CN108768904A - 基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法 - Google Patents
基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法 Download PDFInfo
- Publication number
- CN108768904A CN108768904A CN201810353005.0A CN201810353005A CN108768904A CN 108768904 A CN108768904 A CN 108768904A CN 201810353005 A CN201810353005 A CN 201810353005A CN 108768904 A CN108768904 A CN 108768904A
- Authority
- CN
- China
- Prior art keywords
- neural network
- disturbance
- signal
- hopfield neural
- matrix
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title abstract description 6
- 208000035126 Facies Diseases 0.000 title abstract 3
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 210000002569 neuron Anatomy 0.000 claims abstract description 33
- 230000004913 activation Effects 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 29
- 238000000137 annealing Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 102100026758 Serine/threonine-protein kinase 16 Human genes 0.000 claims description 4
- 101710184778 Serine/threonine-protein kinase 16 Proteins 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 70
- 238000012360 testing method Methods 0.000 description 23
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 241000544061 Cuculus canorus Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
- H04L1/0038—Blind format detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Noise Elimination (AREA)
Abstract
基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，包括如下步骤：S1、获取单个HNN神经元的状态；S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；S4、根据接收数据矩阵优化为幅值相位型离散Hopfield神经网络结构；S5、构建带扰动的幅相型离散Hopfield神经网络。本发明在Hopfiled神经网络的基础上将扰动因子加在权矩阵和激活函数之间，既继承了神经网络的所有优点且其收敛速度更快并不容易陷入局部最小，为无线通信网提供了准确且快速的信号盲检测方法。
Description
技术领域
本发明属于无线通信信号处理及神经网络技术领域，具体涉及一种基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法。
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。所谓盲检测仅利用接受信号本身便能够检测出发送信号，从而消除符号间干扰(ISI)以提高信息传输速率和可靠性。
为了解决传统智能算法都存在收敛速度慢和容易陷入局部最优解的问题，常用的改进思路有很多，文献[冯迪,于舒娟,张昀.一种改进激活函数的Hopfield盲检测算法[J].计算机技术与发展,2013,22(12):207-210.]中提出使用新的激活函数，通过引入新的激活函数来提高HNN盲检测算法的抗干扰性能，此法在BPSK信号盲复原中有很好的效果，但是针对多进制的MPSK信号很难在激活函数上面做文章。文献[郑鑫.带扰动的混沌神经网络模型研究[D].哈尔滨工程大学.2008.]研究了不同扰动对混沌神经网络的影响。文献[徐耀群.带扰动的混沌神经网络的研究[J]计算机工程与应用.2008,44(36):66-69.]中提出给混沌神经网络算法中加入扰动因子，文献[屈迟文.基于决策者与带扰动因子的布谷鸟算法[J].计算机应用与软件.2014,31(7):290-293]提出带扰动因子的布谷鸟算法，文献[赵志刚.带扰动因子的自适应粒子群优化算法[J].计算机科学.2013,40(12):68-70.]提出带扰动因子的自适应粒子群优化算法等都能有效避免陷入局部最优解，提高算法性能。
