模糊神經網絡控制的混合小波神經網絡盲均衡方法

2023-06-21 22:25:41

專利名稱：模糊神經網絡控制的混合小波神經網絡盲均衡方法
技術領域：
本發明涉及一種模糊神經網絡控制的混合小波神經網絡盲均衡方法，屬於多小波 模糊神經網絡盲均衡方法的技術領域。
背景技術：
在水聲通信系統中，信道的多徑衰落和畸變產生的碼間幹擾(ISI，Inter-Symbol Interference)，降低了系統的性能，影響著通信質量。抑制碼間幹擾的有效方法是採用 不需訓練序列的盲均衡技術。盲均衡技術的本質是通過設計性能優越的算法來調整均 衡器參數，是一個求逆系統的非線性逼近問題；而小波神經網絡(WNN，Wavelet Neural Network)將神經網絡的自學習功能和小波的時頻局域化性質結合起來，具有自適應分辨性 和良好的容錯能力(見文獻[1] Zhang Q H, Benveniste A. Wavelet networks [J]. IEEE Transactions on Neural Networks, 1992,3(6) :889_898.)。而採用傳統 WNN 的盲均衡 算法，仍然存在收斂速度慢和容易陷入局部極小值的缺陷(見文獻[2] =Rahib H. Abiyev. Neuro-fuuzy system for equalization channel distortion[J].International Journal of Computati-onal Intelligence, 2005，Fall :229_232 ；文獻[3]劉國軍，唐 降龍，黃劍華，劉家峰。基於模糊小波的圖像對比度增強算法[J].電子學報，2005，33 (4) 643-647;文獻[4]桂延寧，焦李成，張福順。基於小波和BP神經網絡的無線電探測目標 識別技術[J].電子學報，2003，31 (12) :1811-1814·)。模糊神經網絡(FNN, Fuzzy Neural Network)匯集了模糊理論與神經網絡的優點，集學習、聯想、識別、自適應及模糊信息處理 於一體，具有計算簡便、容錯能力強、處理信息範圍大、學習速度快等優點(見文獻[5]張 曉琴.基於模糊神經網絡盲均衡算法的研究[D].瀋陽太原太原理工大學，2008;文獻 [6]徐小來，雷英傑，謝文彪。基於UKF的自組織直覺模糊神經網絡[J].電子學報，2010， 28(3) :638-645.)。因此，將FNN與WNN相結合應用於盲均衡方法中，將是有研究意義的課 題。混合小波神經網絡(HWNN)盲均衡方法是在WNN輸入層之前級聯一個橫向濾波器 (見文獻[7]肖瑛，董玉華。一種級聯混合小波神經網絡盲均衡算法[J].信息與控制， 2009,38(4) :479-483.)，其不足之處有①橫向濾波器各節點輸出直接作為WNN輸入層相 應神經元的輸入，即WNN輸入層各神經元的輸入之間沒有任何聯繫；②沒有把信號的實部 與虛部分開考慮，不適用於PSK、QAM等複數調製系統；③對小波函數中尺度因子和平移因 子的迭代步長沒有進行模糊控制與調整，從而影響了系統處理信息的靈活性和速度，均衡 性能較差。

發明內容
本發明目的是針對現有技術存在的缺陷提供一種模糊神經網絡控制的混合小波 神經網絡盲均衡方法。本發明為實現上述目的，採用如下技術方案
6
本發明模糊神經網絡控制的混合小波神經網絡盲均衡方法，其特徵在於包括如下 步驟a.)將發射信號x(n)經過脈衝響應信道得到信道輸出向量b (η)，其中η為正整 數，表示時間序列，下同；b.)採用信道噪聲N(n)和步驟a所述的信道輸出向量b (η)得到盲均衡器的輸入 序列=y(n) = b(n)+N(n)；c.)將步驟b所述的盲均衡器的輸入序列y (η)依次經過改進的混合小波神經網絡 得到輸出信號對；利用模糊神經網絡(FNN)來調整改進的混合小波神經網絡中神經元小波函數中 平移因子和尺度因子的迭代步長，並以均方誤差E(n) =MSE(η)與均方誤差的偏差ΔΕ(η) = MSE(η)-MSE (η-1)作為模糊神經網絡控制器的輸入。優選地，所述改進的混合小波神經網絡的構建方法如下橫向濾波器構成了改進的混合小波神經網絡的線性部分，而小波神經網絡(WNN) 構成了非線性部分；橫向濾波器第i個抽頭係數為Ci(n)，i = 1,2,…，m，m為混合小波神 經網絡(HWNN)輸入層神經元的個數，下同；改進的混合小波神經網絡輸入層第i個神經元 的輸入為Ti (η)，隱層第k個神經元的輸入為uk(n)，輸出為Qk(n)，k = 1，2，"·，ρ，ρ為HWNN 隱層神經元的個數，下同；輸出層的輸入為g(n)，輸出為對《)；輸入層第i個神經元至隱層 第k個神經元的連接權重為Wik(Ii)，隱層第k個神經元至輸出層的連接權重為Vk (η)；
