基于离散多电平迟滞的噪声混沌神经网络的盲检测方法与流程

本发明涉及基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，属于无线通信信号处理领域，更具体地说是属于hopfield神经网络盲检测技术领域。

背景技术：

随着离散hopfield神经网络在图像恢复，联想记忆等方面的广泛应用，网络的稳定性是这些应用的基础，网络到最后要稳定到一个不动点，文献[gaoh.s.,zhangj.,stabilityfordiscretehopfieldneuralnetworkswithdelay[c].2008fourthinternationalconferenceonnaturalcomputation,jinan,china,october18-20,2008,560-563.]对离散神经网络的稳定性做了一定的研究，但这些研究结果仅限于对二进制或二电平的信号进行图像处理。文献[h.j.liu,y.sun.blindbilevelimagerestorationusinghopfieldneuralnetworks[a].proceedingsofieeeinternationalconferenceonneuralnetworks[c],sanfrancisco,ca,usa,mar.1993(3):1656-1661.]同时也局限于实数神经网络。文献[张昀，复数hopfield神经网络盲信号检测[d].南京：南京邮电大学图书馆，2012:102-147.]，以及文献[阮秀凯，张志涌.基于连续hopfield型神经网络的qam信号盲检测[j].电子与信息学报,2011(2011年7):1-6.]分别提出了离散多电平复数和连续多电平复数hopfield神经网络，但是均容易陷入局部极小值点，所需数据量长度较大。为克服上述问题，本发明在引入混沌神经网络(complex-valuedtransientlychaotichopfieldneuralnetworkreal-imaginary-typehard-multistate-activation-functionctcnn_rihm)避免陷入局部最优解后，改进退火函数，采用分段退火函数，加快盲检测的收敛速度，引入随机噪声，使混沌神经网络更好的避免局部最小值点，根据迟滞在神经网络中的响应特征，提出将迟滞特征引入混沌神经网络中改变激活函数构造迟滞激活函数。继而提出基于离散多电平迟滞的噪声混沌神经网络的信号盲检测方法(complex-valuedhysteresisnoisytransientlychaotichopfieldneuralnetworkreal-imaginary-typehard-multistate-activation-functionhnctcnn_rihm)，构造新的激活函数，提高混沌神经网络的搜索效率。

技术实现要素：

为了克服现有技术的不足，针对混沌神经网络方法的性能的问题，利用随机噪声和迟滞在神经网络中的特点，本发明提出了基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，进一步提高混沌神经网络盲检测方法的性能。

本发明采用如下技术方案：基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，其特征在于，包括如下步骤：

步骤ss1：构造接收数据矩阵xn；

步骤ss2：对所述接收数据矩阵xn进行奇异值分解；

步骤ss3：设置权矩阵wri，并构造性能函数；

步骤ss4：将分段退火函数引入混沌神经网络中，构造基于分段退火的离散多电平混沌神经网络；

步骤ss5：在所述步骤ss4的分段退火的离散多电平混沌神经网络基础上引入随机噪声，构造基于离散多电平噪声混沌神经网络，同时改进传统的激活函数，引入迟滞激活函数改进盲检测方法的误码性能，构建基于离散多电平迟滞的噪声混沌神经网络的改进后新模型的动态方程，对所述改进后新模型的动态方程进行迭代运算，然后把每次迭代的结果代入基于离散多电平迟滞的噪声混沌神经网络的能量函数e(t)中，当所述能量函数e(t)达到最小值，所述离散多电平迟滞混沌神经网络达到平衡，迭代结束。

作为一种较佳的实施例，所述步骤ss1中的所述构造接收数据矩阵xn具体包括：接收端接收单个用户发送信号，经过采样，获得离散时间信道的接收方程：

xn＝sγ^t

式中，xn是接收数据矩阵，s是发送信号矩阵，γ是由信道冲激响应hjj构成的块toeplitz矩阵；(·)^t表示矩阵的转置。

作为一种较佳的实施例，所述步骤ss1中的所述发送信号矩阵s为：

s＝[sl+m(k),l,sl+m(k+n-1)]^t＝[sn(k),l,sn(k-m-l)]n×(l+m+1)；

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),l,s(k-l-m)]^t；时刻k为自然数；

所述步骤ss1中的所述信道冲激响应hjj为：hjj＝[h0,l,hm]q×(m+1)，jj＝0,1,l,m；q是过采样因子，取值为正整数；

所述步骤ss1中的所述接收数据矩阵为：xn＝[xl(k),l,xl(k+n-1)]^t是n×(l+1)q接收数据矩阵，其中xl(k)＝γ·sl+m(k)。

作为一种较佳的实施例，所述步骤ss2具体包括：

对所述接收数据矩阵xn进行奇异值分解，即：

式中，(·)^h是hermitian转置；

u是奇异值分解中的n×(l+m+1)酉矩阵；

0是(n-(l+m+1))×(l+1)q零矩阵；

v是(l+1)q×(l+1)q酉矩阵；

uc是n×(n-(l+m+1))酉矩阵；

d是(l+m+1)×(l+1)q奇异值矩阵。

作为一种较佳的实施例，所述步骤ss3具体包括：设置权矩阵wri＝[a-qri]，其中a是n×n维单位矩阵，qr是补投影算子q的实部，qi表示补投影算子q的虚部，据此构造性能函数如下：

其中，s为n维复向量，其元素的实部为sr，其虚部为si，实部和虚部都属于集合b，b＝{±1,±3,l,±gn|gn＝1+2(n-1)}，g1＝1，δg＝gii+1-gii＝2，ii∈[1，n-1]，2n为发送信号集合的电平数；k为离散时间；

表示信号的优化估计值，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,l,m+l。

作为一种较佳的实施例，所述步骤ss4中的所述基于分段退火的离散多电平混沌神经网络的改进后模型的动态方程为：

si(t)＝σ(xi(t))

其中，si(t)，xi(t)分别为s和xn第i个分量在t时刻的状态，ωij是从第j个分量sj到第i个分量si之间的权值大小，且wii＝wji；t为基于分段退火的离散多电平混沌神经网络迭代过程中运行的时间，所述基于分段退火的离散多电平混沌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；

α为扰动系数，ε为耦合因子；λ为衰减因子，且0≤λ≤1；

σ(xi(t))为神经元的激活函数；

接收信号s(t)＝[s1(t)，s2(t)，l，sn(t)]^t，，复数信号为：{sj(t)＝sri(t)+i·sij(t)，srj(t)∈b，sij(t)∈b|j＝1，2，l，n}，基于分段退火的离散多电平混沌神经网络达到最后平衡时，确认为每个神经元的si(t)＝xi(t)，si(t)即为求的发送信号；将分段模拟退火函数zi(t)引入自反馈连接系数的调整之中作为第i个神经元的自反馈连接权值，γ1，γ2为变量zi(t)的控制参数，γ1，γ2∈(0，1)，zi(0)随机生成。

作为一种较佳的实施例，所述步骤ss5中的所述基于离散多电平迟滞的噪声混沌神经网络的改进后新模型的动态方程为：

si(t)＝σ(xi(t))

其中,si(t)，xi(t)分别为s和xn第i个分量在t时刻的状态，ωij是从第j个分量sj到第i个分量si之间的权值大小，且wji＝wji；t为基于离散多电平迟滞的噪声混沌神经网络迭代过程中运行的时间，所述基于离散多电平迟滞的噪声混沌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；

α为扰动系数，ε为耦合因子；λ为衰减因子，且0≤λ≤1；

σ(xi(t))为神经元的激活函数；

接收信号s(t)＝[s1(t)，s2(t)，l，sn(t)]^t.复数信号为：{sj(t)＝srj(t)+i·sij(t)，srj(t)∈b，sij(t)∈b|j＝1，2，l，n}，基于离散多电平迟滞的噪声混沌神经网络达到最后平衡时，确认为每个神经元的si(t)＝xi(t)，si(t)即为求的发送信号；

将分段模拟退火函数zi(t)引入自反馈连接系数的调整之中作为第i个神经元的自反馈连接权值，γ1,γ2为变量zi(t)的控制参数，γ1,γ2∈(0,1)，zi(0)随机生成；

ηi(t)表示随机噪声函数，为进一步避免混沌神经网络进入局部最小值点，其中：ηi(t)＝ηi(t)/ln(e+γ1(1-ηi(t)))。

作为一种较佳的实施例，所述步骤ss5中的迟滞激活函数为σ(x)，具体表示如下：σ(x)＝σr(x)+i·σi(x),且σr(x)＝σi(x)：

m表示r或者i，表示向下取整，|t|表示取绝对值,t为函数自变量，mod(·,n)表示对n取余，a为常数，a∈(0,1)。

作为一种较佳的实施例，所述的离散多电平迟滞的噪声混沌神经网络的能量函数e(t)为：

同步更新模式下：

异步更新模式下：

其中：

n表示离散多电平迟滞的噪声混沌神经网络的神经元的个数；

e(k)为所述离散多电平迟滞的噪声混沌神经网络的能量函数；

为接收信号,b＝(δg)2，

srj(k)，sij(k)分别是信号srij(k)的实部与虚部分量。

本发明所达到的有益效果：本发明将分段退火函数和随机噪声应用在离散多电平混沌神经网络mqam星座信号中，并改进激活函数构造了离散多电平迟滞的噪声混沌神经网络模型，更好的避免神经网络陷入极小值点。同时新模型方法能够减少数据量长度，提高多电平盲检测的抗噪声能力，综合多方面提高了多电平盲检测的性能。matlab仿真实验证明了在同等条件下本发明相比于传统的离散多电平神经网络盲检测方法避免了陷入极小值点的，减少了数据量长度，提高了盲检测的抗噪声能力，对比于分段退火的多电平离散混沌神经网络和分段退火的多电平噪声混沌神经网络，收敛性能更好。

附图说明

图1是本发明的基于离散多电平迟滞的噪声混沌神经网络模型。

图2是ctcnn_rihm与分段退火ctcnn_rihm在相同信噪比下，盲检测算法的收敛时间比较图。

图3是ctcnn_rihm与分段退火ctcnn_rihm，分段退火nctcnn_rihm，分段退火chntcnn_rihm在数据量长度为300时的误码率比较图。图中ctcnn_rihm(complex-valuedtransientlychaotichopfieldneuralnetworkreal-imaginary-typehard-multistate-activation-function)方法为离散多电平混沌神经网络的信号盲检测方法，分段退火ctcnn_rihm为基于离散多电平分段模拟退火混沌神经网络的信号盲检测方法，分段退火cntcnn_rihm(complex-valuednoisytransientlychaotichopfieldneuralnetworkreal-imaginary-typehard-multistate-activation-function)为基于离散多电平噪声分段模拟退火混沌平神经网络的信号盲检测方法，分段退火chntcnn_rihm(complex-valuedhysteresisnoisytransientlychaotichopfieldneuralnetworkreal-imaginary-typehard-multistate-activation-function)为基于离散多电平迟滞的噪声分段模拟退火混沌神经网络的信号盲检测方法。

图4是本发明的分段退火chntcnn_rihm方法在数据量长度为300，信噪比为30db时的星座图收敛图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明提出基于离散多电平迟滞的噪声混沌神经网络的信号盲检测方法，其具体实施过程如下：

忽略噪声时，离散时间信道的接收方程定义如下

xn＝sγ^t(1)

式中，xn是接收数据阵，s是发送信号阵，γ是由信道冲激响应hjj构成的块toeplitz矩阵；(·)^t表示矩阵转置；

其中，发送信号矩阵：

s＝[sl+m(k),l,sl+m(k+n-1)]^t＝[sn(k),l,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)l,s,k(-l-m]^t)；时刻k为自然数；hjj＝[h0,l,hm]q×(m+1)，jj＝0,1,l,m；q是过采样因子，取值为正整数；xn＝[xl(k),l,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)酉矩阵；