发明内容
本发明的目的在于：提供一种基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，在Hopfiled神经网络的基础将扰动因子加在权矩阵和激活函数之间，既继承了神经网络的所有优点且其收敛速度更快并不容易陷入局部最小。
为了达到以上目的，提供基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，包括如下步骤：
S1、获取单个HNN神经元的状态；
S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；
S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；
S4、通过接收数据矩阵的分解分解得到Q矩阵，并配置Hopfield神经网络的权矩阵W＝[I-Q],为使盲检测中的优化函数的最小值与Hopfield能量函数中的最小值相对应；
S5、构建带扰动的幅相型离散Hopfield神经网络，并验证其不易陷入局部最小值点。
本发明的优选方案是：步骤S1中，计算单个HNN神经元的状态方程为：
y(t)＝σ(x(t))；
其中y为输出，x为神经元的当前状态，w为连接权值，v为偏置，α为取常数的衰退因子，σ(x(t))为Sigmoid型激活函数。
优选的步骤S2中，多个神经元使用权值相互连接得到的Hopfield神经网络结构的状态方程和输出方程分别为：
yi(t)＝σi(xi(t)),i＝1,2,…,n；
其中，αi为取常数的衰退因子，xi(t)为神经元的当前状态，yi(t)为输出，wij为神经元i与j之间的连接权值，si为常量；σi(xi(t))为Sigmoid型激活函数；
Hopfield神经网络结构对应的动态方程为：
s(k+1)＝σ(Ws(k))＝σ(y(k))；
共有N个神经元，则输入向量为s(k)＝[s1(k),s2(k),…,sN(k)]T，则：
其中，wij为两个神经元sj与si之间的神经元联结权值，权矩阵W∈CN×N，权矩阵等于自身的共轭转置，即WH＝W，激活函数的表达式为：
其中，u为激活函数的输入部分，先将输入写成指数形式，au和分别是幅值和相角，令则为量化单位角，K为MPSK星座上的信号数，l＝0,1,…,(K-1)，当为8PSK信号，则K＝8，整个平面被平均分成8个扇区，每个扇区包含一个量化点zl,l＝0,1,…,7，扇区l内的任何输入经过激活函数的输出都为zl。
优选地，步骤S3中，单输入多输出经过的采样接收方程为：
其中，q为过采样因子，M为信道的阶数，x(k)为接收信号矩阵，s(k)为发送信号矩阵，v(k)为加性噪声，发送信号与加性噪声相互独立，则公式为：
XN＝SΓH；
其中，S＝[sL+M(k),…,sL+M(k+N-1)]H＝[sN(k),…,sN(k-M-L)]N×(L+M+1)为发送信号阵，Γ为由hj,j＝0,1,…,M构成的维数为(L+1)q×(L+M+1)的块Toeplitz平滑矩阵，L是均衡器的参数，[h0,…,hM]q×(M+1)为通信信道的冲激响应；(XN)N×(L+1)q＝[xL(k),...,xL(k+N-1)]H为接收数据阵。
更优选地，当ΓH满秩时，则存在满足QsN(k-d)＝0。Uc是由接收矩阵通过奇异值分解得到的，且使Uc∈CN×(N-(L+M+1))成立，则构建新能函数为：
其中，为所需检测的原始信号；
配置连接权矩阵W＝[I-Q]，N×N维的单位阵，则当幅值相位型离散Hopfield神经网络的输出为最终解时，有s(k)＝s(k-1)成立；此时网络达到平衡网络的发送信号即为网络平衡点信号。
优选地，步骤S5中，带扰动的幅相型离散Hopfield神经网络的动态方程为：
其中，为扰动因子，W为神经网络的连接权值矩阵；
当为固定扰动，则：
当为自扰动，则：
当为退火扰动，则：
其中，α1＝-0.01，α2＝-0.1，β＝0.002，α0＝-0.1。
本发明有益效果为：本发明在Hopfiled神经网络的基础将扰动因子加在权矩阵和激活函数之间，既继承了神经网络的所有优点且其收敛速度更快并不容易陷入局部最小，为无线通信网提供了准确且快速的信号盲检测方法。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的方法流程示意图。
图2为本发明的CHNN_APHM盲检算法对输入信号数据长度的依赖性仿真图。
图3为本发明的DTCNN-ACPHM盲检算法在固定扰动下对输入信号数据长度的依赖性仿真图；
图4为本发明的DTCNN-ACPHM盲检算法在自扰动下对输入信号数据长度的依赖性仿真图；
图5为本发明的DTCNN-ACPHM盲检算法在退火自扰动下对输入信号数据长度的依赖性仿真图；
图6为随机信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示意图。
图7为在不含有公零点的信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示意图。
图8为在含有一个公零点的信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示意图。
