[發明專利]基于激活函數可調的復值BP神經網絡盲均衡方法

在審

• 申請號: 201410611007.7
• 申請日: 2014-11-04
• 公開（公告）號: CN104486271A
• 公開（公告）日: 2015-04-01
• 發明（設計）人: 趙娟;高正明;田學軍
• 申請（專利權）人: 荊楚理工學院
• 主分類號: H04L25/03
• 分類號: H04L25/03
• 代理公司: 荊門市首創專利事務所 42107
• 代理人: 董聯生

技術領域

本發明涉及一種復值BP神經網絡盲均衡方法，尤其涉及一種基于激活函數可調的復值BP神經網絡盲均衡方法。

背景技術

神經網絡已經廣泛應用于解決人們在探索和改造自然過程中遇到的各種各樣的問題，比如模型優化、預測、分類識別、自動控制和信號處理等，并已經成功應用于降低信號傳輸過程中的碼間串擾；神經網絡以其強大的非線性逼近能力能夠以較高的收斂速度、較低的誤碼率對接收信號進行自適應均衡，得到了學者們的廣泛關注；為進一步提升基于神經網絡的盲均衡算法性能，提出了許多改進算法，如各種變步長算法、自適應動量項算法以及模糊神經網絡、自適應調整神經元神經網絡、遞歸神經網絡等；這些神經網絡改進算法在一定程度上提升了算法適應性和泛化能力；但是應用于盲均衡器設計時，閾值參數的自適應調節對算法性能無明顯影響，而且由于激活函數是事先確定的，不可調節，因此模型較為簡單，性能指標受到極大的限制；1996年，吳佑壽等提出了一種激活函數可調的神經元模型－TAF模型，引起了廣泛關注；大量研究結果表明，基于激活函數可調的神經網絡更易于解決實際問題，收斂速度更快、泛化能力更強，而且網絡容量更大。

綜上所述，到目前為此，相較為傳統的神經網絡算法，基于激活函數可調的神經網絡算法性能更加優異，可更快速、準確地對正交調制信號進行均衡處理。

發明內容

本發明要解決的技術問題是針對現有傳統的神經網絡算法技術存在的不足，提出一種基于激活函數可調的復值BP神經網絡盲均衡方法；

本發明包括如下步驟：

第一步：消息序列{s(n)}（n為時間序列，下同），經正交調制（如QAM等）、復值信道傳輸和噪聲疊加后，到達接收端，均衡器收到信號序列x(n)（如圖1所示）；

第二步：初始化后的復值BP神經網絡盲均衡器均衡輸出均衡信號y(n)；

1）復值神經網絡采用復數權值、復值激活函數和復數計算方法，其中神經元模型（如圖2所示）采用復數激活函數，實部和虛部獨立運算，計算方法為

（1）

式（1）中k為復數因子，

??（2）

至少包含一個可變參數a等；

2）以式（2）中具有兩個可變參數a、b和三層BP神經網絡為例（如圖3所示），設輸入層-隱層權值矩陣W，隱層-輸出層權值向量V；

對于輸入信號序列x(n)，網絡輸入層滿足線性關系：

?(3)

其中c為均衡器抽頭系數個數；

隱層輸入、輸出為：

(4)

(5)

(6)

其中p為隱層神經元個數，可采用

(7)

進行計算；式(7)中β為一整數，一般β∈[2,10]，表示對實數x取整；

輸出層輸入、輸出滿足：

(8)

(9)

(10)

第三步，基于輸出信號統計特征計算均衡器殘余誤差或平均平方誤差；

(11)

其中，E表示求均值，

????????(12)

第四步，根據Hebb學習率進行誤差反傳，修正神經網絡權值和激活函數可調節參數；

1）權值矩陣W和向權值向量V，以及激活函數參數a、b均為復數，諸參數對誤差J(n)的偏微分采用如下公式計算：

(13)

(14)

2）根據Hebb學習率計算誤差反向傳遞過程：

對于隱層激活函數可變參數和隱層-輸出層權值向量V，有：

(15)

(16)

(17)

(18)

(19)

(20)

對于輸入層-隱層權值矩陣W和隱層激活函數變參數a_j,?b_j?(j=1,2,…,?p)，有：

(21)

(22)

(23)

(24)

(25)

(26)