0是(n-(l+m+1))×(l+1)q零矩阵；

v是(l+1)q×(l+1)q酉矩阵；

uc是n×(n-(l+m+1))酉矩阵；

d是(l+m+1)×(l+1)q奇异值矩阵；

设置权矩阵wri＝[a-qri]，其中a是n×n维单位矩阵，qr是补投影算子q的实部，qi表示补投影算子q的虚部，

据此构造性能函数及优化过程如下：

其中，s为n维复向量，其元素的实部为sr，其虚部为si，实部和虚部都属于集合b，b＝{±1,±3,l,±gn|gn＝1+2(n-1)}，g1＝1，δg＝gii+1-gii＝2，ii∈[1，n-1]，2n为发送信号集合的电平数。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,l,m+l。如此，盲检测问题就成为了式(3)优化问题的全局最优解问题。

图1是本发明构造的基于离散多电平迟滞的噪声混沌神经网络的信号盲检测模型，包含权矩阵，激活函数，衰减因子，耦合因子和自反馈项。该系统的动态方程为：

si(t)＝σ(xi(t))(5)

对该方程进行迭代运算，然后把每次迭代的结果代入改进的离散多电平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si(t)＝si(t-1)时，该离散多电平混沌神经网络达到平衡，迭代结束；

其中，

si(t)，xi(t)分别为s和xn第i个分量在t时刻的状态，ωij是从第j个分量sj到第i个分量si之间的权值大小，且wij＝wji；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通过欧拉公式实现转换；

ηi(t)表示随机噪声函数，为进一步避免混沌神经网络进入局部最小值点。其中：ηi(t)＝ηi(t)/ln(e+γ1(1-ηi(t)))；

α为扰动系数，ε为该网络的耦合因子；λ为衰减因子，且0≤λ≤1；

σ(g)为神经元的激活函数；

接收信号s(t)＝[s1(t),s2(t),l,sn(t)]^t,复数信号{sj(t)＝srj(t)+i·sij(t),srj(t)∈b,sij(t)∈bj＝1,2,l,n},该网络达到最后平衡时，可近似的认为每个神经元的si(t)＝xi(t)，si(t)即为所求的发送信号；

将分段退火函数zi(t)引入自反馈连接系数的调整之中作为第i个神经元的自反馈连接权值，γ1,γ2为变量zi(t)的控制参数，γ1,γ2∈(0,1)，zi(0)随机生成；

σ(g)为神经元的激活函数,σ(g)＝σr(g)+i·σi(g),且σr(g)＝σi(g)：

其中，m表示r或者i，表示向下取整，|g|表示取绝对值,t为函数的自变量，mod(·,n)表示对n取余,a为常数，a∈(0,1)。

b.)能量函数

同步更新模式下：

异步更新模式下：

其中：

n表示混沌神经网络的神经元的个数；

e(k)为该混沌神经网络的能量函数；

为接收信号,b＝(δg)²，

srj(k)，sij(k)分别是信号srij(k)的实部与虚部分量；

为利用改进的离散多电平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，使能量函数的最小值点对应于性能函数的最小值点。连续时间t和离散时间k之间通过欧拉公式进行相互转换,在神经网络达到稳定时，x(t)记为s(t)的估计值；能量函数e(k)的最小值的解点处的信号即为所需检测的发送信号。

综上所述，基于改进的离散多电平混沌神经网络的信号盲检测方法保证网络可以避免局部极小点的同时减少所需数据量长度，提高抗噪声能力，最后达到网络的平衡。

图2ctcnn_rihm与分段退火ctcnn_rihm在相同信噪比下，盲检测算法的收敛时间比较图，通过比较图可知，采用分段退火函数的盲检测收敛速度更快。

图3是本发明的分段退火chntcnn_rihm方法与ctcnn_rihm方法以及分段退火ctcnn_rihm方法，分段退火cntcnn_rihm方法的对比仿真实验图，这里的仿真结果是在在相同条件下，进行了100次monteclaro实验，本发明方法与ctcnn_rihm方法以及分段退火ctcnn_rihm方法，分段退火cntcnn_rihm方法在数据量长度为300时的的误码率比较图。如图4是本发明的分段退火chntcnn_rihm方法的星座图收敛图。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。