图9为在含有两个公零点的信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示意图。
图10为在ZhiDi信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示意图。
具体实施方式
实施例一
请参阅图1，本实施例的一种基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，包括如下步骤：
S1、获取单个HNN神经元的状态；
S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；
S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；
S4、通过接收数据矩阵的分解分解得到Q矩阵，并配置Hopfield神经网络的权矩阵W＝[I-Q],为使盲检测中的优化函数的最小值与Hopfield能量函数中的最小值相对应。
S5、构建带扰动的幅相型离散Hopfield神经网络，并验证其不易陷入局部最小值点。
步骤S1中，计算单个HNN神经元的状态方程为：
y(t)＝σ(x(t))；
其中y为输出，x为神经元的当前状态，w为连接权值，v为偏置，α为取常数的衰退因子，σ(x(t))为Sigmoid型激活函数。
步骤S2中，多个神经元使用权值相互连接得到的Hopfield神经网络结构的状态方程和输出方程分别为：
yi(t)＝σi(xi(t)),i＝1,2,…,n；
其中，αi为取常数的衰退因子，xi(t)为神经元的当前状态，yi(t)为输出，wij为神经元i与j之间的连接权值，si为常量；σi(xi(t))为Sigmoid型激活函数；
Hopfield神经网络结构对应的动态方程为：
s(k+1)＝σ(Ws(k))＝σ(y(k))；
共有N个神经元，则输入向量为s(k)＝[s1(k),s2(k),…,sN(k)]T，则：
其中，wij为两个神经元sj与si之间的神经元联结权值，权矩阵W∈CN×N，权矩阵等于自身的共轭转置，即WH＝W，激活函数的表达式为：
其中，u为激活函数的输入部分，先将输入写成指数形式，au和分别是幅值和相角，令则为量化单位角，K为MPSK星座上的信号数，l＝0,1,…,(K-1)，当为8PSK信号，则K＝8，整个平面被平均分成8个扇区，每个扇区包含一个量化点zl,l＝0,1,…,7，扇区l内的任何输入经过激活函数的输出都为zl。
步骤S3中，单输入多输出经过的采样接收方程为：
其中，q为过采样因子，M为信道的阶数，x(k)为接收信号矩阵，s(k)为发送信号矩阵，v(k)为加性噪声，发送信号与加性噪声相互独立，则公式为：
XN＝SΓH；
其中，S＝[sL+M(k),…,sL+M(k+N-1)]H＝[sN(k),…,sN(k-M-L)]N×(L+M+1)为发送信号阵，Γ为由hj,j＝0,1,…,M构成的维数为(L+1)q×(L+M+1)的块Toeplitz平滑矩阵，L是均衡器的参数，[h0,…,hM]q×(M+1)为通信信道的冲激响应。(XN)N×(L+1)q＝[xL(k),...,xL(k+N-1)]H为接收数据阵。
当ΓH满秩时，则存在满足QsN(k-d)＝0。Uc是由接收矩阵通过奇异值分解得到的，且使Uc∈CN×(N-(L+M+1))成立，则构建新能函数为：
其中，为所需检测的原始信号；
配置连接权矩阵W＝I|Q，N×N维的单位阵，则当幅值相位型离散Hopfield神经网络的输出为最终解时，有s(k)＝s(k-1)成立；此时网络达到平衡网络的发送信号即为网络平衡点信号。
步骤S5中，带扰动的幅相型离散Hopfield神经网络的动态方程为：
其中，为扰动因子，W为神经网络的连接权值矩阵；
当为固定扰动，则：
当为自扰动，则：
当为退火扰动，则：
其中，α1＝-0.01，α2＝-0.1，β＝0.002，α0＝-0.1。
本实施例以Matlab R2014a为实验仿真工具，实验发送信号以8PSK为例，采用信道函数其中：h(α,t-τj)为滚降因子，取α＝0.1；τj为延迟因子，是通过随机产生的升余弦脉冲响应；wj也是随机的权系数。信道噪声为高斯白噪声，取q＝3为过采样因子，信号传播多径数为2。实验结果经过一百次蒙特卡洛仿真实验做平均计算后得到，并且将误码率为零的点设为10-5以方便画出曲线图进行问题分析。
选择延时度和权值均变化的随机信道，分别取不同长度的发送信号，对文献[张昀.基于复数Hopfield神经网络的盲信号检测[D].南京:南京邮电大学,2012:17-50]中CHNN_APHM盲检测算法和本章提出的DTCNN-APHM盲检测算法进行误码率比较，DTCNN-APHM算法的扰动分别取前文提到的固定扰动、自扰动和退火自扰动，通过仿真结果分析算法对输入信号数据长度的依赖性；
由图2可知，CHNN_APHM算法至少需要信号长度N＝80才能获得稳定的检测结果，而对于新提出的DCHNN_APHM算法，如果使用固定扰动，由图3可知，DCHNN_APHM算法至少需要N＝70数据长度误码率才能稳定收敛；如果使用的是自扰动，由图4可知，在N＝50的时候误码率就收敛了；如果使用的是退火自扰动，由图5可知，DCHNN_APHM算法也在N＝50的时候误码率收敛。实验结果表明：本章提出的DCHNN_APHM算法所需输入信号的数据长度更短，使新算法有更广阔的适用性，能应用在数据量较短的环境下，且自扰动和退火自扰动的DCHNN_APHM算法效果最佳，固定扰动的DCHNN_APHM算法的效果只是略优于CHNN_APHM算法。
