一种非线性自反馈混沌神经网络信号盲检测方法与流程

本发明属于无线通信信号处理及神经网络
技术领域：
，尤其是涉及一种非线性自反馈混沌神经网络信号盲检测方法。
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。为解决传统自适应均衡技术容易引起的信道带宽利用率低等问题，许多文献开始使用Hopfield神经网络对信号盲检测问题进行研究。Hopfield神经网络(HopfieldNeuralNetworks,HNN)盲检测算法不受信道是否含公零点的限制且所需发送数据更短，与二阶统计量盲算法和高阶统计量盲算法相比，更能满足现代通信系统高速且可靠的传输要求。文献[张昀，现代通信系统与通信信号处理[PhD],博士学位论文(南京：南京邮电大学),2012.]基于HNN的盲检测算法研究已有初步成效，证明了网络趋向稳定平衡的充要条件。文献[YangS,LeeCM,HBP:improvementinBPalgorithmforanadaptiveMLPdecisionfeedbackequalizer[J].IEEETransactionsonCircuitsandSystem,2006,53(3):240-244]指出HNN算法往往会陷入局部极小点，有时甚至收敛不到优化问题的最优解或者近似最优解。文献[MMartín-Valdivia,ARuiz-Sepúlveda,FTriguero-Ruiz,ImprovinglocalminimaofHopfieldnetworkswithaugmentedLagrangemultipliersforlargescaleTSPs[J].NeuralNetworks,2000,13(3):283-285]为解决局部极小点问题，在算法流程中，需在判断算法陷入局部极小值后，另行选择不同的起点，以得到全局最优点。文献[LuonanChen,KazuyukiAihara,Chaoticsimulatedannealingbyaneuralnetworkmodelwithtransientchaos[J].NeuralNetworks,1995，8(6):915–930]指出，暂态混沌神经网络(TransientlyChaoticNeuralNetwork,TCNN)可以避免陷入局部最优。然而，TCNN具有负的自耦合，会导致能量函数的收敛速度变慢。针对这一问题，本发明提出了一种基于双Sigmoid非线性自反馈混沌神经网络盲检测算法，在暂态混沌神经网络模型的基础上改进混沌神经网络的自反馈项，能充分利用混沌的动态特性进行搜索，避免陷入局部最优值，并且双Sigmoid结构能提高搜索速度。技术实现要素：本发明所要解决的技术问题是为了克服现有技术的缺陷和不足，提供一种非线性自反馈混沌神经网络信号盲检测方法。本发明方法是在暂态混沌神经网络模型的基础上改进混沌神经网络的自反馈项，能充分利用混沌的动态特性进行搜索，避免陷入局部最优值，并且双Sigmoid结构能提高搜索速度。该网络旨在为无线通信网的全反馈网络的信号盲检测提供一种避免陷于局部最优且搜索精度高的算法，为无线通信网提供准确且快速的信号盲检测方法。为解决上述技术问题，本发明所采用的技术方案是：一种非线性自反馈混沌神经网络信号盲检测方法，其步骤如下：步骤A，构造接收数据矩阵：接收端接收单个用户发送信号，经过过采样，获得离散时间信道的接收方程：XN＝SΓT式中，XN是接收数据阵，S是发送信号阵，Γ是由信道冲激响hjj构成的块Toeplitz矩阵；(·)T表示矩阵转置；其中，S=[sL+M(k),...,sL+M(k+N-1)]N×(L+M+1)T=[sN(k),...,sN(k-M-L)]N×(L+M+1),]]>M为信道阶数，L为均衡器阶数，N为所需数据长度；sL+M(k)＝[s(k),…,s(k-L-M)]T；其中，s∈{±1}，时刻k为自然数；hjj＝[h0,…,hM]q×(M+1)，jj＝0,1,…,M；q是过采样因子，取值为正整数；