CN112737989A - 利用回声状态网络预测混沌基带无线通信解码阈值的方法 - Google Patents
利用回声状态网络预测混沌基带无线通信解码阈值的方法 Download PDFInfo
- Publication number
- CN112737989A CN112737989A CN202011261678.7A CN202011261678A CN112737989A CN 112737989 A CN112737989 A CN 112737989A CN 202011261678 A CN202011261678 A CN 202011261678A CN 112737989 A CN112737989 A CN 112737989A
- Authority
- CN
- China
- Prior art keywords
- decoding
- symbol
- network
- max
- state
- 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
Images
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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种利用回声状态网络预测混沌基带无线通信解码阈值的方法,步骤包括:步骤1、确定回声状态网络参数;步骤2、对储备池状态进行初始化;步骤3、进行输出权值的训练;步骤4、预测当前符号的解码阈值;步骤5、符号解码;步骤6:如果n<LF,LF为一个数据帧的总长度,转向步骤4;步骤7:令Fr=Fr+1,n0=0,nmax=nt,r(n0)=r(n),如果Fr<NF,NF为传输总帧数,转向步骤3,继续解码后续更多帧的符号信息;否则,结束完成所有解码。本发明的方法,利用回声状态网络良好的短期记忆能力,准确地预测当前符号对应的解码阈值,更加有效地减小了多径传输引起的码间干扰,降低了误码率,降低了计算量。
Description
技术领域
本发明属于人工智能及无线通信技术领域,涉及一种利用回声状态网络预测混沌基带无线通信解码阈值的方法。
背景技术
混沌由于其固有的特性,如初始条件敏感性高、宽带性、正交性、易生成性等,在通信领域有着广阔的应用前景。90年代初期,混沌在通信中的应用主要有两个方面,一种是安全通信,另一种是扩频通信。扩频通信的研究形成了一些局域网络通信标准,如IEEE802.15.6。由于混沌已成功地应用于光纤通信信道中,并获得了更高的比特率,混沌通信的研究重点也从高斯噪声的理想信道转移到约束条件复杂的实际通信信道。近几年,研究发现混沌适合通信应用的新特性,如混沌信号能用非常简单的匹配滤波器,最大限度地提高信噪比。满足一定条件,混沌经过多径无线信道后,传输信息并没有丢失。另外,混沌特性能被用来减小码间干扰(ISI)的影响。与传统的非混沌通信相比,实验表明混沌基带无线通信获得了更好的性能。
虽然混沌基带无线通信系统(CBWCS)已经获得较好的性能,但仅使用了包含过去符号码间干扰的次优解码阈值或者增加预测未来一位符号信息的改进次优解码阈值来解码信息。因预测更多未来符号信息十分困难,想通过计算获得对应的最优解码阈值十分困难。这成为了进一步提高混沌基带无线通信系统性能的障碍。因此,寻找更好的解码阈值已成为亟需解决的技术难题。
发明内容
本发明的目的是提供一种利用回声状态网络预测混沌基带无线通信解码阈值的方法,解决了现有技术的最优解阈值在当前时刻无法计算的难题。
本发明所采用的技术方案是,一种利用回声状态网络预测混沌基带无线通信解码阈值的方法,按照以下步骤实施:
步骤1、确定回声状态网络参数;
步骤2、对储备池状态进行初始化;
步骤3、进行输出权值的训练;
步骤4、预测当前符号的解码阈值;
步骤5、符号解码,
至此,完成直接使用预测阈值的符号sn的解码;
步骤6:如果n<LF,LF为一个数据帧的总长度,转向步骤4;
步骤7:令Fr=Fr+1,n0=0,nmax=nt,r(n0)=r(n),如果Fr<NF,NF为传输总帧数,转向步骤3,继续解码后续更多帧的符号信息;否则,结束完成所有解码。