以8PSK为输入信号，将输入信号的长度固定为100，在延时度和权值均变化的随机信道下对文献[张昀.基于复数Hopfield神经网络的盲信号检测[D].南京:南京邮电大学,2012:17-50]中CHNN_APHM盲检测算法和本章提出的三种DCHNN_APHM盲检测算法进行误码率比较，
由图6可知，在随机信道下，CHNN_APHM算法在信噪比为25dB的时候收敛；带退火扰动和自扰动的DCHNN_APHM算法都在信噪比为22dB的时候收敛，都有3dB的改进，从全局来看14dB到20dB自扰动比退火扰动的误码率低，略有优势；带固定扰动的DCHNN_APHM算法在信噪比为24dB的时候收敛，只有1dB的改进，从全局来看改进效果不佳；综上所述，DCHNN_APHM算法比CHNN_APHM算法能在信噪比更小时候使误码率变为0，由此可得出随机信道下扰动的引入增强了CHNN_APHM算法的抗噪声性能，其中自扰动的效果最佳，退火扰动次之，固定扰动再次之。
取8PSK为输入信号，固定输入信号的长度为100，分别在以下四种信道环境下对CHNN_APHM盲检测算法和上述提出的DCHNN_APHM盲检测算法进行误码率比较。CH1：不含有公零点的信道，其延时以及权值均固定；CH2：含有1个公零点的信道，其延时以及权值均固定；CH3：含有2个公零点的信道，其延时以及权值均固定；CH4：延迟delay＝[0,1/3]、权系数W＝[1,-0.7]的Zhi Di信道，并且信道前后各补q个零点。
由图7可知，在不含有公零点的信道下，CHNN_APHM算法在信噪比为24dB时误码率降为0，而本章提出的DCHNN_APHM算法在信噪比为22dB时误码率降为0，加扰动后的算法有2dB的性能提升，从全局来看CH1信道下相同信噪比自扰动的误码率低，其效果最好，退火扰动的效果居中，固定扰动的效果最次。
由图8可知，在含有一个公零点的信道下，CHNN_APHM算法在信噪比为24dB时误码率降为0，而本文提出的DCHNN_APHM算法在信噪比为22dB时误码率降为0，加扰动后的算法有2dB的性能提升，从全局来看在该信道下相同信噪比退火扰动和线性扰动的误码率低，表现良好，略优于固定扰动；
由图9可知，在含有两个公零点的信道下，CHNN_APHM算法在信噪比为24dB时误码率降为0，本文提出的带自扰动的DCHNN_APHM算法在信噪比为22dB时误码率降为0，有2dB的改善。带退火扰动和固定扰动的DCHNN_APHM算法在信噪比为24dB时误码率降为0，从全局来看相同信噪比下退火扰动误码率相比CHNN_APHM算法低，性能略有改善，固定扰动的效果还不如原始算法。所以该信道下，自扰动效果最好，退火扰动居中，固定扰动的最次；
由图10可知，在Zhi Di信道下，CHNN_APHM算法在信噪比为22dB时误码率降为0，而DCHNN_APHM算法在信噪比为20dB时误码率降为0，新算法有2dB的性能提升，自扰动表现最好，退火扰动表现次之，固定扰动表现最次。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (6)
1.基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，包括如下步骤：
S1、获取单个HNN神经元的状态；
S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；
S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；
S4、通过接收数据矩阵的分解分解得到Q矩阵，并配置Hopfield神经网络的权矩阵W＝[I-Q],为使盲检测中的优化函数的最小值与Hopfield能量函数中的最小值相对应；
S5、构建带扰动的幅相型离散Hopfield神经网络，并验证其不易陷入局部最小值点。
2.根据权利要求1所述的基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，所述步骤S1中，计算单个HNN神经元的状态方程为：
y(t)＝σ(x(t))；
其中y为输出，x为神经元的当前状态，w为连接权值，v为偏置，α为取常数的衰退因子，σ(x(t))为Sigmoid型激活函数。
3.根据权利要求1所述的基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，所述步骤S2中，多个神经元使用权值相互连接得到的Hopfield神经网络结构的状态方程和输出方程分别为：
yi(t)＝σi(xi(t)),i＝1,2,…,n；
其中，αi为取常数的衰退因子，xi(t)为神经元的当前状态，yi(t)为输出，wij为神经元i与j之间的连接权值，si为常量；σi(xi(t))为Sigmoid型激活函数；
Hopfield神经网络结构对应的动态方程为：
s(k+1)＝σ(Ws(k))＝σ(y(k))；
共有N个神经元，则输入向量为s(k)＝[s1(k),s2(k),…,sN(k)]T，则：
其中，wij为两个神经元sj与si之间的神经元联结权值，权矩阵W∈CN×N，权矩阵等于自身的共轭转置，即WH＝W，激活函数的表达式为：
其中，u为激活函数的输入部分，先将输入写成指数形式，au和分别是幅值和相角，令则为量化单位角，K为MPSK星座上的信号数，l＝0,1,…,(K-1)，当为8PSK信号，则K＝8，整个平面被平均分成8个扇区，每个扇区包含一个量化点zl,l＝0,1,…,7，扇区l内的任何输入经过激活函数的输出都为zl。
