CN110392006A - 基于集成学习和神经网络的自适应信道均衡器及方法 - Google Patents

基于集成学习和神经网络的自适应信道均衡器及方法 Download PDF

Info

Publication number
CN110392006A
CN110392006A CN201910536638.XA CN201910536638A CN110392006A CN 110392006 A CN110392006 A CN 110392006A CN 201910536638 A CN201910536638 A CN 201910536638A CN 110392006 A CN110392006 A CN 110392006A
Authority
CN
China
Prior art keywords
neuron
signal
layer
output
neural network
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
CN201910536638.XA
Other languages
English (en)
Other versions
CN110392006B (zh
Inventor
张萌
黄子祺
孙知非
刘雪梅
郭晟昊
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201910536638.XA priority Critical patent/CN110392006B/zh
Publication of CN110392006A publication Critical patent/CN110392006A/zh
Application granted granted Critical
Publication of CN110392006B publication Critical patent/CN110392006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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
    • H04L2025/03433—Arrangements for removing intersymbol interference characterised by equaliser structure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种基于集成学习和神经网络的自适应信道均衡器及方法，均衡器包括：多个多层感知器神经网络，每个多层感知器神经网络包括一层输入层、一层隐藏层和一层输出层，所述输入层的神经元个数为2s个，神经元的数据为将经QPSK调制并通过无线信道传输来的信号接收后、再经分离得到的信号及信号延时部分的同相部分和正交部分，所述输出层的神经元个数为2个，分别输出经过对应多层感知器神经网络均衡后信号的同相部分和正交部分；一个集成学习器，用于将多个多层感知器神经网络均衡后得到信号的同相部分和正交部分，分别经过加权和后作为最终的无线信道均衡结果。本发明均衡效果好，抗噪声性能好。