同；
(4)
將網絡的信號、信道、權值等分解為實部和虛部兩部分，則網絡的狀態方程為
Ci (n) = CijΕ(η)+J-Cij!(η)(1)
式中，Cu(Il)為4(11)的實部，Ciil(Il)的虛部，Y = V1T表示虛數單位，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)
/=1
mm
Uk ( ) = Σ Wlk {n)Tt {n) = ^ [wikJ{ (n)TiR {n) - Wllcj (H)Tll ( )]
z=l/=1
m +7'X (P)T1,ι ( ) - w,kj {n)TiR ( )](6)
則
Qk (η) = Va,b(uk,E(n))+jVa,b(ukjI(n))
(7)
式中，￥a,b(·)表示對隱層輸入信號進行小波變換，這裡選擇Morlet小波母函數， 式中，b為平移因子，a為尺度因子；將式(8)中uk,K(n)換成Ukil(Ii)就得到Ψ3,
bOlufc))的表達式，小波神經網絡的輸出為 橫向濾波器的輸出為
(10)將乓O)和毛O)加權融合，得 式中，O彡α，β彡1，為加權因子，並且滿足α+β = 1，改進的HWNN最終輸出為 式中，f(.)為輸出層的輸入和輸出之間的傳遞函數，其中Xsin(JigO1))是以 g(n)為自變量的非線性修正項，它使得在原信號中心點附近左右擺信號向原信號靠攏。優選地，所述隱層到輸出層連接權重的更新方法為 式中P1為迭代步長，*為共軛，j表示虛數，上標「'」表示求導，下同。優選地，所述輸入層至隱層連接的權重更新公式為
式中，μ 2為迭代步長。優選地，所述尺度因子a和平移因子b的更新方法為 式中
da{n)
OkjMT) —ρ ^dvZab(UkJin))
da(n)
da(n)
也⑷(」產，:(:二⑶)+ν("產》))
da(n)
da(n)
δα{ )
da(n)
a
-I KHd
a
+
——a 2
—6 丫 f ukR{n)-b
a
I-3/2
ukAn)-b
a
a ,
"2 ~a,
式中，μ3，μ 4為迭代步長。 優選地，所述模糊神經網絡控制器的構建方法如下 此模糊神經網絡(FNN)的模糊規則為規則1如果Δ E (η)為正且E (η)大，則Δμ正大-
規則2如果Δ E (η)為正且E (η)中，則Δμ零；
規則3如果Δ E (η)為正且E (η)小，則Δμ負小
規則4如果Δ E (η)為零且E (η)大，則Δμ正小-
規則5如果Δ E (η)為零且E (η)中，則Δμ零；
規則6如果Δ E (η)為零且E (η)小，則Δμ負小
規則7如果Δ E (η)為負且E (η)大，則Δμ正小-
規則8如果Δ E (η)為負且E (η)中，則Δμ零；
規則9如果Δ E (η)為負且E (η)小，則Δμ負大。
FNN控制器各層的處理過程如下第一層輸入層，以E(η)和ΔE(η)作為步長的控制器輸入量。/f) (n) = AE(n) = MSE(n) - MSE(n -1)，7 ( ) = Ε{ ) =MSE(n)，0^{n) = I^\ri),式中，q= 1，2為FNN的輸入個數，1 = 1，2，3為模糊域，Ιω、0ω分別為FNN第t 層的輸入與輸出，t = 1，2，…，5下同；第二層模糊化層(n) = O^ (η)，= exp
\2
O
V
式中，和分別表示輸入空間模糊域的期望與方差
第三層規則層
9
