CN112598106B - 基于复数值前向神经网络的复信道均衡器设计方法 - Google Patents
基于复数值前向神经网络的复信道均衡器设计方法 Download PDFInfo
- Publication number
- CN112598106B CN112598106B CN202011495746.6A CN202011495746A CN112598106B CN 112598106 B CN112598106 B CN 112598106B CN 202011495746 A CN202011495746 A CN 202011495746A CN 112598106 B CN112598106 B CN 112598106B
- Authority
- CN
- China
- Prior art keywords
- complex
- neural network
- search
- forward neural
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 70
- 238000013461 design Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000004891 communication Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108700038980 S-((2-chloroethyl)carbamoyl)glutathione Proteins 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种基于复数值前向神经网络的复信道均衡器设计方法,涉及人工智能与通信领域。本发明一种基于复数值前向神经网络的复信道均衡器设计方法,包括:采用一种可选择搜索方向训练方法训练复数值前向神经网络,使得目标函数值在每一次训练后都尽可能地减少;所述训练好的复数值前向神经网络作为信道均衡器,用于数字通信系统中。本发明基于复数值前向神经网络的复信道均衡器设计方法的有益效果是:本发明提出的可选择搜索方向训练方法,在训练过程中,通过引入一组方向因子,构建出多个搜索方向,采用宽度优先搜索策略从中选择最优的训练方向,完成复数值前向神经网络的高效训练,从而实现复信道均衡器的设计,并取得优越的性能。
Description
技术领域
本发明涉及人工智能和通信领域,具体涉及一种基于复数值前向神经网络的复信道均衡器设计方法。
背景技术
随着互联网技术的迅速发展,人们对数字通信技术以及数字通信质量的要求不断提高,高效地传输数据已经成为当下一个重要的研究热点。然而在信号传输的过程中,存在信道延时、多径传播等情形,不可以避免地导致通信质量下降。因此,信号经过一个无线信道的时候,会使接受的信号产生相互交叠,从而产生码间串扰。此外,一些其它的因素例如热噪声、脉冲噪声和信道本身的性质也会进一步导致通信质量的降低。
在信号处理领域,为了消除码间串扰和噪声干扰等因素对通信质量的损害,信道均衡是一种常用的信号处理技术。其通过在信号的接收端加入均衡器,用于补偿信号在无线信道中由于一些客观因素所导致的通信质量下降。根据均衡参数和信号之间的关系,均衡器可以分为线性均衡器和非线性均衡器。线性均衡器因为其实现简单,在数字通信中得到了广泛的应用。然而,当传输信道是非线性或者噪声干扰较为严重的时候,线性均衡器的均衡性能会急剧地下降。此时,非线性均衡器的出现在一定程度上很好地克服了这一问题。常见的非线性均衡器有判决反馈均衡器,神经网络均衡器等。其中神经网络由于其自身非线性映射和优异的函数逼近等能力,作为一种非线性均衡器,得到了广泛地应用。
发明内容
本发明要解决的技术问题是提供一种基于复数值前向神经网络的复信道均衡器设计方法,采用一种可选择搜索方向训练方法训练复数值前向神经网络,使目标函数值尽可能减少;将所述训练好的复数值前向神经网络作为信道均衡器,并用于数字通信系统中。
为了解决上述技术问题,本发明提供了一种基于复数值前向神经网络的复信道均衡器设计方法,包括:采用一种可选择搜索方向的训练方法训练复数值前向神经网络,在复数值前向神经网络训练过程中,引入方向因子,构建出多个搜索方向,采用强Wolfe线性搜索确定对应搜索方向上的学习步长,并采用宽度优先搜索策略选择合适的搜索方向和学习步长作为实际搜索方向和学习步长,从而使目标函数E(ψ)的值尽可能减少;
将训练好的所述复数值前向神经网络作为信道均衡器,并用于数字通信系统中,其中,所述复数值前向神经网络的输入为所述数字通信系统含噪声信号v(n)的非线性信道输出o(n)=[o(n),o(n-1),…,o(n-k+1)]T,所述复数值前向神经网络的期望输出为x(n-τ),其中,τ为延迟单元,k为均衡器的阶数。
在其中一个实施例中,具体流程为:
S1.采集用于复信道均衡器设计的复数值前向神经网络的训练数据;将数字通信系统中含噪声信号v(n)的非线性信道的输出向量o(n)=[o(n),o(n-1),…,o(n-k+1)]T和τ个延迟单元的非线性信道输入x(n-τ)构建为训练样本对,其中k为均衡器的阶数;
S2.构建一个复数值前向神经网络,并初始化由权值和偏置构成的参数向量ψ;
S3.通过可选择搜索方向的训练方法训练用于复信道均衡器设计的复数值前向神经网络;
S4.判断训练方法是否满足训练停止条件;如果不满足,继续训练;如果满足,得到已训练好的复数值前向神经网络,实现复信道均衡器的设计。
在其中一个实施例中,步骤S3的具体流程为:
S3-1.为了使目标函数E(ψ)的值尽可能地减少,引入一组方向因子αg(g=1,2,...,G),从而构建出多个搜索方向,并根据最优性条件,删除使目标函数值上升的搜索方向;