XN＝[xL(k),…,xL(k+N-1)]T是N×(L+1)q接收数据阵，其中xL(k)＝Γ·sL+M(k)；步骤B，接收数据矩阵奇异值分解：XN=[U,Uc]·D0·VH]]>式中，(·)H是Hermitian转置；U是奇异值分解中的N×(L+M+1)酉基阵；0是(N-(L+M+1))×(L+1)q零矩阵；V是(L+1)q×(L+1)q酉基阵；Uc是N×(N-(L+M+1))酉基阵；D是(L+M+1)×(L+1)q奇异值阵；步骤C，设置权矩阵W＝IN-Q，其中IN是N×N维的单位阵，步骤D，将Chen’s混沌神经网络中的线性自反馈项改为非线性自反馈项，为了加快系统收敛速度使用双Sigmoid结构；双Sigmoid非线性自反馈混沌神经网络动态方程为：dyi(t)dt=f(ϵyi(t)+α[Σj=1nwijxj(t)+Ii]-λzi(t)g(xi(t)-I0))]]>xi(t)＝σ(yi(t))zi(t+1)＝(1-β)zi(t)对该方程进行迭代运算，然后把每次迭代的结果代入双Sigmoid非线性自反馈混沌神经网络的能量函数E(t)中，当该能量函数E(t)达到最小值，即yi(t)＝yi(t-1)时，该双Sigmoid非线性自反馈混沌神经网络达到平衡，迭代结束；其中，yi(t)为神经网络中第i个神经元的内部状态；i代表第i个神经元，j代表第j个神经元，i≠j，且i、j为[0,N]内任意的整数；t为神经网络迭代过程运行的时间，该神经网络中的连续时间t和离散时间k通过欧拉公式实现转换；ε为该网络的衰减因子，且0≤ε≤1；wij为该网络中神经元j到神经元i的互联权值，并且wij＝wji；α为该网络的耦合因子；Ii为第i个神经元的偏置，I0是初始神经元偏置；zi(t)为第i个神经元的自反馈连接权值，λ为神经元间衰减因子，且λ>0，β为变量zi(t)的衰减因子；xi(t)为第i个神经元的输出；该神经网络达到最后平衡时，可近似认为每个神经元的xi(t)＝yi(t)，xi(t)即为求取的发送信号；σ(.)为该神经网络的第一个Sigmoid激活函数，f(.)为该神经网络的第二个Sigmoid激活函数；并且：σ(s)＝tanh(c·s)f(s)=11+e-s]]>其中，s为神经网络的输入，c是激活函数的内置调整参数，f(.)的导数远小于σ(.)的导数；g(.)为该神经网络的非线性自反馈项：g(s)＝tanh(s)所述双Sigmoid非线性自反馈混沌神经网络的能量函数E(t)为：E(t)＝Ehopfield+EaddEhopfield=-α2Σi=1nΣj=1nxi(t)wijxj(t)-ϵΣi=1n∫0xi(t)σi-1(τ)dτ-αΣi=1nIixi(t)]]>Eadd=λΣi=1nzi(t)∫0xi(t)g(τ-I0)dτ]]>其中：该混沌神经网络由N个神经元构成；E(t)为能量函数，该能量函数由Ehopfield和Eadd两部分组成，Ehopfield为普通Hopfield神经网络的能量函数项，Eadd为双Sigmoid非线性自反馈混沌神经网络能量函数的附加能量项；为第i个神经元的Sigmoid函数σi(τ)的反函数。本发明的有益效果是：本发明提出一种非线性自反馈混沌神经网络信号盲检测方法，使用非线性函数作为混沌神经网络的自反馈项，并将双Sigmoid函数运用到盲检测方法中，每次迭代时，首先进入混沌神经网络，然后再进入第二个激活函数。由于混沌神经网络具有可以避免陷于局部最优的优点，所以本发明继承了混沌神经网络这一特点，提高了盲检测性能；并且，与线性自反馈项的混沌神经网络相比，非线性自反馈混沌神经网络具有更为复杂的动力学行为，使网络的内部状态具有更为高效的混沌搜索能力和搜索效率。本发明方法，在同等条件下，抗噪性能优于传统的Hopfield信号盲检测方法。附图说明图1本发明双Sigmoid非线性自反馈混沌神经网络系统结构图。图2本发明基于双Sigmoid非线性自反馈混沌神经网络盲检测算法与Hopfield神经网络盲检测算法及暂态混沌神经网络盲检测算法的误码率比较图。