专利名称：基于平衡正交多小波变换的模糊神经网络盲均衡方法
技术领域：
发明涉及一种基于平衡正交多小波变换的模糊神经网络盲均衡方法，属于多小波 模糊神经网络盲均衡方法的技术领域。
背景技术：
盲自适应均衡是一种不需要训练序列的本身自适应的均衡技术，能够有效的节省 水声通信的带宽，提高通信效率。盲均衡方法中，恒模方法原理简单、性能稳健、运算量小 而被广泛使用，但由于采用了固定步长，而存在收敛速度和收敛精度之间的矛盾。研究表 明，学习步长与方法的收敛速度和收敛精度密切相关，学习步长大，则收敛速度快，但收敛 精度比较差，也可能导致方法发散；学习步长小，则收敛速度慢，但是可以有效的提高算法 的收敛精度(见文献[1]:肖瑛.基于水声信道盲均衡算法研究[D].哈尔滨哈尔滨工程 大学，2006.)。为此，人们提出了许多变步长方法。例如基于均方误差(MSE)变换的变步 长恒模盲均衡方法，主要通过MSE的变换来控制步长的变化，以改进恒模方法的收敛性能 (见文献[2]赵宝峰，赵菊敏，张立毅.基于MSE变换的变步长恒模盲均衡算法[J].太原 理工大学学报，2005，36 (4) 395-397)；基于对数正态误差函数的变步长盲均衡方法法，主 要通过调整对数正态误差函数的均值与方差来优化算法的性能(见文献[3]郭业才，韩迎 鸽，饶伟，张艳萍.基于对数正态误差函数的变步长盲均衡算法[J].系统仿真学报，2007， 19(6) =1224-1226)；基于神经网络的盲均衡方法，利用神经网络设计均衡器(见文献[4] 白煜.基于模糊神经网络理论盲均衡算法的研究[D].太原太原理工大学，2005.)；这些 方法的区别在于改变步长的机制不同，但都是变步长类的方法，都存在收敛速度和收敛精 度的矛盾。而研究表明，输入信号自相关矩阵特征值的发散程度也能影响方法的收敛性能， 特征值的发散程度越小，方法的收敛性能越好(见文献[5]陈莉.自适应滤波算法与应用 研究[D].西安西安电子科技大学，2006)。于是，有了变换域自适应滤波的思想。基于以上分析，为了克服上面所述方法所存在的收敛速度和收敛精度之间的矛 盾，从学习步长和信号的变化域两方面进行改进出发，发明了一种基于平衡正交多小波变 换的模糊神经网络盲均衡方法(MWT-FNN-BEA)。
发明内容
本发明目的是针对现有技术存在的缺陷，提供一种基于平衡正交多小波变换的模 糊神经网络盲均衡方法。本发明为实现上述目的，采用如下技术方案本发明基于平衡正交多小波变换的模糊神经网络盲均衡方法，其特征在于包括如 下步骤a.)将发射信号a (η)经过脉冲响应信道得到信道输出向量b (η)，其中η为正整数 表示时间序列，下同；b.)采用信道噪声ν (η)和步骤a所述的信道输出向量b (η)得到盲均衡器的输入序列:
权利要求
一种基于平衡正交多小波变换的模糊神经网络盲均衡方法，其特征在于包括如下步骤a.)将发射信号a(n)经过脉冲响应信道得到信道输出向量b(n)，其中n为正整数，表示时间序列，下同；b.)采用信道噪声v(n)和步骤a所述的信道输出向量b(n)得到盲均衡器的输入序列x(n)＝b(n)+v(n)；c.)将步骤b所述的盲均衡器的输入序列x(n)经过平衡正交多小波变换得到输出信号y(n)＝Vx(n)，其中V为平衡正交多小波变换矩阵；d.)将步骤c所述的输出信号y(n)经过功率归一化后与当前时刻盲均衡器权系数w(n)作卷积后得到盲均衡器输出信号e.)将步骤d所述的盲均衡器输出信号z(n)经过判决器得到发射信号a(n)的估计步骤d所述的盲均衡器权系数w(n)的获取如下将均方误差(MSE)及均方误差的偏差(ΔMSE＝MSE(n) MSE(n 1))作为模糊神经网络控制器的输入，并用该控制器的输出及常数模算法(CMA)和现时刻盲均衡器权系w(n)来得到下一时刻盲均衡器权系数w(n+1)，即w(n+1)＝w(n)+μ(n+1)R 1(n)e(n)y(n)z*(n)其中，z*(n)为均衡器输出信号的z(n)的共轭，μ(n+1)为第n+1时刻均衡器迭代步长，R 1(n)为归一化能量构成的对角阵，即且 <mrow><msubsup> <mi>σ</mi> <mrow><mi>J</mi><mo>,</mo><mi>k</mi><mo>,</mo><mi>m</mi> </mrow> <mn>2</mn></msubsup><mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>βσ</mi> <mrow><mi>J</mi><mo>,</mo><mi>k</mi><mo>,</mo><mi>m</mi> </mrow> <mn>2</mn></msubsup><mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo></mrow><mo>+</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>β</mi> <mo>)</mo></mrow><msup> <mrow><mo>|</mo><msubsup> <mi>r</mi> <mrow><mi>p</mi><mo>,</mo><mi>k</mi> </mrow> <mi>m</mi></msubsup><mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo></mrow><mo>|</mo> </mrow> <mn>2</mn></msup> </mrow>其中，β为迭代系数，表示尺度参数为p、平移参数为k的第m维多小波系数，为的均方误差。FSA00000250252100011.tif,FSA00000250252100012.tif,FSA00000250252100013.tif,FSA00000250252100014.tif,FSA00000250252100016.tif,FSA00000250252100017.tif,FSA00000250252100018.tif
2.根据权利要求1所述的基于平衡正交多小波变换的模糊神经网络盲均衡方法，其特 征在于所述模糊神经网络控制器为六层结构，各层的处理过程如下第一层为输入层，AMSE和MSE做为步长的控制量输入， ul(l) = AMSE，ul(2) = MSE ;01(i，j) = ul(i) i = 1,2 j = 1,2,3 (1) 式中，ul表示第一层输入，01表示第一层输出，MSE为均方误差，AMSE = MSE (n)-MSE (η-1)，以下同；第二层为模糊化层，将AMSE和MSE分别分成三个模糊等级，·、 r.u. ·、 Π α {(M2{i,j)-m{i,j))2'\ u2(i,j) = Ol(i,j) ； 6>2(z，y) = exp--；―--(2)式中，m(i, j)和q(i，j)分别代表对应于第i个网络输入和第j个模糊域的高斯函数 中心和宽带，02表示第二层输出；第三层为求“与”层，此层节点的个数为各输入变量的模糊集合数之积即规则数，该层 的每个节点代表一个规则的前部分，其中03(1) = 02(1，1)*02 (2，1)03(2) = 02 (1，1) *02 (2，2) 03(3) = 02(1，1)*02(2，3)03(4) = 02 (1，2) *02 (2，1)03(5) = 02(1，2)*02(2，2)03(6) = 02 (1，2) *02 (2，3) 03(7) = 02(1，3) *02 (2，1)03(8) = 02 (1，3) *02 (2，2) 03(9) = 02(1，3)*02(2，3) (3)式中，03表示第三层输出；第四层为选择层，即从第三层的输出中选择一路最大的值作为该层的输出 04 = max (03 ⑴)第五层归一化层
3.根据权利要求1所述的基于平衡正交多小波变换的模糊神经网络盲均衡方法，其特 征在于所述均衡器c (η)，由一族正交多小波函数和多尺度函数来表示，即式中，r为多小波的维数，P表示多小波分解的层数，kp = N/2p，N为均衡器长度，^^( ) 表示尺度参数为P、平移参数为k的第1个小波基函数M，4(g)表示尺度参数为J、平移参数为 k的第1个小波尺度函数，cq (η)表示信道的第q个抽头系数，此时均衡器的输出ζ (η)为
4.根据权利要求1所述的基于平衡正交多小波变换的模糊神经网络盲均衡方法，其特征在于所述平衡正交多小波变换矩阵的获取方法如下先采用正交酉矩阵对对所述平衡正交多小波现作一阶平衡，所述正交酉矩阵如下
全文摘要
本发明公布了一种基于平衡正交多小波变换的模糊神经网络盲均衡方法，本发明方法首先将时域信号进行平衡正交多小波变换转变为变换域信号，然后对变换后的信号进行能量归一化处理，最后通过对均方误差曲线的分析，构建了模糊规则，并利用神经网络的自动调节功能和模糊理论对不确定信息的处理能力构造了一种盲均衡控制器，该控制器能够根据模糊规则对迭代过程中的步长进行自动调整，从而克服了传统恒模方法由于采用固定步长造成的收敛速度与收敛精度之间的矛盾。本发明方法具有较快的收敛速度和较小的稳态误差，抗干扰性能好。
文档编号H04L25/03GK101958860SQ20101026795
公开日2011年1月26日 申请日期2010年8月30日 优先权日2010年8月30日
发明者刘振兴, 郭业才 申请人:南京信息工程大学