模糊神经网络控制的混合小波神经网络盲均衡方法技术

本发明专利技术公布了一种模糊神经网络控制的混合小波神经网络盲均衡方法，本发明专利技术方法包括如下步骤：ａ．将发射信号ｘ（ｎ）经过脉冲响应信道得到信道输出向量ｂ（ｎ）；ｂ．采用信道噪声Ｎ（ｎ）和步骤ａ所述的信道输出向量ｂ（ｎ）得到盲均衡器的输入序列；ｃ．将步骤ｂ所述的盲均衡器的输入序列ｙ（ｎ）依次经过改进的混合小波神经网络得到输出信号利用模糊神经网络（ＦＮＮ）来调整改进的混合小波神经网络中神经元小波函数中平移因子和尺度因子的迭代步长，并以均方误差Ｅ（ｎ）＝ＭＳＥ（ｎ）与均方误差的偏差ΔＥ（ｎ）＝ＭＳＥ（ｎ）－ＭＳＥ（ｎ－１）作为模糊神经网络控制器的输入。本发明专利技术系统的灵活性高，避免了易陷入局部极小值的困境。

【技术实现步骤摘要】

本专利技术涉及一种，属于多小波 模糊神经网络盲均衡方法的

技术介绍
在水声通信系统中，信道的多径衰落和畸变产生的码间干扰(ISI，Inter-Symbol Interference)，降低了系统的性能，影响着通信质量。抑制码间干扰的有效方法是采用 不需训练序列的盲均衡技术。盲均衡技术的本质是通过设计性能优越的算法来调整均 衡器参数，是一个求逆系统的非线性逼近问题；而小波神经网络(WNN，Wavelet Neural Network)将神经网络的自学习功能和小波的时频局域化性质结合起来，具有自适应分辨性 和良好的容错能力(见文献[1] Zhang Q H, Benveniste A. Wavelet networks [J]. IEEE Transactions on Neural Networks, 1992,3(6) :889_898.)。而采用传统 WNN 的盲均衡 算法，仍然存在收敛速度慢和容易陷入局部极小值的缺陷(见文献[2] =Rahib H. Abiyev. Neuro-fuuzy system for equalization channel distortion[J].International Journal of Computati-onal Intelligence, 2005，Fall :229_232 ；文献[3]刘国军，唐 降龙，黄剑华，刘家峰。基于模糊小波的图像对比度增强算法[J].电子学报，2005，33 (4) 643-647;文献[4]桂延宁，焦李成，张福顺。基于小波和BP神经网络的无线电探测目标 识别技术[J].电子学报，2003，31 (12) :1811-1814·)。模糊神经网络(FNN, Fuzzy Neural Network)汇集了模糊理论与神经网络的优点，集学习、联想、识别、自适应及模糊信息处理 于一体，具有计算简便、容错能力强、处理信息范围大、学习速度快等优点(见文献[5]张 晓琴.基于模糊神经网络盲均衡算法的研究[D].沈阳太原太原理工大学，2008;文献 [6]徐小来，雷英杰，谢文彪。基于UKF的自组织直觉模糊神经网络[J].电子学报，2010， 28(3) :638-645.)。因此，将FNN与WNN相结合应用于盲均衡方法中，将是有研究意义的课 题。混合小波神经网络(HWNN)盲均衡方法是在WNN输入层之前级联一个横向滤波器 (见文献[7]肖瑛，董玉华。一种级联混合小波神经网络盲均衡算法[J].信息与控制， 2009,38(4) :479-483.)，其不足之处有①横向滤波器各节点输出直接作为WNN输入层相 应神经元的输入，即WNN输入层各神经元的输入之间没有任何联系；②没有把信号的实部 与虚部分开考虑，不适用于PSK、QAM等复数调制系统；③对小波函数中尺度因子和平移因 子的迭代步长没有进行模糊控制与调整，从而影响了系统处理信息的灵活性和速度，均衡 性能较差。
技术实现思路