4.根据权利要求1所述的基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，所述步骤S3中，单输入多输出经过的采样接收方程为：
其中，q为过采样因子，M为信道的阶数，x(k)为接收信号矩阵，s(k)为发送信号矩阵，v(k)为加性噪声，发送信号与加性噪声相互独立，则公式为：
XN＝SΓH；
其中，S＝[sL+M(k),…,sL+M(k+N-1)]H＝[sN(k),…,sN(k-M-L)]N×(L+M+1)为发送信号阵，Γ为由hj,j＝0,1,…,M构成的维数为(L+1)q×(L+M+1)的块Toeplitz平滑矩阵，L是均衡器的参数，[h0,…,hM]q×(M+1)为通信信道的冲激响应，(XN)N×(L+1)q＝[xL(k),...,xL(k+N-1)]H为接收数据阵。
5.根据权利要求4所述的基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，当ΓH满秩时，则存在满足QsN(k-d)＝0。Uc是由接收矩阵通过奇异值分解得到的，且使Uc∈CN×(N-(L+M+1))成立，则构建优化函数为：
其中，为所需检测的原始信号；
配置连接权矩阵W＝[I-Q]，N×N维的单位阵，则当幅值相位型离散Hopfield神经网络的输出为最终解时，有s(k)＝s(k-1)成立；此时网络达到平衡网络的发送信号即为网络平衡点信号。
6.根据权利要求1所述的基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，所述步骤S5中，带扰动的幅相型离散Hopfield神经网络的动态方程为：
其中，为扰动因子，W为神经网络的连接权值矩阵；
当为固定扰动，则：
当为自扰动，则：
当为退火扰动，则：
其中，α1＝-0.01，α2＝-0.1，β＝0.002，α0＝-0.1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810353005.0A CN108768904B (zh) | 2018-04-19 | 2018-04-19 | 基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810353005.0A CN108768904B (zh) | 2018-04-19 | 2018-04-19 | 基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108768904A true CN108768904A (zh) | 2018-11-06 |
| CN108768904B CN108768904B (zh) | 2021-09-28 |
Family
ID=64011110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810353005.0A Active CN108768904B (zh) | 2018-04-19 | 2018-04-19 | 基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108768904B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109618311A (zh) * | 2019-01-17 | 2019-04-12 | 南京邮电大学 | 基于m2m通信频谱共享与共存的盲检测算法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009113105A2 (en) * | 2008-02-29 | 2009-09-17 | Indian Institute Of Science | A method to detect data transmitted by multiple antennas |
| 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 |
| CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
| CN106612158A (zh) * | 2016-12-06 | 2017-05-03 | 南京邮电大学 | 一种基于复合正弦混沌神经网络的信号盲检测方法 |
-
2018
- 2018-04-19 CN CN201810353005.0A patent/CN108768904B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009113105A2 (en) * | 2008-02-29 | 2009-09-17 | Indian Institute Of Science | A method to detect data transmitted by multiple antennas |
| 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 |
| CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
