid迟滞混沌神经网络算法，ASHNN(Improved Adjustable SigmodHopfield Neutral Network)算法为改进激活函数的Hopfield神经网络算法。

图4是本发明改进的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法与双Sigmoid迟滞噪声混沌神经网络盲检测算法、双Sigmoid迟滞混沌神经网络盲检测算法及改进激活函数的Hopfield神经网络盲检测算法误码率随数据长度变化图。图中DS-HNCNN(Double-Sigmoid Hysteresis Noise Chaos Neural Network)算法为双Sigmoid迟滞噪声混沌神经网络算法，DS-HCNN(Double-Sigmoid Hysteresis Chaotic Neural Network)算法为双Sigmoid迟滞混沌神经网络算法，ASHNN(Improved Adjustable Sigmod HopfieldNeutral Network)算法为改进激活函数的Hopfield神经网络算法。

仿真实验表明：改进的DS-HNCNN算法又进一步优化了DS-HCNN算法，在相同初始条件下DS-HNCNN表现出更好的误码性能，所需发送序列的数据长度更短，而且可以很好地适用经典信道，收敛速度也得到进一步的提高，成功的实现了盲检测。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，包括如下步骤：

步骤SS1：构造接收数据矩阵X_N；

步骤SS2：对所述接收数据矩阵X_N进行奇异值分解；

步骤SS3：设置权矩阵W；

步骤SS4：选择双Sigmoid迟滞混沌神经网络的激活函数，进行双Sigmoid迟滞混沌神经网络迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束。

2.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS1具体包括：接收端接收单个用户发送信号，经过过采样，获得离散时间信道的接收方程：

X_N＝SΓ^T

式中，X_N是接收数据矩阵，S是发送信号矩阵，Γ是由信道冲激响h_jj构成的块Toeplitz矩阵；(·)^T表示矩阵转置。

3.根据权利要求2所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS1中的所述发送信号矩阵S为：

S＝[s_L+M(k),L,s_L+M(k+N-1)]^T＝[s_N(k),L,s_N(k-M-L)]_N×(L+M+1)，

其中，M为信道阶数，L为均衡器阶数，N为所需数据长度；

s_L+M(k)＝[s(k),L,s(k-L-M)]^T；其中，s∈{±1}，时刻k为自然数；

所述步骤SS1中的所述信道冲激响h_jj为：

h_jjh_jj＝[h₀,L,h_M]_q×(M+1)，其中，jj＝0,1,L,M，q是过采样因子，取值为正整数；

所述步骤SS1中的所述接收数据矩阵X_N为：

X_N＝[x_L(k),L,x_L(k+N-1)]^T是N×(L+1)q接收数据矩阵，其中x_L(k)＝Γ·s_L+M(k)。

4.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS2具体包括：

对所述接收数据矩阵X_N进行奇异值分解，即：

式中，(·)^H是Hermitian转置；

U是奇异值分解中的N×(L+M+1)酉矩阵；

0是(N-(L+M+1))×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉矩阵；

U_c是N×(N-(L+M+1))酉矩阵；

D是(L+M+1)×(L+1)q奇异值矩阵。

5.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS3中的所述设置权矩阵W具体包括：

设置权矩阵W＝I_N-Q，其中I_N是N×N维的单位阵，U_c是N×(N-(L+M+1))酉矩阵。

6.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS4具体包括：

所述双Sigmoid迟滞噪声混沌神经网络动态方程为：

x_i(t)＝σ(y_i(t))；

z_i(t+1)＝(1-β₁)z_i(t)；

A[n(t+1)]＝(1-β₂)A[n(t)]；

对所述双Sigmoid迟滞噪声混沌神经网络动态方程进行迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，即y(t)＝y(t-1)时，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束；

其中，y_i(t)为神经网络中第i个神经元内部状态；i代表第i个神经元，j代表第j个神经元，i≠j，且i、j为[0,N]内任意的整数；t为神经网络迭代过程运行的时间；

σ(.)为神经元的第一个Sigmoid函数，f(.)为神经元的第二个Sigmoid函数；

w_ij为神经元j到神经元i的连接权值，并且w_ij＝w_ji；ε为所述双Sigmoid迟滞噪声混沌神经网络的耦合因子；

I_i为第i个神经元的偏置，k为衰减因子(0≤k≤1)，α为神经元之间的连接强度，I₀为神经元的偏置，n(t)是引入的随机噪声；

z_i(t)为第i个神经元的自反馈连接权值；λ为神经元间衰减因子，且λ＞0；β₁是混沌模拟退火的衰减因子；A[n]是噪声幅值，β₂是随机模拟退火的衰减因子。

x_i(t)为第i个神经元的输出；所述双Sigmoid迟滞噪声混沌神经网络达到最后平衡时，确认为每个神经元的x_i(t)＝y_i(t)，x_i(t)即为求取的发送信号。

7.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS4中的所述双Sigmoid迟滞噪声混沌神经网络的激活函数为：

f(t)＝sign(t)

其中，a跟普通激活函数类似，用来调节迟滞的陡峭度，b为映射因子，控制映射区间，f(.)的导数远小于σ(.)的导数。

8.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS4中的所述双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)为：

其中：所述双Sigmoid迟滞噪声混沌神经网络由N个神经元构成，E(t)为所述双Sigmoid迟滞噪声混沌神经网络的能量函数，α′为该网络的尺度参数；矩阵W为所述双Sigmoid迟滞噪声混沌神经网络的权矩阵，且W＝W^H，矩阵W的对角元ω_ii＞0；k′为该网络的衰减因子；x_i(t)为t时刻第i个神经元的输出；x_i(t)＝y_i(t)，σ^T(t)为该网络激活函数σ(t)的转置，σ_i ^-1(τ)为第i个神经元的Sigmoid函数σ_i(τ)的反函数，σ′(t)、f′(t)分别为Sigmoid函数σ(x)和f(x)对时间的导数，且σ′(t)＞0、f′(t)＞0，z_i(t)为随着所述双Sigmoid迟滞噪声混沌神经网络的迭代循环而逐渐变小的变量。

9.根据权利要求8所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述双Sigmoid迟滞噪声混沌神经网络改进的退火项如下：