Description

基于集成学习和神经网络的自适应信道均衡器及方法
技术领域
本发明涉及无线通信技术，尤其涉及一种基于集成学习和神经网络的自适应信道均衡器及方法。
背景技术
随着社会的不断快速发展，数字通信技术在信息时代的重要性不断增加。人们对数字通信技术以及对通信质量的渴求也不断增加。信道均衡技术作为一种能有效提升通信系统传输性能，降低各种非理想因素对通信系统带来的干扰的技术，在数字通信系统中占有越来越重要的地位。如今，信道均衡技术广泛应用于各种数字通信系统中。
在信号传输过程中，由于无线信道带来的多径效应，以及信号传输中的噪声会使接收的符号产生相互交叠，从而产生强烈的符号间干扰(ISI)，也叫码间干扰。信号传输间码间干扰会使得信号在接收端进行抽样判决时产生错误，从而极大地影响接收信号的质量，从而降低通信系统的传输性能。为了在减小码间干扰带来的影响，提升通信系统的质量，通常在信号的接收端加入一个均衡器，从而弥补各种非理想因素(多径效应，噪声，各种畸变)带来的通信系统传输性能的下降。这一处理过程被称为均衡。
均衡技术可以通过有无训练序列分为信道均衡与盲均衡。信道均衡需要训练序列，而盲均衡不需要训练序列。盲均衡由于不需要训练序列而通过利用信号自身的先验信息来对信号进行均衡，虽然在带宽占用资源以及实时处理方面要优于信道均衡，但是由于缺乏训练序列，盲均衡的效果较之信道均衡有着很大的劣势。而信道均衡有训练序列，再通过自适应算法对均衡器进行调整以达到最优，并对之后的数据进行均衡。因此信道均衡在均衡效果以及应用方面都要优于盲均衡。
传统的均衡器的结构分为线性滤波器或非线性滤波器诸如判决反馈均衡器，最大似然序列估计均衡器等。然而随着通信技术的不断发展，传统的均衡器结构在收敛速度以及稳态均方误差等各个方面都不再具备优势。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种基于集成学习和神经网络的自适应信道均衡器及均衡方法，收敛速度快、误差小、均衡效果好。
技术方案：本发明所述的基于集成学习和神经网络的自适应信道均衡器包括：
多个多层感知器神经网络，每个多层感知器神经网络包括一层输入层、一层隐藏层和一层输出层，所述输入层的神经元个数为2s个，神经元的数据为将经QPSK调制并通过无线信道传输来的信号接收后、再经分离得到的信号及信号延时部分的同相部分和正交部分，s为接收的无线信道传输来的信号及信号延时部分的信号总数，所述输出层的神经元个数为2个，分别输出经过对应多层感知器神经网络均衡后信号的同相部分和正交部分；
一个集成学习器，用于将多个多层感知器神经网络均衡后得到信号的同相部分和正交部分，分别经过加权和后作为最终的无线信道均衡结果。
进一步的，所述隐藏层的神经元的输出具体为：
hk表示第k个隐藏层神经元的输出，rj表示第j个输入层神经元的数据，vjk表示第j个输入层神经元与第k个隐藏层神经元之间的权值，bk表示第k个隐藏层神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
进一步的，所述输出层的神经元的输出具体为：
式中，分别为经过多层感知器神经网络均衡后信号的同相部分和正交部分，hk表示第k个隐藏层神经元的输出，m为隐藏层神经元的个数，wki、wkq分别表示第k个隐藏层神经元与输出的神经元之间的权值，bi、bq分别表示输出的神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
本发明所述的基于集成学习和神经网络的自适应信道均衡方法包括：
(1)获取训练样本数据，具体为：将接收到的经QPSK调制并通过无线信道传输来的连续信号进行均匀分割，得到若干份分割数据，再将每份分割数据进行信号分离，得到每份分割数据中每一信号及该信号延时部分的同相部分和正交部分，将分离后的一份分割数据作为一次训练样本；
(2)建立无线信道自适应均衡器，具体包括：
多个多层感知器神经网络，每个多层感知器神经网络包括一层输入层、一层隐藏层和一层输出层，所述输入层的神经元个数为2s个，所述输出层的神经元个数为2个，分别输出经过对应多层感知器神经网络均衡后信号的同相部分和正交部分；s为接收的无线信道传输来的信号及信号延时部分的信号总数；