S3-2.在构建搜索方向后,采用强Wolfe线性搜索策略确定搜索方向对应的学习步长。
在其中一个实施例中,在步骤S3-1中,引入方向因子αg,从而构建出多个搜索方向,并根据最优性条件,删除使目标函数值上升的搜索方向,具体实现过程如下:
假设目标函数为E(ψ),引入方向因子αg,则在第m次迭代时,潜在的搜索方向可以通过下式计算:
其中是在第(m-1)次迭代时保留下来的第f个搜索方向(f=1,2,...,F),αg表示引入的第g个方向因子(g=1,2,...,G),/>表示利用第(m-1)次迭代时保存的第f个搜索方向计算得到的共轭系数,即/>
对所有的f和g,根据是否小于0,决定是否删除搜索方向/>如果小于0,则删除该搜索方向,并在后续的学习中不再保留。
在其中一个实施例中,在步骤S3-2中,采用强Wolfe线性搜索策略确定搜索方向对应的学习步长,具体实现过程如下:
确定搜索方向后,根据
和
计算搜索方向对应的学习步长;这里l1和l2为给定的参数。
在其中一个实施例中,步骤S3还包括S3-3.在构建的多个搜索方向和学习步长中,采用宽度优先搜索策略选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,更新复数值前向神经网络参数向量ψ(m),获得新的权值和偏置ψ(m+1)。
在其中一个实施例中,在步骤S3-3中,在构建的多个搜索方向和学习步长中,采用宽度优先搜索策略选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,并更新复数值前向神经网络参数向量ψ(m),获得一组新权值和偏置ψ(m+1)具体实现过程如下:
根据公式选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,从而得到参数更新表达式:
基于同样的发明构思,本申请还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
本发明的有益效果:
本发明提出一种基于复数值前向神经网络的复信道均衡器设计方法,为实现所述复数值前向神经网络的高效训练,本发明提出可选择搜索方向的训练方法,在训练过程中,通过引入一组方向因子,构建出多个搜索方向,采用宽度优先搜索策略从中选择最优的训练方向,完成复数值前向神经网络的高效训练,从而实现复信道均衡器的设计,并取得优越的性能。
附图说明
图1是本发明基于复数值前向神经网络的复信道均衡器设计方法的通信传输系统示意图。
图2是本发明基于复数值前向神经网络的复信道均衡器设计方法的训练方法调整机制示意图。
图3是本发明中复数值前向神经网络的搜索方向构建过程示意图。
图4是本发明用于复信道均衡器设计的复数值前向神经网络的训练方法流程图。
图5是本发明基于复数值前向神经网络的复信道均衡器设计方法的性能比较图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参阅图1,本发明提供了一种基于复数值前向神经网络的复信道均衡器设计方法,采用一种可选择搜索方向训练方法训练复数值前向神经网络,在复数值前向神经网络训练过程中,引入方向因子,构建出多个搜索方向,采用强Wolfe线性搜索策略确定搜索方向上的学习步长,并采用宽度优先搜索策略选择合适的搜索方向和学习步长作为实际搜索方向和学习步长,从而使目标函数E(ψ)的值尽可能减少。
将训练好的所述复数值前向神经网络作为信道均衡器,并用于数字通信系统中,其中,所述复数值前向神经网络的输入为所述数字通信系统含噪声信号v(n)的非线性信道输出o(n)=[o(n),o(n-1),…,o(n-k+1)]T,所述复数值前向神经网络的期望输出为x(n-τ),其中,τ为延迟单元,k为均衡器的阶数。
具体流程为:
S1.采集用于复信道均衡器设计的复数值前向神经网络的训练数据。将数字通信系统中,含噪声信号v(n)的非线性信道的输出向量o(n)=[o(n),o(n-1),…,o(n-k+1)]T和τ个延迟单元的非线性信道输入x(n-τ)构建为一组训练样本对,其中k为均衡器的阶数;
S2.构建一个复数值前向神经网络,并初始化权值和偏置构成的参数向量ψ;
S3.通过可选择搜索方向的训练方法训练用于复信道均衡器设计的复数值前向神经网络;
S4.判断训练方法是否满足训练停止条件;如果不满足,继续训练;如果满足,得到已训练好的复数值前向神经网络,实现复信道均衡器的设计。
参阅图2,其中步骤S3的具体流程为
S3-1.为了使目标函数E(ψ)的值尽可能地减少,引入一组方向因子αg(g=1,2,...,G),从而构建出多个搜索方向,并根据最优性条件,删除使目标函数上升的搜索方向;
S3-2.在构建出来的搜索方向后,采用强Wolfe线性搜索策略确定搜索方向对应的学习步长;
S3-3.在构建的多个搜索方向和学习步长中,采用宽度优先搜索策略选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的实际搜索方向和学习步长,更新复数值前向神经网络参数向量ψ(m),获得新的权值和偏置ψ(m+1)。
在步骤S3-1中,引入方向因子αg,从而构建出多个搜索方向,并根据最优性条件,删除使目标函数上升的搜索方向,具体实现过程如下:
假设目标函数为E(ψ),引入方向因子αg,则在第m次迭代时,潜在的搜索方向可以通过如下公式计算:
其中是在第(m-1)迭代保留下来的第f个搜索方向(f=1,2,...,F),αg表示引入的第g个方向因子(g=1,2,…,G),/>表示利用在第(m-1)迭代时保存的第f个搜索方向计算得到的共轭系数,即/>新的搜索方向构建过程如图3;
对所有的f和g,根据是否小于0,决定是否删除搜索方向/>如果小于0,则删除该搜索方向,并在后续的学习中不再保留。
在步骤S3-2中,采用强Wolfe线性搜索策略确定搜索方向对应的学习步长,具体实现过程如下:
确定搜索方向后,根据公式
和
计算搜索方向对应的学习步长。这里l1和l2为给定的参数。
在步骤S3-3中,在众多构建的搜索方向和学习步长中,采用宽度优先搜索策略选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,并更新复数值前向神经网络参数向量ψ(m),获得新的权值和偏置ψ(m+1),具体实现过程如下:
根据公式选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,从而得到参数更新表达式:训练方法的流程图如图4。
本发明提出基于复数值前向神经网络的复信道均衡器设计方法,首先通过可选择搜索方向训练方法,在训练过程中,引入方向因子,构建出多个搜索方向,并采用宽度优先搜索策略选择合适的搜索方向,从而使基于复数值前向神经网络的信道均衡器性能表现优越。
参阅图5,本发明一种基于复数值前向神经网络的复信道均衡器设计方法在一个传输信道下的训练收敛效果图。在这三个训练方法中,本发明提出的可选择搜索方向训练方法取得了最好的效果,其中SCBPG和SCCG是梯度下降训练方法和共轭梯度训练方法,SDTA是可选择搜索方向训练方法。
本发明的关键构思如下:
基于共轭梯度法,引入方向因子实现搜索方向的可选择,增强了搜索方向选择上的灵活性;引入方向因子产生多个搜索方向,扩大了训练方法的搜索空间,有利于寻找到更合适的搜索方向;根据小于0,删除使目标函数值上升的搜索方向。相比于共轭梯度、梯度下降等训练方法,本发明提供的可选择搜索方向训练方法取得更好的收敛性能。通过将训练好的复数值前向神经网络作为信道均衡器,用于数字通信系统中,实现信道均衡的目的。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,包括:采用一种可选择搜索方向的训练方法训练复数值前向神经网络,在复数值前向神经网络训练过程中,引入方向因子,构建出多个搜索方向,采用强Wolfe线性搜索策略确定对应搜索方向上的学习步长,并采用宽度优先搜索策略选择合适的搜索方向和学习步长作为实际搜索方向和学习步长,从而使目标函数E(ψ)的值尽可能减少;
在第m次迭代时,潜在的搜索方向通过下式计算:
其中是在第(m-1)次迭代时保留下来的第f个搜索方向,f=1,2,...,F,αg表示引入的第g个方向因子,g=1,2,...,G,/>表示利用第(m-1)次迭代时保存的第f个搜索方向计算得到的共轭系数,即/>
将训练好的所述复数值前向神经网络作为信道均衡器,并用于数字通信系统中,其中,所述复数值前向神经网络的输入为所述数字通信系统含噪声信号v(n)的非线性信道输出o(n)=[o(n),o(n-1),…,o(n-k+1)]T,所述复数值前向神经网络的期望输出为x(n-τ),其中,τ为延迟单元,k为均衡器的阶数。
2.如权利要求1所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,具体流程为:
S1.采集用于复信道均衡器设计的复数值前向神经网络的训练数据;将数字通信系统中含噪声信号v(n)的非线性信道的输出向量o(n)=[o(n),o(n-1),…,o(n-k+1)]T和τ个延迟单元的非线性信道输入x(n-τ)构建为训练样本对,其中k为均衡器的阶数;
S2.构建一个复数值前向神经网络,并初始化由权值和偏置构成的参数向量ψ;
S3.通过可选择搜索方向的训练方法训练用于复信道均衡器设计的复数值前向神经网络;
S4.判断训练方法是否满足训练停止条件;如果不满足,继续训练;如果满足,得到已训练好的复数值前向神经网络,实现复信道均衡器的设计。
3.如权利要求2所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,步骤S3的具体流程为:
S3-1.为了使目标函数E(ψ)的值在每一次训练后尽可能地减少,引入一组方向因子αg(g=1,2,...,G),从而构建出多个搜索方向,并根据最优性条件,删除使目标函数值上升的搜索方向;
S3-2.在构建搜索方向后,采用强Wolfe线性搜索策略确定搜索方向对应的学习步长。
4.如权利要求3所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,在步骤S3-1中,引入一组方向因子αg(g=1,2,...,G),从而构建出多个搜索方向,并根据最优性条件,删除使目标函数值上升的搜索方向,具体实现过程如下:
对所有的f和g,根据是否小于0,决定是否删除搜索方向/>如果小于0,则删除该搜索方向,并在后续的学习中不再保留。
5.如权利要求3所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,在步骤S3-2中,采用强Wolfe线性搜索策略确定搜索方向对应的学习步长,具体实现过程如下:
确定搜索方向后,根据
和
计算搜索方向对应的学习步长;这里l1和l2为给定的参数。
6.如权利要求3所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,步骤S3还包括S3-3.在构建的多个搜索方向和学习步长中,采用宽度优先搜索策略选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,更新复数值前向神经网络参数向量ψ(m),获得新的权值和偏置ψ(m+1)。
7.如权利要求6所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,在步骤S3-3中,在构建的多个搜索方向和学习步长中,采用宽度优先搜索策略选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,并更新复数值前向神经网络参数向量ψ(m),获得一组新的权值和偏置ψ(m+1),具体实现过程如下:
根据公式和/>选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,从而得到参数更新表达式:
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495746.6A CN112598106B (zh) | 2020-12-17 | 2020-12-17 | 基于复数值前向神经网络的复信道均衡器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495746.6A CN112598106B (zh) | 2020-12-17 | 2020-12-17 | 基于复数值前向神经网络的复信道均衡器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598106A CN112598106A (zh) | 2021-04-02 |
CN112598106B true CN112598106B (zh) | 2024-03-15 |
Family
ID=75196988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011495746.6A Active CN112598106B (zh) | 2020-12-17 | 2020-12-17 | 基于复数值前向神经网络的复信道均衡器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598106B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095294B (zh) * | 2021-05-08 | 2023-03-24 | 苏州大学 | 自适应数字调制信号解调器及其解调方法 |
CN113158582A (zh) * | 2021-05-24 | 2021-07-23 | 苏州大学 | 基于复数值前向神经网络的风速预测方法 |
CN113408726B (zh) * | 2021-06-30 | 2022-12-06 | 苏州大学 | 基于ap-nag算法的复值神经网络信道均衡器设计方法 |
CN115378507B (zh) * | 2022-08-19 | 2024-04-26 | 聊城大学 | 适用于多特征值非线性频分复用系统的噪声均衡方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003078454A (ja) * | 2001-09-04 | 2003-03-14 | Communication Research Laboratory | 通信歪み補償装置および補償方法 |
CN103944842A (zh) * | 2013-01-23 | 2014-07-23 | 华为技术有限公司 | 信道均衡方法以及通信设备 |
CN107124379A (zh) * | 2017-04-07 | 2017-09-01 | 淮南联合大学 | 一种基于改进狼群优化的正交小波常模盲均衡方法 |
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 |
CN109600335A (zh) * | 2019-01-17 | 2019-04-09 | 山东建筑大学 | 基于神经网络的aco-ofdm系统综合papr抑制方法及系统 |
CN109816103A (zh) * | 2017-11-20 | 2019-05-28 | 天津大学 | 一种pso-bfgs神经网络训练算法 |
CN111723945A (zh) * | 2020-06-03 | 2020-09-29 | 杭州欣禾圣世科技有限公司 | 一种基于改进灰狼算法的bp神经网络优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580381B2 (en) * | 2018-08-01 | 2023-02-14 | Siemens Healthcare Gmbh | Complex-valued neural network with learnable non-linearities in medical imaging |
-
2020
- 2020-12-17 CN CN202011495746.6A patent/CN112598106B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003078454A (ja) * | 2001-09-04 | 2003-03-14 | Communication Research Laboratory | 通信歪み補償装置および補償方法 |
CN103944842A (zh) * | 2013-01-23 | 2014-07-23 | 华为技术有限公司 | 信道均衡方法以及通信设备 |
CN107124379A (zh) * | 2017-04-07 | 2017-09-01 | 淮南联合大学 | 一种基于改进狼群优化的正交小波常模盲均衡方法 |
CN109816103A (zh) * | 2017-11-20 | 2019-05-28 | 天津大学 | 一种pso-bfgs神经网络训练算法 |
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 |
CN109600335A (zh) * | 2019-01-17 | 2019-04-09 | 山东建筑大学 | 基于神经网络的aco-ofdm系统综合papr抑制方法及系统 |
