[發明專利]基于帶擾動的幅相型離散Hopfield神經網絡的信號盲檢測方法

有效

• 申請號: 201810353005.0
• 申請日: 2018-04-19
• 公開（公告）號: CN108768904B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 于舒娟;張昀;曹健;楊杰;李冰蕊;張治民
• 申請（專利權）人: 南京郵電大學;南京郵電大學南通研究院有限公司
• 主分類號: H04L25/03
• 分類號: H04L25/03;H04L1/00
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 姚姣陽

1.基于帶擾動的幅相型離散Hopfield神經網絡的信號盲檢測方法，其特征在于，包括如下步驟：

S1、獲取單個HNN神經元的狀態；

S2、根據各HNN神經元的狀態獲取多個神經元使用權值相互連接得到的Hopfield神經網絡結構，并計算其相對應的動態方程；

S3、根據Hopfield神經網絡結構的輸出構建接收數據矩陣；

S4、通過接收數據矩陣的分解分解得到Q矩陣，并配置Hopfield神經網絡的權矩陣W＝[I-Q],為使盲檢測中的優化函數的最小值與Hopfield能量函數中的最小值相對應；當Γ^H滿秩時，則存在滿足Qs_N(k-d)＝0。U_c是由接收矩陣通過奇異值分解得到的，且使U_c∈C^{N×(N-(L+M+1))}成立，則構建優化函數為：

其中，為所需檢測的原始信號；

配置連接權矩陣W＝[I-Q]，N×N維的單位陣，則當幅值相位型離散Hopfield神經網絡的輸出為最終解時，有s(k)＝s(k-1)成立；此時網絡達到平衡網絡的發送信號即為網絡平衡點信號；

S5、構建帶擾動的幅相型離散Hopfield神經網絡，并驗證其不易陷入局部最小值點；

帶擾動的幅相型離散Hopfield神經網絡的動態方程為：

其中，為擾動因子，W為神經網絡的連接權值矩陣；

當為固定擾動，則：

當為自擾動，則：

當為退火擾動，則：

其中，α₁＝-0.01，α₂＝-0.1，β＝0.002，α₀＝-0.1。

2.根據權利要求1所述的基于帶擾動的幅相型離散Hopfield神經網絡的信號盲檢測方法，其特征在于，所述步驟S1中，計算單個HNN神經元的狀態方程為：

y(t)＝σ(x(t))；

其中y為輸出，x為神經元的當前狀態，w為連接權值，v為偏置，α為取常數的衰退因子，σ(x(t))為Sigmoid型激活函數。

3.根據權利要求1所述的基于帶擾動的幅相型離散Hopfield神經網絡的信號盲檢測方法，其特征在于，所述步驟S2中，多個神經元使用權值相互連接得到的Hopfield神經網絡結構的狀態方程和輸出方程分別為：

y_i(t)＝σ_i(x_i(t)),i＝1,2,…,n；

其中，α_i為取常數的衰退因子，x_i(t)為神經元的當前狀態，y_i(t)為輸出，w_ij為神經元i與j之間的連接權值，s_i為常量；σ_i(x_i(t))為Sigmoid型激活函數；

Hopfield神經網絡結構對應的動態方程為：

s(k+1)＝σ(Ws(k))＝σ(y(k))；

共有N個神經元，則輸入向量為s(k)＝[s₁(k),s₂(k),…,s_N(k)]^T，則：

其中，w_ij為兩個神經元s_j與s_i之間的神經元聯結權值，權矩陣W∈C^N×N，權矩陣等于自身的共軛轉置，即W^H＝W，激活函數的表達式為：

其中，u為激活函數的輸入部分，先將輸入寫成指數形式，a_u和分別是幅值和相角，令則為量化單位角，K為MPSK星座上的信號數，l＝0,1,…,(K-1)，當為8PSK信號，則K＝8，整個平面被平均分成8個扇區，每個扇區包含一個量化點z^l,l＝0,1,…,7，扇區l內的任何輸入經過激活函數的輸出都為z^l。

4.根據權利要求1所述的基于帶擾動的幅相型離散Hopfield神經網絡的信號盲檢測方法，其特征在于，所述步驟S3中，單輸入多輸出經過的采樣接收方程為：

其中，q為過采樣因子，M為信道的階數，x(k)為接收信號矩陣，s(k)為發送信號矩陣，v(k)為加性噪聲，發送信號與加性噪聲相互獨立，則公式為：

X_N＝SΓ^H；

其中，S＝[s_L+M(k),…,s_L+M(k+N-1)]^H＝[s_N(k),…,s_N(k-M-L)]_N×(L+M+1)為發送信號陣，Γ為由h_j,j＝0,1,…,M構成的維數為(L+1)q×(L+M+1)的塊Toeplitz平滑矩陣，L是均衡器的參數，[h₀,…,h_M]_q×(M+1)為通信信道的沖激響應；(X_N)_N×(L+1)q＝[x_L(k),...,x_L(k+N-1)]^H為接收數據陣。