一个集成学习器，用于将多个多层感知器神经网络均衡后得到信号的同相部分和正交部分，经过加权和后输出；
(3)将训练样本输入建立的无线信道自适应均衡器，进行训练；训练时对每个多层感知器神经网络采用带有动量项的反向传播算法进行训练，得到多层感知器神经网络中各层之间的权重值，误差函数采用绝对值误差函数，对集成学习器采用集成学习器的输出与实际信号的差值调整每个多层感知器神经网络的权重值；
(4)将无线信道传输来的待均衡的信号分离得到信号及该信号延时部分的同相部分和正交部分，输入训练好的无线信道自适应均衡器，输出即为信道均衡结果。
进一步的，所述隐藏层的神经元的输出具体为：
hk表示第k个隐藏层神经元的输出，rj表示第j个输入层神经元的数据，vjk表示第j个输入层神经元与第k个隐藏层神经元之间的权值，bk表示第k个隐藏层神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
进一步的，所述输出层的神经元的输出具体为：
式中，分别为经过多层感知器神经网络均衡后信号的同相部分和正交部分，hk表示第k个隐藏层神经元的输出，m为隐藏层神经元的个数，wki、wkq分别表示第k个隐藏层神经元与输出的神经元之间的权值，bi、bq分别表示输出的神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
进一步的，对每个多层感知器神经网络采用带有动量项的反向传播算法进行训练时，权值更新方法为
式中，wkx(n)表示n时刻第k个隐藏层神经元与输出的神经元之间的权值，Δwkx(n)表示n时刻wkx(n)的更新量，ρ表示一个中0到1之间的衰减因子，η表示学习率，sgn表示符号函数，大于0时符号函数的值为1，小于0时符号函数的值为-1，hk表示第k个隐藏层神经元的输出，vjk(n)表示n时刻第j个输入层神经元与第k个隐藏层神经元之间的权值，Δvjk(n)表示t时刻vjk(t)的更新量，分别为多层感知器神经网络均衡输出的同相部分和正交部分，yi(n)、yq(n)分别为实际信号的同相部分和正交部分。
有益效果：本发明与现有技术相比，其显著优点是：
1、本发明采用MLP结构的均衡器在接收端对经过信道畸变的信号进行均衡，能够极大地降低误码率与均方误差，从而提高通信系统的质量。
2、本发明将集成学习方法引入信道均衡技术中，将基本的MLP结构的神经网络作为基学习器，并将多个神经网络结合起来共同对信道进行均衡，相比于单一的神经网络能够有更低的误码率与均方误差，提升了均衡后的效果。
附图说明
图1为本发明提供的基于集成学习和神经网络的自适应信道均衡器的结构示意图；
图2为本发明提供的多层感知器神经网络的结构示意图；
图3为该均衡器在线性信道的情况下的仿真结果图；
图4为该均衡器在线性信道为CH＝1时的两种不同的非线性畸变的情况下的仿真结果对比图；
图5为该均衡器在线性信道为CH＝2时的两种不同的非线性畸变的情况下的仿真结果对比图；
图6为原始发送信号的星座图；
图7为信号经过信道传输函数CH＝1(线性畸变)后的信号星座图；
图8为信号经过非线性畸变NL＝1后的信号星座图；
图9为加入噪声后的信号星座图；
图10为经过该集成型神经网络自适应均衡器均衡后信号的星座图；
图11为该集成型神经网络自适应均衡器处理突然噪声的均方误差与基学习数量的曲线图。
具体实施方式
本实施例公开了一种基于集成学习和神经网络的自适应信道均衡器，如图1所示，包括：
多个多层感知器神经网络，每个多层感知器神经网络包括一层输入层、一层隐藏层和一层输出层，如图2所示，所述输入层的神经元个数为2s个，神经元的数据为将经QPSK调制并通过无线信道传输来的信号接收后、再经分离得到的信号及信号延时部分的同相部分和正交部分，即ri(n),rq(n),......,ri(n-s+1),rq(n-s+1)，ri(n),rq(n)分别表示信号的同相部分和正交部分，ri(n-s+1),rq(n-s+1)分别表示信号延时了s-1个时刻的延时部分的同相部分和正交部分，所述输出层的神经元个数为2个，分别输出经过对应多层感知器神经网络均衡后信号的同相部分和正交部分
一个集成学习器，用于将多个多层感知器神经网络均衡后得到信号的同相部分和正交部分，分别经过加权和后作为最终的无线信道均衡结果，具体为：