本发明的有益效果是,包括以下几个方面:1)本发明根据混沌基带信号的特点,利用回声状态网络良好的短期记忆能力,准确地预测当前符号对应的解码阈值。相比仅用过去符号和过去符号加未来一位符号计算阈值的方法,新方法获得了更加接近最优的解码阈值,更加有效地减小了多径传输引起的码间干扰,降低了误码率;2)本发明预测过程中不需要信道辨识,简化了解码过程,降低了计算量。
附图说明
图1是本发明方法所使用的混沌基带无线通信系统框图;
图2是本发明方法所使用的回声状态网络结构示意图;
图3是本发明方法的实现原理框图;
图4是验证本发明方法时在高斯信道下不同阈值解码得到的误码率仿真结果;
图5是验证本发明方法时在时不变两径信道下不同解码阈值的误码率仿真结果;
图6是验证本发明方法时在时不变三径信道下不同解码阈值的误码率仿真结果;
图7是验证本发明方法时在时变两径信道下不同解码阈值的误码率仿真结果;
图8是验证本发明方法时在时变三径信道下不同解码阈值的误码率仿真结果。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1,在混沌基带无线通信系统中,二进制码元信息sn经过混沌成型滤波器得到混沌信号x(t)作为基带信号;经过上载频后,调制信号经过无线信道传输,信道的脉冲响应由h(t)表示,接收端通过下载频,得到接收基带信号表示为r(t),接收基带信号r(t)被送入匹配滤波器中进行滤波,滤波器的输出信号y(t)的采样值与相应的解码阈值比较以恢复发送比特信息。根据成型滤波器特点,当前符号位信息主要受历史4位符号和未来4位符号的影响,为预测当前符号对应的解码阈值,网络需要记忆历史4位,当前1位和未来4位符号信息,但由于其对应的训练数据量较大,训练时间较长,对此,本发明方法的步骤过程中只考虑过去3位、当前1位、未来3位符号信息,用于预测当前符号的解码阈值。
本发明方法所使用的通信方式是将信息逐帧发送,逐帧恢复。每帧包含帧头数据和信息数据两个部分,其中,帧头数据同时用于帧同步、信道参数识别、频偏纠正和网络训练。每帧使用帧头数据完成一次网络训练,即利用帧头训练所得输出权值Wout在解码同一帧内传输数据信息时保持不变,帧内符号信息根据训练所得权值逐位预测解码阈值进行符号解码。根据混沌信号特征,由过去3位符号、当前1位符号和未来3位符号信息的遍历组合生成训练数据集,将此训练数据作为帧头数据与信息数据组合成帧发送,假设共发送NF帧数据,每帧数据总长度为LF。
参照图2和图3,本发明方法的工作原理是,回声状态网络的动态储备池内有许多稀疏的神经元,经过训练后蕴含系统的运行状态,具有短期记忆功能。首先确定网络的参数,包括输入神经元个数为K,动态储备池内神经元个数为N,输出神经元个数为Q;输入到储备池的连接权值矩阵为Win,动态储备池内部神经元的连接权值矩阵为稀疏矩阵W,输出单元到储备池的反馈权值矩阵为Wfb;在训练样本集上,进行输出权值矩阵Wout的训练,并使用训练所得Wout,根据当前输入信号预测相应的解码阈值。如图3所示,假设信号的过采样率Ns=16,通信中第n个码元对应的匹配滤器输出信号采样值(yn(1),…,yn(16))T作为网络的输入,输出为对应码元的解码阈值将最大信噪比点y8(n)与预测所得解码阈值作比较,解码接收信号,恢复发送比特信息
基于上述原理,本发明方法按照以下步骤具体实施:
步骤1、确定回声状态网络参数,
回声状态网络由输入层、动态储备池和输出层组成,输入神经元个数为K,输入向量为u(t)=(u1(t),…,uK(t))T,上标T表示向量转置;动态储备池内神经元个数为N,状态向量为r(t)=(r1(t),…,rN(t))T;输出神经元个数为Q,输出向量为v(t)=(v1(t),…,vQ(t))T;输入到储备池的连接权值矩阵为Win∈RN×K,表示N行K列实数矩阵,动态储备池内部神经元的连接权值矩阵为稀疏矩阵W∈RN×N,输出单元到储备池的反馈权值矩阵Wfb∈RN×Q,三者均为随机产生,取值在[-1,1]上均匀分布,训练过程中不再改变,其中,稀疏矩阵W的谱半径,ρ(W)<1是保证网络回声状态属性的条件,为保证储备池的多样化,储备池内神经元间的连接稀疏度SD取值在1%-5%之间变化;储备池到输出单元的连接权值矩阵为Wout∈RQ ×(K+N),是网络唯一需要训练的连接权值矩阵。
实施例中,输入神经元个数K=16和输出神经元个数Q=1,稀疏矩阵W的谱半径,ρ(W)=0.9,稀疏程度SD=0.02。因本发明方法考虑过去3位符号,未来3位符号对当前符号波形的影响,为预测当前符号对应的解码阈值,网络需要记忆历史3位符号,当前1位符号和未来3位符号信息对应的采样点,当过采样率Ns=16时,过去3位,当前1位和未来3位符号信息对应16*7=112个采样点,所以储备池内神经元个数N=112。