本专利技术目的是针对现有技术存在的缺陷提供一种模糊神经网络控制的混合小波 神经网络盲均衡方法。本专利技术为实现上述目的，采用如下技术方案6本专利技术，其特征在于包括如下 步骤a.)将发射信号x(n)经过脉冲响应信道得到信道输出向量b (η)，其中η为正整 数，表示时间序列，下同；b.)采用信道噪声N(n)和步骤a所述的信道输出向量b (η)得到盲均衡器的输入 序列=y(n) = b(n)+N(n)；c.)将步骤b所述的盲均衡器的输入序列y (η)依次经过改进的混合小波神经网络 得到输出信号对；利用模糊神经网络(FNN)来调整改进的混合小波神经网络中神经元小波函数中 平移因子和尺度因子的迭代步长，并以均方误差E(n) =MSE(η)与均方误差的偏差ΔΕ(η) = MSE(η)-MSE (η-1)作为模糊神经网络控制器的输入。优选地，所述改进的混合小波神经网络的构建方法如下横向滤波器构成了改进的混合小波神经网络的线性部分，而小波神经网络(WNN) 构成了非线性部分；横向滤波器第i个抽头系数为Ci(n)，i = 1,2,…，m，m为混合小波神 经网络(HWNN)输入层神经元的个数，下同；改进的混合小波神经网络输入层第i个神经元 的输入为Ti (η)，隐层第k个神经元的输入为uk(n)，输出为Qk(n)，k = 1，2，·，ρ，ρ为HWNN 隐层神经元的个数，下同；输出层的输入为g(n)，输出为对《)；输入层第i个神经元至隐层 第k个神经元的连接权重为Wik(Ii)，隐层第k个神经元至输出层的连接权重为Vk (η)；同；(4)将网络的信号、信道、权值等分解为实部和虚部两部分，则网络的状态方程为Ci (n) = CijΕ(η)+J-Cij!(η)(1)式中，Cu(Il)为4(11)的实部，Ciil(Il)的虚部，Y = V1T表示虚数单位，下wik (n) = wikjE(n)+jwikjI(n) Vk (η) = vkjE(n)+jvkjI(n)(2) (3)y ( η ) = yR(n)+jyI(n)tι T1(H) = Yj C1 (n)y(n + 1-0 =^ (c,,r ^r (n + l-t)-ctJ (n)yi (n + l-1)) +>Σ (c',r (咖/ ( +1 - 0 + Cu (n)yR ( +1 - 0)(5)/=1mmUk ( ) = Σ Wlk {n)Tt {n) = ^ [wikJ{ (n)TiR {n) - Wllcj (H)Tll ( )]z=l/=1m +7'X (P)T1,ι ( ) - w,kj {n)TiR ( )](6)则Qk (η) = Va,b(uk,E(n))+jVa,b(ukjI(n))(7)式中，￥a,b(·)表示对隐层输入信号进行小波变换，这里选择Morlet小波母函数， 式中，b为平移因子，a为尺度因子；将式(8)中uk,K(n)换成Ukil(Ii)就得到Ψ3,bOlufc))的表达式，小波神经网络的输出为 横向滤波器的输出为 (10)将乓O)和毛O)加权融合，得 式中，O彡α，β彡1，为加权因子，并且满足α+β = 1，改进的HWNN最终输出为 式中，f(.)为输出层的输入和输出之间的传递函数，其中Xsin(JigO1))是以 g(n)为自变量的非线性修正项，它使得在原信号中心点附近左右摆信号向原信号靠拢。优选地，所述隐层到输出层连接权重的更新方法为 式中P1为迭代步长，*为共轭，j表示虚数，上标“'”表示求导，下同。优选地，所述输入层至隐层连接的权重更新公式为 式中，μ 2为迭代步长。优选地，所述尺度因子a和平移因子b的更新方法为 式中da{n)OkjMT) —ρ ^dvZab(UkJin))da(n)da(n)也⑷(”产，:(:二⑶)+ν(产》))da(n)da(n)δα{ )da(n)a-I KHda+ ——a 2—6 丫 f ukR{n)-baI-3/2ukAn)-baa ,2 ~a,式中，μ3，μ 4为迭代步长。 优选地，所述模糊神经网络控制器的构建方法如下 此模糊神经网络(FNN)的模糊规则为规则1如果Δ E (η)为正且E (η)大，则Δμ正大-规则2如果Δ E (η)为正且本文档来自技高网...