式中，L为多层感知器神经网络的个数，下标l表示多层感知器神经网络的标号，λ表示多层感知器神经网络的取值，分别为无线信道均衡后的同相部分和正交部分。
其中，所述隐藏层的神经元的输出具体为：
hk表示第k个隐藏层神经元的输出，rj表示第j个输入层神经元的数据，vjk表示第j个输入层神经元与第k个隐藏层神经元之间的权值，bk表示第k个隐藏层神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
其中，所述输出层的神经元的输出具体为：
式中，分别为经过多层感知器神经网络均衡后信号的同相部分和正交部分，hk表示第k个隐藏层神经元的输出，m为隐藏层神经元的个数，wki、wkq分别表示第k个隐藏层神经元与输出的神经元之间的权值，bi、bq分别表示输出的神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
本实施例还提供了一种基于集成学习和神经网络的自适应信道均衡方法，包括：
(1)获取训练样本数据，具体为：将接收到的经QPSK调制并通过无线信道传输来的连续信号进行均匀分割，得到若干份分割数据，再将每份分割数据进行信号分离，得到每份分割数据中每一信号及该信号延时部分的同相部分和正交部分，即ri(n),rq(n),......,ri(n-s+1),rq(n-s+1)，ri(n),rq(n)分别表示信号的同相部分和正交部分，ri(n-s+1),rq(n-s+1)分别表示信号延时了s-1个时刻的延时部分的同相部分和正交部分；将分离后的一份分割数据作为一次训练样本。均匀分割充分利用了信号的时间相关性。
(2)建立无线信道自适应均衡器，具体包括多个多层感知器神经网络和一个集成学习器。
具体的，每个多层感知器神经网络包括一层输入层、一层隐藏层和一层输出层，所述输入层的神经元个数为2s个，所述输出层的神经元个数为2个，分别输出经过对应多层感知器神经网络均衡后信号的同相部分和正交部分；s为接收的无线信道传输来的信号及信号延时部分的信号总数；
其中，所述隐藏层的神经元的输出具体为：
hk表示第k个隐藏层神经元的输出，rj表示第j个输入层神经元的数据，vjk表示第j个输入层神经元与第k个隐藏层神经元之间的权值，bk表示第k个隐藏层神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
其中，所述输出层的神经元的输出具体为：
式中，分别为经过多层感知器神经网络均衡后信号的同相部分和正交部分，hk表示第k个隐藏层神经元的输出，m为隐藏层神经元的个数，wki、wkq分别表示第k个隐藏层神经元与输出的神经元之间的权值，bi、bq分别表示输出的神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
具体的，集成学习器用于将多个多层感知器神经网络均衡后得到信号的同相部分和正交部分，经过加权和后输出。具体为：
式中，L为多层感知器神经网络的个数，下标l表示多层感知器神经网络的标号，λ表示多层感知器神经网络的取值，分别为无线信道均衡后的同相部分和正交部分。在训练阶段，利用均衡器的输出与训练数据的差值来调整每一个多层感知器神经网络MLP的权值。在测试阶段，则可以利用简单平均法得出集成学习方法下的均衡器的最终结果。
(3)将训练样本输入建立的无线信道自适应均衡器，进行训练；训练时对每个多层感知器神经网络采用带有动量项的反向传播算法进行训练，得到多层感知器神经网络中各层之间的权重值，误差函数采用绝对值误差函数，对集成学习器采用集成学习器的输出与实际信号的差值调整每个多层感知器神经网络的权重值。
其中，对每个多层感知器神经网络采用带有动量项的反向传播算法进行训练时，权值更新方法为
式中，wkx(n)表示n时刻第k个隐藏层神经元与输出的神经元之间的权值，Δwkx(n)表示n时刻wkx(n)的更新量，ρ表示一个中0到1之间的衰减因子，η表示学习率，sgn表示符号函数，大于0时符号函数的值为1，小于0时符号函数的值为-1，hk表示第k个隐藏层神经元的输出，vjk(n)表示n时刻第j个输入层神经元与第k个隐藏层神经元之间的权值，Δvjk(n)表示t时刻vjk(t)的更新量，分别为多层感知器神经网络均衡输出的同相部分和正交部分，yi(n)、yq(n)分别为实际信号的同相部分和正交部分。