步骤2、对储备池状态进行初始化,
在混沌基带无线通信系统中,将训练数据作为帧头数据与信息数据共同组成数据帧发送,假设训练数据比特数为nt,数据帧计数为Fr,初始值Fr=1,状态向量r的初值为r(0)=0,为避免不同的r初值对输出权值矩阵Wout的影响,需要在发送数据的第一帧训练样本前面插入n0个随机生成的符号位,得到第一帧对应的全部训练样本u(n)(n=1,…,n0,…,nmax);
训练数据的期望解码阈值θ(n)(n=1,…,n0,…,nmax)根据公式(1)计算得到,表达式如下:
其中,αl和τl均为信道参数,ω和β均为混沌成型滤波器参数,且满足ω=2πf,β=fln2,f为基频;信道参数采用传统信道辨识方法(如最小二乘法)得到。
特殊情况下,第一位符号的解码阈值只使用未来3位信息计算,第二位符号的解码阈值使用过去1位和未来3位符号信息计算,第三位符号的解码阈值由过去2位和未来3位符号信息计算;由第四位开始,解码阈值完全依据公式(1)、公式(2)计算,直到倒数第三位符号的解码阈值由过去3位和未来2位符号信息计算得到,倒数第二位符号的解码阈值由过去3位和未来1位符号信息计算得到,最后一位符号的解码阈值只使用过去3位符号信息计算。
将用于初始化的前n0个样本依次输入网络,根据公式(3)更新状态,表达式如下:
r(n+1)=tanh(Winu(n+1)+Wr(n)+Wfbθ(n)), (3)
其中,n=0,…,n0-1,直到得到状态向量r(n0),即完成储备池状态的初始化工作,为下一步网络训练做好准备。
实施例中,历史3位符号、当前1位符号和未来3位符号的组合情况共27种情况,其中,每种情况对应7个比特位,所以总的遍历情况对应896位符号,896位比特作为网络的训练数据源,即nt=896。由于当前数据帧为第一帧,即Fr=1,所以需要考虑不同的r初值对输出权值矩阵Wout的影响,加上用于初始化网络的前100个随机符号位,即n0=100,nmax=996,共996个比特作为帧头,用于网络训练。为初始化网络,将前100个训练样本依次输入到储备池,并结合由公式(1)、公式(2)计算的相应解码阈值,根据公式(3)更新状态,得到状态向量r(100),为下一步网络训练做好准备。
步骤3、进行输出权值的训练,
继续将训练样本u(n+1)(n=n0,…,nmax-1)依次输入网络,结合阈值θ(n)(n=n0,…,nmax-1)根据状态更新公式(1),依次获得状态向量r(n0+1),…,r(nmax),对应阈值θ(n0+1),…,θ(nmax)由公式(1)、公式(2)计算得到为网络目标输出;
设R和T分别为状态矩阵和目标输出矩阵,将输入向量u(n)和状态向量r(n)(n=n0+1,…,nmax),重新定义一个组合矩阵将对应的目标阈值θ(n)放入T中,得到代入公式(4),计算权值Wout∈CQ ×(K+N),表达式如下:
Wout=TRT(RRT+λrI)-1, (4)
其中,I是对应的单位矩阵,λr是小于1的正则项系数。
至此,完成一个数据帧解码所需的输出权值Wout的训练,并保存状态向量r(nmax)的值,此时n=nmax。
实施例中,根据初始化得到的状态向量r(100)和状态更新公式(3),将训练样本u(n)(n=101,…,996)依次输入到储备池,得到对应的状态向量r(101),…,r(996)。收集各个时刻的状态向量和输入值,得到状态矩阵:
对应的目标输出矩阵为T=[θ(101),…,θ(996)],将矩阵R和T代入公式(4),计算得到网络的输出权值矩阵Wout,此时n=996。
步骤4、预测当前符号的解码阈值,
r(n)=tanh(Winu(n)+Wr(n-1)+Wfbθ(n-1)), (5)
由r(n),u(n)和训练所得的输出权值Wout,根据公式(6)预测符号sn的解码阈值,表达式如下:
实施例中,当前输入向量u(997)=(y1(997),…,y16(997))T,结合公式(3)更新所得的状态向量r(996)和目标阈值θ(996),由公式(5)更新状态向量r(997),再根据训练所得Wout,结合当前输入向量u(997)和状态向量r(997),根据公式(6)获得符号s997的阈值预测值
步骤5、符号解码,
至此,完成直接使用预测阈值的符号sn的解码。