【技术保护点】
一种模糊神经网络控制的混合小波神经网络盲均衡方法，其特征在于包括如下步骤：ａ．）将发射信号ｘ（ｎ）经过脉冲响应信道得到信道输出向量ｂ（ｎ），其中ｎ为正整数，表示时间序列，下同；ｂ．）采用信道噪声Ｎ（ｎ）和步骤ａ所述的信道输出向量ｂ（ｎ）得到盲均衡器的输入序列：ｙ（ｎ）＝ｂ（ｎ）＋Ｎ（ｎ）；ｃ．）将步骤ｂ所述的盲均衡器的输入序列ｙ（ｎ）依次经过改进的混合小波神经网络得到输出信号＊（ｎ）；利用模糊神经网络（ＦＮＮ）来调整改进的混合小波神经网络中神经元小波函数中平移因子和尺度因子的迭代步长，并以均方误差Ｅ（ｎ）＝ＭＳＥ（ｎ）与均方误差的偏差ΔＥ（ｎ）＝ＭＳＥ（ｎ）－ＭＳＥ（ｎ－１）作为模糊神经网络控制器的输入。

【技术特征摘要】
一种模糊神经网络控制的混合小波神经网络盲均衡方法，其特征在于包括如下步骤a.)将发射信号x(n)经过脉冲响应信道得到信道输出向量b(n)，其中n为正整数，表示时间序列，下同；b.)采用信道噪声N(n)和步骤a所述的信道输出向量b(n)得到盲均衡器的输入序列y(n)＝b(n)+N(n)；c.)将步骤b所述的盲均衡器的输入序列y(n)依次经过改进的混合小波神经网络得到输出信号利用模糊神经网络(FNN)来调整改进的混合小波神经网络中神经元小波函数中平移因子和尺度因子的迭代步长，并以均方误差E(n)＝MSE(n)与均方误差的偏差ΔE(n)＝MSE(n) MSE(n 1)作为模糊神经网络控制器的输入。FSA00000250250600011.tif1.一种模糊神经网络控制的混合小波神经网络盲均衡方法，其特征在于包括如下步骤a.)将发射信号χ(η)经过脉冲响应信道得到信道输出向量b (η)，其中η为正整数，表 示时间序列，下同；b.)采用信道噪声Ν(η)和步骤a所述的信道输出向量b(n)得到盲均衡器的输入序列 y(n) = b(n)+N(n)；c.)将步骤b所述的盲均衡器的输入序列y(η)依次经过改进的混合小波神经网络得到 输出信号对《);利用模糊神经网络(FNN)来调整改进的混合小波神经网络中神经元小波函数中平移 因子和尺度因子的迭代步长，并以均方误差E(n) =MSE(η)与均方误差的偏差ΔΕ(η)= MSE (η) -MSE (η-1)作为模糊神经网络控制器的输入。2.根据权利要求1所述的模糊神经网络控制的混合小波神经网络盲均衡方法，其特征 在于所述改进的混合小波神经网络的构建方法如下横向滤波器构成了改进的混合小波神经网络的线性部分，而小波神经网络(WNN)构成 了非线性部分；横向滤波器第i个抽头系数为Ci(n)，i = 1,2,…，m，m为小波神经网络混 合小波神经网络(HWNN)输入层神经元的个数，下同；改进的混合小波神经网络输入层第i 个神经元的输入为Ti(Ii),隐层第k个神经元的输入为uk(n)，输出为Qk(n)，k= 1，2，…， ρ，ρ为HWNN隐层神经元的个数，下同；输出层的输入为g(n)，输出为；输入层第i个神 经元至隐层第k个神经元的连接权重为Wik(Il)，隐层第k个神经元至输出层的连接权重为 vk(η)；将网络的信号、信道、权值等分解为实部和虚部两部分，则网络的状态方程为 式中，b为平移因子，a为尺度因子；将式⑶中uk,K(n)换成uk, Jn)就得到Va,b(uk, !(η))的表达式，小波神经网络的输出为 横向滤波器的输出为 将马(《)和毛(《)加权融合，得 (11)式中，0≤α，β≤1，为加权因子，并且满足α+β = 1，改进的HWNN最终输出为 (12)式中，f(·)为输出层的输入和输出之间的传...

【专利技术属性】
技术研发人员：郭业才，王丽华，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：84[中国|南京]