(4)将无线信道传输来的待均衡的信号分离得到信号及该信号延时部分的同相部分和正交部分，输入训练好的无线信道自适应均衡器，输出即为信道均衡结果。
下面对本实施例进行仿真验证。
采用以下两种线性信道模型：
CH＝1：0.341+0.876z-1+0.341z-2
CH＝2：0.3482+0.8704z-1+0.3482z-2
采用以下两种非线性畸变：
NL＝1：g(x)＝tanh(x)
NL＝2：g(x)＝x+0.2x2-0.1x3
该线性信道函数常用于无线通信系统中，这两种非线性畸变常见于放大器所产生的饱和现象，在各类关于信道均衡的文献中广为采用。先测试了在线性信道的环境下均衡器的均方误差曲线与基学习器数量的关系，信噪比设置为13dB，均方误差曲线如图3所示。可以看到，在线性信道的条件下，均衡器的均方误差会随着基学习器数量的增加而下降。在基学习器数量为10的情况下，均衡器的均方误差相比较于单个神经网络均衡器降低1dB以上。使用集成学习方法能够带来均衡效果的提升。
之后测试信噪比为15dB，CH＝1以及CH＝2的约束条件下的均衡器的均方误差曲线，图4和图5展示了我们的在该约束条件下的均方误差曲线。由图4和图5我们可以看到，随着基学习器数量的增加，经过均衡后信号的均方误差会随着基学习数量的增加而呈现不断下降的趋势。同时我们还可以看到，当基学习器数量为10的时候，NL＝1时均衡后信号的均方误差会比NL＝2条件下单个基学习器的信号的均方误差更低。这说明我们集成学习方法能够弥补更加恶劣的信道环境所带来的不利影响。
图6为发送信号的原始星座图，由于所发送的信号采用QPSK方式进行调制。因此星座图的显示为4个点。分别是(1,1)，(-1,1)，(-1,-1)，(1,-1)，实部表示同相信号，虚部表示正交信号。
图7为发送信号经过信道函数CH＝1即线性畸变后的星座图情况。图8为信号经过非线性畸变NL＝1后的信号的星座图情况。图9为再加入了噪声之后信号的星座图显示。可以看到在加入了噪声之后。原本聚集在四个点上的信号星座图已然变得杂乱无章。图10显示了经过集成型神经网络自适应均衡器均衡后信号的星座图。原本杂乱无章的星座图在经过了集成型神经网络自适应均衡器的均衡后码元趋近于原本星座图上的四个点。证明了本发明所设计的集成型神经网络自适应均衡器能够较好地对信号进行均衡。
图11为加入突发噪声后集成型神经网络自适应均衡器的均方误差曲线图，由于无线信道的传输环境下，信号在传输过程中常常容易受到各种突发的干扰，导致信号出现严重的畸变与失真。因此首先生成10000个QPSK调制的码元，使其经过CH＝2的信道函数，同时非线性畸变设置为NL＝1，即采用tanh(x)作为非线性畸变，信噪比设置为15dB。然后在这10000个码元之间加入2000个QPSK调制的码元，这2000个码元使其同样经过上述线性信道与非线性畸变，但是使这2000个码元通过信道时的信噪比设置为5dB。表明这2000个码元是受到了突发噪声干扰的异常信号，最后将这2000个码元加入之前正常生成的10000个码元，使这1200个码元构成了带有突发噪声干扰的信号，并将其作为神经网络的训练数据。同时再生成5000个正常的码元，经过上述线性信道与非线性畸变，信噪比设置为15dB，将这5000个码元作为测试数据对集成型神经网络自适应均衡器进行测试。加入突发噪声后，采用集成型神经网络自适应均衡器能够降低均方误差，这是由于突发噪声的存在作为训练数据会对神经网络产生很大的扰动，因此采用多个神经网络时，训练数据由于被平均分割并送入每个神经网络进行训练，每一个神经网络只分到很少部分的突发噪声最为训练数据，突发噪声对神经网络的扰动从而带来的不利影响会被多个神经网络的共同作用所削弱。而当神经网络个数再增加时，均方误差又会呈现上升趋势，这是因为当基学习器数量增加时，每一个神经网络的训练数据量有所减少，因此异常信号在每个神经网络所分配到的训练数据量的占比会提高。因此导致了异常信号此时会加大对神经网络的扰动，均方误差便会再次上升。实验证明，本发明所设计的自适应均衡器能够较好地处理突发噪声带来的干扰，具有较好的抗噪声性能。
以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (7)

