1.一种非线性自反馈混沌神经网络信号盲检测方法,其特征在于,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,
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:
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:
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为区间[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)
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+Eadd
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。