实施例中,过采样率为Ns=16,最大信噪比点为第8个采样点,根据最大信噪比点的值及以下解码规则解码当前符号信息,表达式如下:
至此,完成直接使用预测阈值的符号s997的解码。
步骤6:如果n<LF,(n为循环变量,在步骤4中令n=n+1来改变它的值),LF为一个数据帧的总长度,转向步骤4,
实施例中,当n的值小于一个数据帧的长度时,转向步骤4,直到完成一个数据帧内所有信息符号的解码。
步骤7:令Fr=Fr+1,n0=0,nmax=nt,r(n0)=r(n),如果Fr<NF,NF为传输总帧数,转向步骤3,继续解码后续更多帧的符号信息;否则,结束完成所有解码。
实施例中,完成第一帧内所有信息符号解码后,令数据帧数Fr=Fr+1,以同样的方法开始下一帧的符号解码工作。其中,当数据帧不是第一帧时,无需储备池的初始化过程,所以这里n0=0,nmax=896。
为验证本发明方法的实际性能,利用高斯信道和多径信道的仿真结果对比如下:分别使用了四种不同的解码阈值,第一种是θ=0,这种情况下,完全忽略了过去和未来码元引起的码间干扰;第二种是文献[Jun Liang Yao,Yu-Zhe Sun,Hai-Peng Ren,CelsoGrebogi,Experimental Wireless Communication Using Chaotic Baseband Waveform,IEEE Transactions on Vehicular Technology,2019,68(1):578-591]中方法,该方法取θ=Ipast,该解码阈值只考虑了由过去符号位引起的码间干扰;第三种是文献[Ren H P,YinH P,Bai C and Yao J L,"Performance Improvement of Chaotic Baseband WirelessCommunication Using Echo State Network,"IEEE Transactions on Communications,2020,vol.68,no.10,pp.6525-6536]中方法,该方法取θ=Ifut1+Ipast,不仅考虑了过去符号位,还考虑了预测得到的未来1位符号引起的码间干扰;第四种是采用本发明预测得到的解码阈值
仿真验证:
1)高斯信道下的误码率:
仿真采用高斯信道模型,测试不同阈值下的误码率,得到的仿真结果如图4所示,可以看到,相比于前三种阈值解码方法,直接预测所得解码阈值对应的误码率最低。
2)多径信道下的误码率:
假定同一帧内的多径参数不变,不同帧的多径参数不同。L表示多径数目,γ和αl=e-γτ为多径衰减参数,τ为多径延迟。同样,本发明方法与使用阈值θ=0,θ=Ipast和θ=Ifut1+Ipast三种方法对比。
a)时不变信道参数情况下的仿真结果:
仿真中,L=2时,参数为α0=1,τ1=1,γ=0.6,仿真结果如图5所示;L=3时,α0=1,τ1=1,τ2=2,γ=0.6,仿真结果如图6所示。由图5和6可见,本发明所提方法获得最好的性能,θ=Ifut1+Ipast的误码率低于θ=Ipast的情况,θ=Ipast的误码率低于θ=0的情况,θ=0性能最差。特别地,两径信道情况下,在高信噪比时,本发明方法所使用的预测阈值相比θ=Ifut1+Ipast方法误码率性能获得了0.5dB的改善,相比θ=Ipast方法,误码率性能获得了约1dB的改善,并且误码率随着多径数目的增加而增加。
b)时变信道参数情况下的仿真结果:
实际通信中,信道情况多变,而且信道参数未知。考虑每帧的多径参数未知,假设参数γ服从[0.3,0.9]上的均匀分布,当L=2时,仿真结果如图7所示,当L=3时,仿真结果如图8所示。由于信道估计误差,图7和8的仿真结果略差于图5和6相应的仿真结果。从图7和8可见,本发明方法中所使用的预测阈值仍然优于阈值θ=0,θ=Ipast和θ=Ifut1+Ipast。
综上所述,本发明方法完全适合应用于混沌基带通信,预测得到的解码阈值优于对比方法。
Claims (5)
1.一种利用回声状态网络预测混沌基带无线通信解码阈值的方法,其特征在于,按照以下步骤实施:
步骤1、确定回声状态网络参数;
步骤2、对储备池状态进行初始化;
步骤3、进行输出权值的训练;
步骤4、预测当前符号的解码阈值;
步骤5、符号解码,
至此,完成直接使用预测阈值的符号sn的解码;
步骤6:如果n<LF,LF为一个数据帧的总长度,转向步骤4;