1.一种基于集成学习和神经网络的自适应信道均衡器，其特征在于包括：
多个多层感知器神经网络，每个多层感知器神经网络包括一层输入层、一层隐藏层和一层输出层，所述输入层的神经元个数为2s个，神经元的数据为将经QPSK调制并通过无线信道传输来的信号接收后、再经分离得到的信号及信号延时部分的同相部分和正交部分，s为接收的无线信道传输来的信号及信号延时部分的信号总数，所述输出层的神经元个数为2个，分别输出经过对应多层感知器神经网络均衡后信号的同相部分和正交部分；
一个集成学习器，用于将多个多层感知器神经网络均衡后得到信号的同相部分和正交部分，分别经过加权和后作为最终的无线信道均衡结果。
2.根据权利要求1所述的基于集成学习和神经网络的自适应信道均衡器，其特征在于：所述隐藏层的神经元的输出具体为：
hk表示第k个隐藏层神经元的输出，rj表示第j个输入层神经元的数据，vjk表示第j个输入层神经元与第k个隐藏层神经元之间的权值，bk表示第k个隐藏层神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
3.根据权利要求1所述的基于集成学习和神经网络的自适应信道均衡器，其特征在于：所述输出层的神经元的输出具体为：
式中，分别为经过多层感知器神经网络均衡后信号的同相部分和正交部分，hk表示第k个隐藏层神经元的输出，m为隐藏层神经元的个数，wki、wkq分别表示第k个隐藏层神经元与输出的神经元之间的权值，bi、bq分别表示输出的神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
4.一种基于集成学习和神经网络的自适应信道均衡方法，其特征在于该方法包括：
(1)获取训练样本数据，具体为：将接收到的经QPSK调制并通过无线信道传输来的连续信号进行均匀分割，得到若干份分割数据，再将每份分割数据进行信号分离，得到每份分割数据中每一信号及该信号延时部分的同相部分和正交部分，将分离后的一份分割数据作为一次训练样本；
(2)建立无线信道自适应均衡器，具体包括：
多个多层感知器神经网络，每个多层感知器神经网络包括一层输入层、一层隐藏层和一层输出层，所述输入层的神经元个数为2s个，所述输出层的神经元个数为2个，分别输出经过对应多层感知器神经网络均衡后信号的同相部分和正交部分；s为接收的无线信道传输来的信号及信号延时部分的信号总数；
一个集成学习器，用于将多个多层感知器神经网络均衡后得到信号的同相部分和正交部分，经过加权和后输出；
(3)将训练样本输入建立的无线信道自适应均衡器，进行训练；训练时对每个多层感知器神经网络采用带有动量项的反向传播算法进行训练，得到多层感知器神经网络中各层之间的权重值，误差函数采用绝对值误差函数，对集成学习器采用集成学习器的输出与实际信号的差值调整每个多层感知器神经网络的权重值；
(4)将无线信道传输来的待均衡的信号分离得到信号及该信号延时部分的同相部分和正交部分，输入训练好的无线信道自适应均衡器，输出即为信道均衡结果。
5.根据权利要求4所述的基于集成学习和神经网络的自适应信道均衡方法，其特征在于：所述隐藏层的神经元的输出具体为：
hk表示第k个隐藏层神经元的输出，rj表示第j个输入层神经元的数据，vjk表示第j个输入层神经元与第k个隐藏层神经元之间的权值，bk表示第k个隐藏层神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
6.根据权利要求4所述的基于集成学习和神经网络的自适应信道均衡方法，其特征在于：所述输出层的神经元的输出具体为：
式中，分别为经过多层感知器神经网络均衡后信号的同相部分和正交部分，hk表示第k个隐藏层神经元的输出，m为隐藏层神经元的个数，wki、wkq分别表示第k个隐藏层神经元与输出的神经元之间的权值，bi、bq分别表示输出的神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。
7.根据权利要求4所述的基于集成学习和神经网络的自适应信道均衡方法，其特征在于：对每个多层感知器神经网络采用带有动量项的反向传播算法进行训练时，权值更新方法为
式中，wkx(n)表示n时刻第k个隐藏层神经元与输出的神经元之间的权值，Δwkx(n)表示n时刻wkx(n)的更新量，ρ表示一个中0到1之间的衰减因子，η表示学习率，sgn表示符号函数，大于0时符号函数的值为1，小于0时符号函数的值为-1，hk表示第k个隐藏层神经元的输出，vjk(n)表示n时刻第j个输入层神经元与第k个隐藏层神经元之间的权值，Δvjk(n)表示t时刻vjk(t)的更新量，分别为多层感知器神经网络均衡输出的同相部分和正交部分，yi(n)、yq(n)分别为实际信号的同相部分和正交部分。
CN201910536638.XA 2019-06-20 2019-06-20 基于集成学习和神经网络的自适应信道均衡器及方法 Active CN110392006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910536638.XA CN110392006B (zh) 2019-06-20 2019-06-20 基于集成学习和神经网络的自适应信道均衡器及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910536638.XA CN110392006B (zh) 2019-06-20 2019-06-20 基于集成学习和神经网络的自适应信道均衡器及方法