HNN(HopfieldNeuralNetwork)算法为Hopfield神经网络盲检测算法，TCNN(TransientlyChaoticNeuralNetwork)算法为暂态混沌神经网络算法，DS-NSCNN(NonlinearSelf-feedbackChaoticNeuralNetworkWithDoubleSigmoid)算法为双Sigmoid非线性自反馈混沌神经网络算法。图3本发明基于双Sigmoid非线性自反馈混沌神经网络盲检测算法与暂态混沌神经网络(TCNN)算法分别在不同数据长度条件下的误码率比较图。图3.(a)是基于TCNN(TransientlyChaoticNeuralNetwork)盲检测算法，图3.(b)是基于DS-NSCNN(NonlinearSelf-feedbackChaoticNeuralNetworkWithDoubleSigmoid)盲检测算法。具体实施方式下面结合附图，对本发明提出的基于双Sigmoid非线性自反馈混沌神经网络的信号盲检测方法进行详细说明：基于双Sigmoid非线性自反馈混沌神经网络的信号盲检测方法，其实施过程如下：忽略噪声时，离散时间信道的接收方程定义如下XN＝SΓT(1)式中，XN是接收数据阵，S是发送信号阵，Γ是由信道冲激响hjj构成的块Toeplitz矩阵；(·)T表示矩阵转置；其中，发送信号阵：S＝[sL+M(k),…,sL+M(k+N-1)]T＝[sN(k),…,sN(k-M-L)]N×(L+M+1)，M为信道阶数，L为均衡器阶数，N为所需数据长度；sL+M(k)＝[s(k),…,s(k-L-M)]T；其中，s∈{±1}，时刻k为自然数；hjj＝[h0,…,hM]q×(M+1)，jj＝0,1,…,M；q是过采样因子，取值为正整数；XN＝[xL(k),…,xL(k+N-1)]T是N×(L+1)q接收数据阵，其中xL(k)＝Γ·sL+M(k)；对于式(1)，Γ满列秩时，一定有满足QsN(k-d)＝0，Uc是N×(N-(L+M+1))酉基阵，由奇异值分解中得到；其中：(·)H是Hermitian转置；U是奇异值分解中的N×(L+M+1)酉基阵；0是(N-(L+M+1))×(L+1)q零矩阵；V是(L+1)q×(L+1)q酉基阵；Uc是N×(N-(L+M+1))酉基阵；D是(L+M+1)×(L+1)q奇异值阵；据此构造性能函数及优化问题J0=sNH(k-d)QsN(k-d)=sHQs---(2)]]>s^=argmins^∈{±1}N{J0}---(3)]]>其中，s∈{±1}N是N维向量，所属字符集{±1}，表示信号的估计值。argmin()表示使目标函数取最小值时的变量值，d为延时因子，d＝0,…,M+L。如此，盲检测问题就成为了式(3)的全局最优解问题。图1是本发明双Sigmoid非线性自反馈混沌神经网络系统结构图，包含权矩阵模块、两个激活函数、积分器、衰减因子、耦合因子和自反馈项。a.)该系统的动态方程为：dyi(t)dt=f(ϵyi(t)+α[Σj=1nwijxj(t)+Ii]-λzi(t)g(xi(t)-I0))---(4)]]>xi(t)＝σ(yi(t))(5)zi(t+1)＝(1-β)zi(t)(6)其中，该混沌神经网络由N个神经元构成；t为网络迭代过程中运行的时间，该网络中的连续时间t和离散时间k之间可以通过欧拉公式互相转换，yi(t)为神经网络中第i个神经元的内部状态；i代表第i个神经元，j代表第j个神经元，i≠j，且i、j为[0,N]内任意的整数；σ(.)为神经元的第一个Sigmoid函数，f(.)为神经元的第二个Sigmoid函数，g(.)