[發明專利]多輸入多輸出泛函網絡實現無線激光通信電域信號盲均衡方法

有效

• 申請號: 201210561576.6
• 申請日: 2012-12-04
• 公開（公告）號: CN103023840A
• 公開（公告）日: 2013-04-03
• 發明（設計）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）人: 溫州大學
• 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絡實現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：

第一步設計用于信號盲均衡的多輸入多輸出泛函網絡

所述多輸入多輸出泛函網絡模型包括有作為第一層的輸入層，作為第一神經函數處理層的P，G，N，Q、作為第二神經函數處理層的J，K，F，L及輸出層，該網絡模型中同時還包括若干個中間存儲單元層，所述中間存儲單元層用于存儲由第一層神經元產生的信息；首先賦予網絡第一層神經函數的參數c_i，當網絡輸入端進入一組信號W＝[w₁，w₂，…，w_N]，這里w₁，w₂，…，w_N為網絡輸入信號W的列向量，N為列向量的個數，所述列向量經過φ(w_i)，i＝1，2，…，N線性變換后分別由第一神經處理層進行處理，然后第一神經函數處理層的輸出再進入第二神經函數處理層，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，如此反復直至網絡輸出滿足事先約定的條件；

第二步構造實現系統盲均衡的多輸入多輸出網絡輸入信號和網絡終止條件

接收端射頻信號經過頻率變換，A/D(模/數)變換、數字下變頻、數字正交混頻和匹配濾波后所得，系統已實現載波相位同步，符號準確定時，數據幀滿足塊衰落特性；忽略噪聲時，單輸入多輸出通信系統接收方程、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H表示共軛轉置，N為信號長度(即神經元個數)，q為接收端探測單元個數，Γ＝Γ_L(H_j)是(H_j，j＝0，1，…，M)構成的Toeplitz形式的平滑矩陣，L為均衡器階數，

是通信信道的沖激響應，L_h為信道階數，

(X_N)_N×(L+1)q＝[x_L(t)，…，x_L(t+N-1)]^T是接收數據陣，這里上標T表示轉置運算，而發送信號陣為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表示復向量，由信號本身星座點信息所約束；

一方面，W的列向量是信號子空間的一組基，將W的列向量作為所設計的多輸入多輸出泛函網絡的輸入信號，進而通過網絡運行更新該網絡神經函數參數；

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

e(s)=12E(||s-σ(Ws)||22)---(3)]]>

其中：表示2范數，E(·)為求數學期望運算；

當上式值小于某個事先約定值時，網絡運行終止；

第三步設計多輸入多輸出泛函網絡σ神經函數

所有神經元均具有相同形式的復激活函數，且f^R(·)和f^I(·)具有相同的解析函數形式，這里R和I分別表示復激勵函數的實數和虛數部分。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，進而結合QAM信號星座的特征設計如下形式的σ神經函數

σ(x,Ns)=[2Σi=1Nsfs(x+bi)]-Ns---(4)]]>

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

第四步σ神經函數的參數學習策略設計

(a)第一層神經函數的參數學習策略設計

神經函數記為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，求得

第一次迭代時，神經函數具有如下形式為多維線性函數

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

此時該多維線性函數的參數分別為向量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)]]>

其中為求偏倒運算，I表示單位矩陣，η為一常數，其值一般小于0.2；

第二次迭代時，神經函數具有如下形式為多維線性函數

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

此時該多維線性函數的參數分別為向量c₁的元素c_1，1，c_1，2，…，c_1，N，此時的c₁為網絡第一次迭代時的輸出c₀的更新值；

第n次迭代時，

第n次迭代時，神經函數參數變化為

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

神經函數改變為新的多維線性函數

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)第二層神經函數的參數學習策略設計

將第二層神經元函數的放大和衰減因子作為學習對象：根據誤差函數值的大小逐步縮小放大因子；根據誤差函數值的大小使得神經元函數的衰減因子隨之增大，其目的是使得初始更新時候使得輸入向量迅速脫離原點，而隨著網絡更新的進行，誤差函數逐步減小，那么可使得第二層神經函數向理想離散函數逼近，如此完成第二層神經元函數參數的學習更新。