| CN106612158A (zh) * | 2016-12-06 | 2017-05-03 | 南京邮电大学 | 一种基于复合正弦混沌神经网络的信号盲检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯迪: ""基于改进型Hopfield神经网络的盲检测新算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 张昀: "基于幅值相位型离散Hopfield神经网络的多进制振幅键控盲检测", 《物理学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109618311A (zh) * | 2019-01-17 | 2019-04-12 | 南京邮电大学 | 基于m2m通信频谱共享与共存的盲检测算法 |
| CN109618311B (zh) * | 2019-01-17 | 2021-12-14 | 南京邮电大学 | 基于m2m通信频谱共享与共存的盲检测算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108768904B (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109257030B (zh) | 一种变步长lp范数LMS算法的稀疏系统辨识方法 | |
| CN110099017B (zh) | 基于深度神经网络的混合量化系统的信道估计方法 | |
| Ren et al. | Performance improvement of chaotic baseband wireless communication using echo state network | |
| CN106130936B (zh) | 一种Alpha稳定分布噪声环境下的非线性信道均衡方法 | |
| CN107094043B (zh) | 基于块迭代法的改进后的mmse低复杂度信号检测方法 | |
| CN107124213A (zh) | 多入多出系统中基于直接自适应的双向turbo均衡方法 | |
| Wang et al. | Online LSTM-based channel estimation for HF MIMO SC-FDE system | |
| Tao et al. | Kalman filter based equalization for underwater acoustic communications | |
| Rosalin et al. | Filter proportionate normalized least mean square algorithm for a sparse system | |
| 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 | |
| CN113271271A (zh) | 自适应均衡器的步长调节方法、装置、信号接收机、系统 | |
| CN101834693B (zh) | 一种多输入多输出信号检测方法、装置及系统 | |
| Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
| Seyman | Symbol Detection Based on Back Tracking Search Algorithm in MIMO-NOMA Systems. | |
| CN112054829B (zh) | 一种具有固定相位中心特性的天线组阵信号合成方法 | |
| CN101651643B (zh) | 基于空间分集的小波神经网络盲均衡方法 | |
| CN108574653B (zh) | 基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法 | |
| CN106953820A (zh) | 基于双Sigmoid复数连续神经网络的信号盲检测方法 | |
| CN109688076B (zh) | 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法 | |
| CN102035610A (zh) | 基于初始状态向量控制的全反馈神经网络盲检测方法 | |
| CN102137052B (zh) | 一种基于梯度向量的变步长最小均方信道均衡方法 | |
| Yang et al. | Online blind equalization for QAM signals based on prediction principle via complex echo state network | |
| Deshmukh et al. | Channel estimation techniques in wireless communication | |
| CN108494524B (zh) | 基于改进的离散多电平混沌神经网络的信号盲检测方法 | |
| Dong et al. | Comparisons on Deep Learning Methods for NOMA Scheme Classification in Cellular Downlink |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |