[發(fā)明專利]多輸入多輸出泛函網(wǎng)絡(luò)實(shí)現(xiàn)無線激光通信電域信號盲均衡方法

有效

• 申請?zhí)枺?/td>: 201210561576.6
• 申請日: 2012-12-04
• 公開（公告）號: CN103023840A
• 公開（公告）日: 2013-04-03
• 發(fā)明（設(shè)計(jì)）人: 阮秀凱;談燕花;李昌;蔡啟博;宣芳芳;盛露敏;王帥峰
• 申請（專利權(quán)）人: 溫州大學(xué)
• 主分類號: H04L25/03
• 分類號: H04L25/03;H04L1/06
• 代理公司: 溫州甌越專利代理有限公司 33211
• 代理人: 李友福

1.一種多輸入多輸出泛函網(wǎng)絡(luò)實(shí)現(xiàn)無線激光通信電域信號盲均衡方法，其特征在于包括如下步驟：

第一步設(shè)計(jì)用于信號盲均衡的多輸入多輸出泛函網(wǎng)絡(luò)

所述多輸入多輸出泛函網(wǎng)絡(luò)模型包括有作為第一層的輸入層，作為第一神經(jīng)函數(shù)處理層的P，G，N，Q、作為第二神經(jīng)函數(shù)處理層的J，K，F(xiàn)，L及輸出層，該網(wǎng)絡(luò)模型中同時(shí)還包括若干個(gè)中間存儲單元層，所述中間存儲單元層用于存儲由第一層神經(jīng)元產(chǎn)生的信息；首先賦予網(wǎng)絡(luò)第一層神經(jīng)函數(shù)的參數(shù)c_i，當(dāng)網(wǎng)絡(luò)輸入端進(jìn)入一組信號W＝[w₁，w₂，…，w_N]，這里w₁，w₂，…，w_N為網(wǎng)絡(luò)輸入信號W的列向量，N為列向量的個(gè)數(shù)，所述列向量經(jīng)過φ(w_i)，i＝1，2，…，N線性變換后分別由第一神經(jīng)處理層進(jìn)行處理，然后第一神經(jīng)函數(shù)處理層的輸出再進(jìn)入第二神經(jīng)函數(shù)處理層，通過誤差反向傳播算法更新處理層的c_i，使之更新為c_i+1，如此反復(fù)直至網(wǎng)絡(luò)輸出滿足事先約定的條件；

第二步構(gòu)造實(shí)現(xiàn)系統(tǒng)盲均衡的多輸入多輸出網(wǎng)絡(luò)輸入信號和網(wǎng)絡(luò)終止條件

接收端射頻信號經(jīng)過頻率變換，A/D(模/數(shù))變換、數(shù)字下變頻、數(shù)字正交混頻和匹配濾波后所得，系統(tǒng)已實(shí)現(xiàn)載波相位同步，符號準(zhǔn)確定時(shí)，數(shù)據(jù)幀滿足塊衰落特性；忽略噪聲時(shí)，單輸入多輸出通信系統(tǒng)接收方程、盲處理方程可表述如下：

x(t)=Σj=0MHjs(t-j)=[H0,···,HLh]s(t)---(1)]]>

X_N＝SΓ^H????????????????????????(2)

其中，上標(biāo)H表示共軛轉(zhuǎn)置，N為信號長度(即神經(jīng)元個(gè)數(shù))，q為接收端探測單元個(gè)數(shù)，Γ＝Γ_L(H_j)是(H_j，j＝0，1，…，M)構(gòu)成的Toeplitz形式的平滑矩陣，L為均衡器階數(shù)，

是通信信道的沖激響應(yīng)，L_h為信道階數(shù)，

(X_N)_N×(L+1)q＝[x_L(t)，…，x_L(t+N-1)]^T是接收數(shù)據(jù)陣，這里上標(biāo)T表示轉(zhuǎn)置運(yùn)算，而發(fā)送信號陣為S(t)＝[s_N(t)，s_N(t-1)，…，s_N(t-M-L)]_N×(L+M+1)；

令W＝U^HU，其中：U是X_N奇異值分解XN=[U,Uc]·D0·VH]]>中的(N×(L+M+1))維酉陣，D＝diag(ε₁，ε₂，…，ε(_L+1)q)，這里diag表示對角矩陣，ε_i，i＝1，2，…(L+1)q為奇異值分解獲得的奇異值，且有ε₁≥ε₂≥…≥ε_(L+1)q；，在此，s表示復(fù)向量，由信號本身星座點(diǎn)信息所約束；

一方面，W的列向量是信號子空間的一組基，將W的列向量作為所設(shè)計(jì)的多輸入多輸出泛函網(wǎng)絡(luò)的輸入信號，進(jìn)而通過網(wǎng)絡(luò)運(yùn)行更新該網(wǎng)絡(luò)神經(jīng)函數(shù)參數(shù)；