步骤7:令Fr=Fr+1,n0=0,nmax=nt,r(n0)=r(n),如果Fr<NF,NF为传输总帧数,转向步骤3,继续解码后续更多帧的符号信息;否则,结束完成所有解码。
2.根据权利要求1所述的利用回声状态网络预测混沌基带无线通信解码阈值的方法,其特征在于,所述的步骤1的具体过程是,
回声状态网络由输入层、动态储备池和输出层组成,输入神经元个数为K,输入向量为u(t)=(u1(t),…,uK(t))T,上标T表示向量转置;动态储备池内神经元个数为N,状态向量为r(t)=(r1(t),…,rN(t))T;输出神经元个数为Q,输出向量为v(t)=(v1(t),…,vQ(t))T;输入到储备池的连接权值矩阵为Win∈RN×K,表示N行K列实数矩阵,动态储备池内部神经元的连接权值矩阵为稀疏矩阵W∈RN×N,输出单元到储备池的反馈权值矩阵Wfb∈RN×Q,三者均为随机产生,取值在[-1,1]上均匀分布,训练过程中不再改变,其中,稀疏矩阵W的谱半径,ρ(W)<1是保证网络回声状态属性的条件,为保证储备池的多样化,储备池内神经元间的连接稀疏度SD取值在1%-5%之间变化;储备池到输出单元的连接权值矩阵为Wout∈RQ×(K+N),是网络唯一需要训练的连接权值矩阵。
3.根据权利要求2所述的利用回声状态网络预测混沌基带无线通信解码阈值的方法,其特征在于,所述的步骤2的具体过程是,
在混沌基带无线通信系统中,将训练数据作为帧头数据与信息数据共同组成数据帧发送,假设训练数据比特数为nt,数据帧计数为Fr,初始值Fr=1,状态向量r的初值为r(0)=0,为避免不同的r初值对输出权值矩阵Wout的影响,需要在发送数据的第一帧训练样本前面插入n0个随机生成的符号位,得到第一帧对应的全部训练样本u(n)(n=1,…,n0,…,nmax);
训练数据的期望解码阈值θ(n)(n=1,…,n0,…,nmax)根据公式(1)计算得到,表达式如下:
其中,αl和τl均为信道参数,ω和β均为混沌成型滤波器参数,且满足ω=2πf,β=fln2,f为基频;信道参数采用传统信道辨识方法得到,
将用于初始化的前n0个样本依次输入网络,根据公式(3)更新状态,表达式如下:
r(n+1)=tanh(Winu(n+1)+Wr(n)+Wfbθ(n)), (3)
其中,n=0,…,n0-1,直到得到状态向量r(n0),即完成储备池状态的初始化工作。
4.根据权利要求3所述的利用回声状态网络预测混沌基带无线通信解码阈值的方法,其特征在于,所述的步骤3的具体过程是,
继续将训练样本u(n+1)(n=n0,…,nmax-1)依次输入网络,结合阈值θ(n)(n=n0,…,nmax-1)根据状态更新公式(1),依次获得状态向量r(n0+1),…,r(nmax),对应阈值θ(n0+1),…,θ(nmax)由公式(1)、公式(2)计算得到为网络目标输出;
设R和T分别为状态矩阵和目标输出矩阵,将输入向量u(n)和状态向量r(n)(n=n0+1,…,nmax),重新定义一个组合矩阵将对应的目标阈值θ(n)放入T中,得到代入公式(4),计算权值Wout∈CQ ×(K+N),表达式如下:
Wout=TRT(RRT+λrI)-1, (4)
其中,I是对应的单位矩阵,λr是小于1的正则项系数,
至此,完成一个数据帧解码所需的输出权值Wout的训练,并保存状态向量r(nmax)的值,此时n=nmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261678.7A CN112737989B (zh) | 2020-11-12 | 2020-11-12 | 利用回声状态网络预测混沌基带无线通信解码阈值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261678.7A CN112737989B (zh) | 2020-11-12 | 2020-11-12 | 利用回声状态网络预测混沌基带无线通信解码阈值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112737989A true CN112737989A (zh) | 2021-04-30 |
CN112737989B CN112737989B (zh) | 2022-08-30 |
Family
