基于激活函数可调的复值bp神经网络盲均衡方法

文档序号:7818724阅读:956来源:国知局
基于激活函数可调的复值bp神经网络盲均衡方法
【专利摘要】基于激活函数可调的复值BP神经网络盲均衡方法,包括如下步骤:第一步:消息序列{ s (n)},经正交调制、复值信道传输和噪声叠加后,到达接收端,均衡器收到信号序列 x (n);第二步:初始化后的复值BP神经网络盲均衡器均衡输出均衡信号 y (n);第三步,基于输出信号统计特征计算均衡器残余误差或平均平方误差;第四步,根据Hebb学习率进行误差反传,修正神经网络权值和激活函数可调节参数。本发明的优点是:该方法充分利用了神经网络结构简单,规律性强,收敛速度快,残差误差小的特点,添加激活函数可调节性质,结合均衡器输入信号统计特性和复变函数理论,对正交调制信号进行自适应均衡;基于激活函数可调的复值BP神经网络盲均衡算法克服了传统算法的不足,增加了自适应调节参数类型和个数,从而显著加快了收敛速度,降低了残差误差大小。
【专利说明】基于激活函数可调的复值BP神经网络盲均衡方法
[0001]

【技术领域】
[0002] 本发明涉及一种复值BP神经网络盲均衡方法,尤其涉及一种基于激活函数可调 的复值BP神经网络盲均衡方法。
[0003]

【背景技术】
[0004] 神经网络已经广泛应用于解决人们在探索和改造自然过程中遇到的各种各样的 问题,比如模型优化、预测、分类识别、自动控制和信号处理等,并已经成功应用于降低信号 传输过程中的码间串扰;神经网络W其强大的非线性逼近能力能够W较高的收敛速度、较 低的误码率对接收信号进行自适应均衡,得到了学者们的广泛关注;为进一步提升基于神 经网络的盲均衡算法性能,提出了许多改进算法,如各种变步长算法、自适应动量项算法W 及模糊神经网络、自适应调整神经元神经网络、递归神经网络等;该些神经网络改进算法在 一定程度上提升了算法适应性和泛化能力;但是应用于盲均衡器设计时,阔值参数的自适 应调节对算法性能无明显影响,而且由于激活函数是事先确定的,不可调节,因此模型较为 简单,性能指标受到极大的限制;1996年,吴佑寿等提出了一种激活函数可调的神经元模 型一TAF模型,引起了广泛关注;大量研究结果表明,基于激活函数可调的神经网络更易于 解决实际问题,收敛速度更快、泛化能力更强,而且网络容量更大。
[0005] 综上所述,到目前为此,相较为传统的神经网络算法,基于激活函数可调的神经网 络算法性能更加优异,可更快速、准确地对正交调制信号进行均衡处理。


【发明内容】

[0006] 本发明要解决的技术问题是针对现有传统的神经网络算法技术存在的不足,提出 一种基于激活函数可调的复值BP神经网络盲均衡方法; 本发明包括如下步骤: 第一步;消息序列k(n)} (n为时间序列,下同),经正交调制(如QAM等)、复值信道传 输和噪声叠加后,到达接收端,均衡器收到信号序列x(n)幼日图1所示); 第二步:初始化后的复值BP神经网络盲均衡器均衡输出均衡信号_F(n); 1)复值神经网络采用复数权值、复值激活函数和复数计算方法,其中神经元模型巧口图 2所示)采用复数激活函数,实部和虚部独立运算,计算方法为

【权利要求】
1.基于激活函数可调的复值BP神经网络盲均衡方法,其特征在于包括如下步骤: 第一步:消息序列l5(n) },经正交调制、复值信道传输和噪声叠加后,到达接收端,均 衡器收到信号序列Wn);其中n为时间序列,下同; 第二步:初始化后的复值BP神经网络盲均衡器均衡输出均衡信号_F(n); 1)复值神经网络采用复数权值、复值激活函数和复数计算方法,其中神经元模型采用 复数激活函数,实部和虚部独立运算,计算方法为


【文档编号】H04L25/03GK104486271SQ201410611007
【公开日】2015年4月1日 申请日期:2014年11月4日 优先权日:2014年11月4日
【发明者】赵娟, 高 正明, 田学军 申请人:荆楚理工学院
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1