另一方面，當(dāng)Γ滿列秩時(shí)，必有Ws_N(t-d)＝s_N(t-d)，其中，{s_N(t-d)|d＝0，…，L_h+L}，進(jìn)而誤差函數(shù)如下

e(s)=12E(||s-σ(Ws)||22)---(3)]]>

其中：表示2范數(shù)，E(·)為求數(shù)學(xué)期望運(yùn)算；

當(dāng)上式值小于某個(gè)事先約定值時(shí)，網(wǎng)絡(luò)運(yùn)行終止；

第三步設(shè)計(jì)多輸入多輸出泛函網(wǎng)絡(luò)σ神經(jīng)函數(shù)

所有神經(jīng)元均具有相同形式的復(fù)激活函數(shù)，且f^R(·)和f^I(·)具有相同的解析函數(shù)形式，這里R和I分別表示復(fù)激勵(lì)函數(shù)的實(shí)數(shù)和虛數(shù)部分。考慮方形2^K-QAM信號，K＝2，4，6，8…；由于多閾值邏輯是普通邏輯的一般化，其邏輯功能更完全，進(jìn)而結(jié)合QAM信號星座的特征設(shè)計(jì)如下形式的σ神經(jīng)函數(shù)

σ(x,Ns)=[2Σi=1Nsfs(x+bi)]-Ns---(4)]]>

式中：是構(gòu)成多值Sigmoid的元函數(shù)，b_i＝(N_s+1)-2i是多值Sigmoid函數(shù)的期望不穩(wěn)定拐點(diǎn)，a是Sigmoid元函數(shù)的衰減系數(shù)；N_s是構(gòu)成多值函數(shù)的元函數(shù)“數(shù)”；

第四步σ神經(jīng)函數(shù)的參數(shù)學(xué)習(xí)策略設(shè)計(jì)

(a)第一層神經(jīng)函數(shù)的參數(shù)學(xué)習(xí)策略設(shè)計(jì)

神經(jīng)函數(shù)記為φ(·)，采用誤差反向傳播算法更新處理層輸入，將作為c-σ(Wc)誤差函數(shù)，求得

第一次迭代時(shí)，神經(jīng)函數(shù)具有如下形式為多維線性函數(shù)

φ(w_i)＝c_0，1w_i，1+c_0，2w_i，2+…+c_0，Nw_i，N???????????????(5)

此時(shí)該多維線性函數(shù)的參數(shù)分別為向量c₀的元素c_0，1，c_0，2，…，c_0，N，這里輸入量為W矩陣的第i個(gè)列向量元素w_i，1，w_i，2，…，w_i，N；

cn+1=cn-η∂E∂cn=cn-η(I-Wσ(Wcn))---(6)]]>

其中為求偏倒運(yùn)算，I表示單位矩陣，η為一常數(shù)，其值一般小于0.2；

第二次迭代時(shí)，神經(jīng)函數(shù)具有如下形式為多維線性函數(shù)

φ(w_i)＝c_1，1w_i，1+c_1，2w_i，2+…+c_1，Nw_i，N?????????????(7)

此時(shí)該多維線性函數(shù)的參數(shù)分別為向量c₁的元素c_1，1，c_1，2，…，c_1，N，此時(shí)的c₁為網(wǎng)絡(luò)第一次迭代時(shí)的輸出c₀的更新值；

第n次迭代時(shí)，

第n次迭代時(shí)，神經(jīng)函數(shù)參數(shù)變化為

cn+1=cn-η∂E∂cn=cn-η(I-Wσ(Wcn))---(8)]]>

神經(jīng)函數(shù)改變?yōu)樾碌亩嗑S線性函數(shù)

φ(w_i)＝c_n+1，1w_i，1+c_n+1，2w_i，2+…+c_n+1，Nw_i，N?????????(9)

另外為加速算法收斂，引入動量項(xiàng)Δc_n，即：

c_n+1＝c_n-η(I-Wσ(Wc_n))+Δc_n

＝c_n-η(I-Wσ(Wc_n))+(c_n-c_n-1)；

(b)第二層神經(jīng)函數(shù)的參數(shù)學(xué)習(xí)策略設(shè)計(jì)

將第二層神經(jīng)元函數(shù)的放大和衰減因子作為學(xué)習(xí)對象：根據(jù)誤差函數(shù)值的大小逐步縮小放大因子；根據(jù)誤差函數(shù)值的大小使得神經(jīng)元函數(shù)的衰減因子隨之增大，其目的是使得初始更新時(shí)候使得輸入向量迅速脫離原點(diǎn)，而隨著網(wǎng)絡(luò)更新的進(jìn)行，誤差函數(shù)逐步減小，那么可使得第二層神經(jīng)函數(shù)向理想離散函數(shù)逼近，如此完成第二層神經(jīng)元函數(shù)參數(shù)的學(xué)習(xí)更新。