ID=75597471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011261678.7A Active CN112737989B (zh) | 2020-11-12 | 2020-11-12 | 利用回声状态网络预测混沌基带无线通信解码阈值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112737989B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022037A (zh) * | 2015-06-29 | 2015-11-04 | 南京森斯尔智能科技有限公司 | 一种基于超混沌编码的汽车雷达交叉干扰抑制方法 |
CN107145943A (zh) * | 2017-04-25 | 2017-09-08 | 南京信息工程大学 | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 |
CN108197653A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种基于卷积回声状态网络的时间序列分类方法 |
US20180253640A1 (en) * | 2017-03-01 | 2018-09-06 | Stc.Unm | Hybrid architecture system and method for high-dimensional sequence processing |
US20190268971A1 (en) * | 2018-05-11 | 2019-08-29 | Intel Corporation | Scheduling enhancements and hybrid automatic repeat request (harq) timing procedure for new radio (nr) unlicensed |
CN110474798A (zh) * | 2019-07-26 | 2019-11-19 | 西安理工大学 | 一种利用回声状态网络预测无线通信未来信号的方法 |
CN110967665A (zh) * | 2019-10-07 | 2020-04-07 | 西安电子科技大学 | 一种多个外辐射源下运动目标回波的doa估计方法 |
-
2020
- 2020-11-12 CN CN202011261678.7A patent/CN112737989B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022037A (zh) * | 2015-06-29 | 2015-11-04 | 南京森斯尔智能科技有限公司 | 一种基于超混沌编码的汽车雷达交叉干扰抑制方法 |
US20180253640A1 (en) * | 2017-03-01 | 2018-09-06 | Stc.Unm | Hybrid architecture system and method for high-dimensional sequence processing |
CN107145943A (zh) * | 2017-04-25 | 2017-09-08 | 南京信息工程大学 | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 |
CN108197653A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种基于卷积回声状态网络的时间序列分类方法 |
US20190268971A1 (en) * | 2018-05-11 | 2019-08-29 | Intel Corporation | Scheduling enhancements and hybrid automatic repeat request (harq) timing procedure for new radio (nr) unlicensed |
CN110474798A (zh) * | 2019-07-26 | 2019-11-19 | 西安理工大学 | 一种利用回声状态网络预测无线通信未来信号的方法 |
CN110967665A (zh) * | 2019-10-07 | 2020-04-07 | 西安电子科技大学 | 一种多个外辐射源下运动目标回波的doa估计方法 |