Publications (2)

Publication Number Publication Date
CN110392006A true CN110392006A (zh) 2019-10-29
CN110392006B CN110392006B (zh) 2022-01-28

Family

ID=68285480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910536638.XA Active CN110392006B (zh) 2019-06-20 2019-06-20 基于集成学习和神经网络的自适应信道均衡器及方法

Country Status (1)

Country Link
CN (1) CN110392006B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859795A (zh) * 2020-07-14 2020-10-30 东南大学 针对功率放大器的多项式辅助神经网络行为建模系统及方法
CN112036543A (zh) * 2020-07-16 2020-12-04 北京大学 神经网络均衡与线性均衡相结合的时域均衡器及均衡方法
CN112636855A (zh) * 2020-12-18 2021-04-09 北京大学 一种ofdm信号检测方法
CN113726352A (zh) * 2021-09-23 2021-11-30 重庆两江卫星移动通信有限公司 一种自适应零中频接收机正交误差校正方法
CN115208721A (zh) * 2022-06-23 2022-10-18 上海交通大学 类Volterra的神经网络均衡器构建方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108650201A (zh) * 2018-05-10 2018-10-12 东南大学 基于神经网络的信道均衡方法、译码方法及对应设备
CN109905337A (zh) * 2019-01-13 2019-06-18 浙江大学 一种基于narx神经网络与块状反馈的信道均衡方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108650201A (zh) * 2018-05-10 2018-10-12 东南大学 基于神经网络的信道均衡方法、译码方法及对应设备
CN109905337A (zh) * 2019-01-13 2019-06-18 浙江大学 一种基于narx神经网络与块状反馈的信道均衡方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙知非: "《递归神经网络盲均衡器设计》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859795A (zh) * 2020-07-14 2020-10-30 东南大学 针对功率放大器的多项式辅助神经网络行为建模系统及方法
CN112036543A (zh) * 2020-07-16 2020-12-04 北京大学 神经网络均衡与线性均衡相结合的时域均衡器及均衡方法
CN112036543B (zh) * 2020-07-16 2022-05-03 北京大学 神经网络均衡与线性均衡相结合的时域均衡器及均衡方法
CN112636855A (zh) * 2020-12-18 2021-04-09 北京大学 一种ofdm信号检测方法
CN113726352A (zh) * 2021-09-23 2021-11-30 重庆两江卫星移动通信有限公司 一种自适应零中频接收机正交误差校正方法
CN115208721A (zh) * 2022-06-23 2022-10-18 上海交通大学 类Volterra的神经网络均衡器构建方法及系统
CN115208721B (zh) * 2022-06-23 2024-01-23 上海交通大学 类Volterra的神经网络均衡器构建方法及系统

Also Published As

Publication number Publication date
CN110392006B (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN110392006A (zh) 基于集成学习和神经网络的自适应信道均衡器及方法
US20160248610A1 (en) Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels
CN101185301B (zh) 用于无线通信的区块式决策反馈均衡的方法和设备
Tong Blind sequence estimation
Meyer et al. Multilayer perceptron based decision feedback equalisers for channels with intersymbol interference
CN106411799B (zh) 低轨卫星移动通信单载波频域均衡方法
CN108600128A (zh) 基于mmse准则的均衡系统及均衡方法
US7292661B1 (en) Block-iterative equalizers for digital communication system
Chen et al. Adaptive Bayesian decision feedback equaliser based on a radial basis function network
US8189709B2 (en) Frequency domain equalization method for continuous phase modulated signals
Ashmawy et al. Joint MCMA and DD blind equalization algorithm with variable-step size
CN107171990A (zh) 基于分数间隔与迭代算法的单载波信号时域均衡方法
Beasley et al. Performance of an adaptive blind equalizer for QAM signals
Higashi et al. Dual‐mode equalization for digital mobile radio
Fan et al. Fast blind equalization with two-stage single/multilevel modulus and DD algorithm for high order QAM cable systems
CN114528925B (zh) 一种基于深层分类网络的时变信道ofdm信号均衡方法
Beasley et al. SPC06-2: Blind Adaptive Equalization for QAM Signals Using an Alphabet-Matched Algorithm
Banović et al. Computationally efficient methods for blind decision feedback equalization of QAM signals
Cortés et al. Fast deep learning based multicarrier phase response estimation in non-flat frequency response channels
Li et al. A Deep Learning Based Receiver for Wireless Communications Systems With Unknown Channel Models
Gupta et al. A novel technique for channel estimation and equalization for high mobility OFDM systems
Moussa et al. Blind equalization of OFDM systems based an optimal bounding ellipsoid under different channels
Zedka et al. SC-FDE and OFDM in MISO Frequency-Selective Fading Channels
Çalışır Effect of DNN Approximation for Channel Estimation and Signal Detection on OFDM Applications.
Dubey et al. BER analysis of MIMO-OFDM system using BPSK modulation under different channel with STBC, MMSE and MRC

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