CN111723945A (zh) * | 2020-06-03 | 2020-09-29 | 杭州欣禾圣世科技有限公司 | 一种基于改进灰狼算法的bp神经网络优化方法 |
Non-Patent Citations (2)
Title |
---|
A L-BFGS Based Learning Algorithm for Complex-Valued Feedforward Neural Networks;Wu RR, Huang H, Qian XS, Huang TW;《NEURAL PROCESSING LETTERS》;20180619;第47卷(第3期);第1271-1284页 * |
相干光传输系统非线性均衡算法研究;雷平平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200715(第07期);第I136-607页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112598106A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598106B (zh) | 基于复数值前向神经网络的复信道均衡器设计方法 | |
US8121183B2 (en) | System for an adaptive floating tap decision feedback equalizer | |
CN109951214B (zh) | 一种适用于大规模mimo系统的信号检测方法 | |
CN107124379B (zh) | 一种基于改进狼群优化的正交小波常模盲均衡方法 | |
US10574263B2 (en) | Method for implementing turbo equalization compensation, turbo equalizer and system | |
CA2119625C (en) | Equalization technique for compensating for degradation to the transmission of digitally modulated signals | |
US6327302B1 (en) | Fast adaptive equalizer for wireless communication systems | |
CN113055317A (zh) | 一种水声ofdm系统正交匹配追踪信道估计方法 | |
US11909566B2 (en) | Method for designing complex-valued channel equalizer | |
US20030099308A1 (en) | Trellis based maximum likelihood signal estimation method and apparatus for blind joint channel estimation and signal detection | |
CN109088836B (zh) | 单载波频域均衡soqpsk-tg信号的数据块构造方法 | |
US20040165674A1 (en) | Method for initialization and stepsize control of time-domain equalizer in multi-carrier communication system | |
Chang et al. | Fast self-constructing fuzzy neural network-based decision feedback equaliser in time-invariant and time-varying channels | |
CN108282200B (zh) | 一种大规模mimo系统中基于因子图的置信度传播信号检测方法 | |
Mathews et al. | A Non-Linear Improved CNN Equalizer with Batch Gradient Decent in 5G Wireless Optical Communication | |
KR101494401B1 (ko) | 이동통신 시스템의 수신 장치 및 방법 | |
CN112769720B (zh) | 信道均衡的方法、装置、计算机设备和介质 | |
KR102598285B1 (ko) | FS-Net 기반의 심층 신경망을 이용한 MIMO 무선 통신 시스템 및 방법 | |
El-Khamy et al. | Reduced complexity list sphere decoding for MIMO systems | |
EP4207697A1 (en) | Signal compensation processing method and apparatus | |
US20030007552A1 (en) | Reduced alphabet equalizer using iterative equalization | |
WO2024034154A1 (ja) | 軟判定装置、軟判定方法及びプログラム | |
CN115395991B (zh) | 一种非线性多输入多输出信道估计方法和估计系统 | |
CN108449120B (zh) | 一种基于差分度量低复杂度qam-mimo检测方法 | |
JP5287846B2 (ja) | 高性能伝送システム、伝送方法、受信機、及び送信機 |
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 |