Non-Patent Citations (4)
Title |
---|
HAI-PENG REN; HUI-PING YIN: "Performance Improvement of Chaotic Baseband Wireless Communication Using Echo State Network", 《IEEE TRANSACTIONS ON COMMUNICATIONS》 * |
YUICHI KATORI: "Reservoir Computing Based on Dynamics of Pseudo-Billiard System in Hypercube", 《2019 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
张泽龙等: "基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究", 《宁夏电力》 * |
龙震岳等: "基于改进灰狼优化算法的网络流量预测模型", 《计算机应用研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112737989B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112637093B (zh) | 一种基于模型驱动深度学习的信号检测方法 | |
CN113222179B (zh) | 一种基于模型稀疏化与权重量化的联邦学习模型压缩方法 | |
CN108768585B (zh) | 基于深度学习的上行免信令非正交多址接入noma系统多用户检测方法 | |
CN111614587B (zh) | 一种基于自适应集成深度学习模型的sc-fde系统信号检测方法 | |
CN109672639B (zh) | 一种基于机器学习的信号解调方法 | |
CN109246039A (zh) | 一种基于双向时域均衡的软信息迭代接收方法 | |
CN110266617B (zh) | 超奈奎斯特系统的多径信道估计方法 | |
CN111614584B (zh) | 基于神经网络的变换域自适应滤波信道估计方法 | |
CN101115046A (zh) | 用于ofdm系统的改进型ls信道估计方法 | |
CN110311876A (zh) | 基于深度神经网络的水声正交频分复用接收机的实现方法 | |
CN113114603B (zh) | 一种mimo-ofdm系统的信息恢复方法及装置 | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
CN110474798B (zh) | 一种利用回声状态网络预测无线通信未来信号的方法 | |
CN107018102B (zh) | 基于Ungerboeck模型的超奈奎斯特信号检测方法 | |
CN112737989B (zh) | 利用回声状态网络预测混沌基带无线通信解码阈值的方法 | |
CN110233808B (zh) | 一种ftn系统信号检测方法 | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
CN109639301B (zh) | 一种基于置信度估计的ftn均衡方法 | |
CN114759997B (zh) | 一种基于数据模型双驱动的mimo系统信号检测方法 | |
CN107231323B (zh) | 可见光通信系统中基于可靠判决反馈的信道估计方法 | |
CN111970218B (zh) | 基于深度多跳网络进行通信自动调制识别的方法 | |
CN111431620B (zh) | 一种基于ppm调制的差分空间调制系统的构建方法 | |
CN110912651A (zh) | 一种ftn索引调制信号检测方法 | |
CN113347128A (zh) | 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及系统 | |
CN108632182B (zh) | 超奈奎斯特通信系统中的双向串行干扰消除方法 |
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 |