为此网络的非线性自反馈项；ε为该网络的衰减因子，且0≤ε≤1，wij为双Sigmoid非线性自反馈混沌神经网络中神经元j到神经元i的互联权值，并且wij＝wji；α为该网络的耦合因子，Ii为第i个神经元的偏置，I0为初始神经元的偏置；zi(t)为第i个神经元的自反馈连接权值，λ为神经元间衰减因子，且λ>0，β为变量zi(t)的衰减因子；xi(t)为第i个神经元的输出；该神经网络达到最后平衡时，可近似认为每个神经元的xi(t)＝yi(t)，xi(t)即为求取的发送信号；本文把双Sigmoid非线性自反馈混沌神经网络的激活函数设计为：σ(s)＝tanh(c·s)(7)f(s)=11+e-s---(8)]]>其中，c是激活函数的内置调整参数，f(.)的导数远小于σ(.)的导数；本文所述的非线性自反馈项设计g(.)为：g(s)＝tanh(s)(9)b.)能量函数在图1所示的采用式(4)、式(5)、式(6)描述的双Sigmoid混沌神经网络中，若该网络由N个神经元构成，wij满足wij＝wji，且wii>0；变量zi(t)的衰减因子β满足β>0，Sigmoid函数σ(.)和f(.)的导数都分别大于零，那么该神经网络的能量函数表述为：E(t)＝Ehopfield+Eadd(10)Ehopfield=-α2Σi=1nΣj=1nxi(t)wijxj(t)-ϵΣi=1n∫0xi(t)σi-1(τ)dτ-αΣi=1nIixi(t)---(11)]]>Eadd=λΣi=1nzi(t)∫0xi(t)g(τ-I0)dτ---(12)]]>其中：E(t)为能量函数，该能量函数由Ehopfield和Eadd两部分组成，Ehopfield为普通Hopfield神经网络的能量函数项，Eadd为双Sigmoid非线性自反馈混沌神经网络能量函数的附加能量项。能量函数是一个与迭代时间有关系的变量，为第i个神经元的Sigmoid函数σi(τ)的反函数。综上所述，该网络每次循环都先进入混沌神经网络结构跳出了局部极小点之后再进入第二个激活函数，混沌神经网络和第二个激活函数就构成了一个双Sigmoid混沌神经网络，既保证了网络可以避免局部极小点又使得网络的收敛速度加快，最后达到网络的平衡。为利用双Sigmoid非线性自反馈混沌神经网络实现信号盲检测，求解式(2)、(3)的信号盲检测问题，要使能量函数的最小值点对应于盲检测性能函数的最小值点。由于欧拉公式可以使连续时间和离散时间之间进行相互转换，在网络达到稳定时，可近似认为xi(t)＝yi(t)，比较能量函数式(11)的第一部分与性能函数式(2)，则可看出相差一个负号，所以可考虑设计双Sigmoid非线性混沌神经网络的权矩阵为投影算子形式W＝IN-Q，其中IN是N×N维的单位阵，这样就使能量函数E(t)的最小值点对应于盲检测性能函数(2)的最小值点，从而能够用双Sigmoid非线性自反馈混沌神经网络实现信号盲检测。图2和图3分别是本发明基于双Sigmoid非线性自反馈混沌神经网络的信号盲检测方法的仿真实验图。这里的仿真采用不含公零点的经典文献信道，发送信号为二进制相移键控信号，噪声为高斯白噪声，所有仿真结果都经过100次蒙特卡洛实验而得。图2是在条件相同的情况下，本发明算法与Hopfield神经网络盲检测算法及暂态混沌神经网络盲检测算法的误码率比较图。图3本发明与暂态混沌神经网络(TCNN)算法分别在不同数据长度条件下的误码率比较图。图3.(a)是暂态混沌神经网络(TCNN)盲检测算法在不同数据长度条件下的误码率变化图，图3.(b)是双Sigmoid非线性自反馈混沌神经网络(DS-NSCNN)盲检测算法在不同数据长度条件下的误码率变化图。图中HNN(HopfieldNeuralNetwork)算法为Hopfield神经网络算法，TCNN(TransientlyChaoticNeuralNetwork)算法为混沌神经网络算法，DS-NSCNN(NonlinearSelf-feedbackChaoticNeuralNetworkWithDoubleSigmoid)算法为双Sigmoid非线性自反馈混沌神经网络算法。仿真图表明：本发明双Sigmoid非线性自反馈混沌神经网络算法比Hopfield算法和暂态混沌神经网络盲检测算法具有更好的误码性能，并且本发明基于双Sigmoid非线性自反馈混沌神经网络算法在盲检测时所需数据量比暂态混沌神经网络算法更短。当前第1页1 2 3