Of] =YlI^in)，式中，r = 1,2,…，9表示模糊規則的前件數。第四層選擇層，即從第三層的輸出中選擇一路最大的值作為該層的輸出，即Ow = maxiO^)，第五層歸一化層0(5) = 0 ⑷· δ ⑴，式中，δ⑴控制量，主要用來調整該層的輸出，完成規則的後部分；第六層解模糊層Δ μ = 0(6) = 0(5) · MSE (η)。在充分利用WNN和FNN絡優點的基礎上，本發明了模糊神經網絡控制的混合小波 神經網絡盲均衡方法(FHWNN，FNN controller based Hybrid WNN)。該方法用小波元代替神 經元，通過仿射變換建立起小波變換和網絡參數之間的關係；用混合小波神經網絡(HWNN， Hybrid WNN)結構中的前向橫向濾波器實現對信道線性特性的補償，用WNN實現對信道非 線性特性的補償；用FNN控制器對小波函數中的尺度因子和平移因子進行調整；從而提高 了系統的靈活性，避免了易陷入局部極小值的困境。水聲信道的仿真結果，驗證了 FHWNN方 法的有效性。


圖1 本發明FHWNN原理框2 本發明改進的HWNN結構；圖3 本發明模糊神經網絡(FNN)控制器結構；圖4 實施實例結果，(a)均方誤差曲線，(b) WTCMA輸出，(c)WNN的輸出，(d)HWNN 輸出，(e) FHWNN輸出。
具體實施例方式模糊神經網絡控制的小波神經網絡盲均衡算法根據WNN和FNN的優點，本發明利用FNN來調整網絡神經元小波函數中平移因子 和尺度因子的迭代步長，並以均方誤差E(n) =MSE(η) (MSE(n)為η時刻的均方誤差)與均 方誤差的偏差ΔΕ(η) =MSE(η)-MSE(η-1)作為模糊神經網絡控制器的輸入。FHWNN原理， 如圖1所示。圖1中，χ(η)為發送信號序列，h(n)為未知信道，N(n)為信道的加性高斯白噪聲， y(n)為改進的混合小波神經網絡的輸入，對《)為判決器的判決輸出。盲均衡算法就是依賴 觀測序列y (η)實現對發送信號χ (η)的無失真恢復。結合常數模盲均衡算法，則WNN盲均 衡算法的代價函數為j = X(^)I2 -Rcm)2(1)式中，Rcm= Ε[|χ(η) |4]/Ε[|χ(η) |2]。圖1中，改進的混合小波神經網絡決定著盲均衡算法中神經網絡的輸入；模糊神 經網絡控制器控制改進的混合小波神經網絡中小波函數中尺度因子和平移因子的迭代步
10長。下面將分別討論這兩部分。1.改進的混合小波神經網絡盲均衡方法混合小波神經網絡(HWNN)盲均衡方法是在WNN輸入層之前級聯一個橫向濾波器 (見文獻[10]肖瑛，董玉華。一種級聯混合小波神經網絡盲均衡算法[J].信息與控制， 2009,38(4) :479-483.)，其不足之處有①橫向濾波器各節點輸出直接作為WNN輸入層相 應神經元的輸入，即WNN輸入層各神經元的輸入之間沒有任何聯繫；②沒有把信號的實部 與虛部分開考慮，不適用於PSK、QAM等複數調製系統；③對小波函數中尺度因子和平移因 子的迭代步長沒有進行模糊控制與調整，從而影響了系統處理信息的靈活性和速度，均衡 性能較差。因此，本文針對HWNN的缺陷，提出一種改進的HWNN結構，如圖2所示。圖2中，橫向濾波器構成了網絡的線性部分，而WNN構成了非線性部分。設橫向濾 波器第i個抽頭係數為Ci(Ii) (i = 1，2，…，m，m為HWNN輸入層神經元的個數，下同)；HWNN 輸入層第i個神經元的輸入為Ti(Ii)，隱層第k個神經元的輸入為Uk (η)，輸出為Qk (n) (k = 1,2,…，ρ，ρ為HWNN隱層神經元的個數，下同)；輸出層的輸入為g(n)，輸出為對《);輸入 層第i個神經元至隱層第k個神經元的連接權重為Wik(Il)，隱層第k個神經元至輸出層的 連接權重為Vk(H)。為了使該算法適用於複數系統，將網絡的信號、信道、權值等分解為實部 和虛部兩部分，則網絡的狀態方程為Ci(η)=(^ijR (η)+J-Cijl(Ii)⑵
式中，Ci,κ (η) 的實部，Ciil(Ii) 的虛部，下同。
wik (η)=Wik, E (n)+JWikj !(η)(3)
vk(η) =a^k,E(n)+jvkjI(n)⑷
y (η ) = y ε ( η ) + j yΧ ( η )
(5)Tl(H) = ^ct (n)y(n + l-t) =^ {ctR {n)yR (n + l-t)-ctI {n)yi ( +1 -1))
t=\ t=\(ct』R {n)y} (n + 1-0 + chI (n)yR {n + \-1))(6)
t=l
mmuk {ri) = ^ (H)Ti {n) = Yu [wikR (n)TiR (n) — wikJ (n)Ti7 (n)]
/=1 /=1
m+7'Σ (n)Tu (n) 一 wlkJ (n)TiR (n)](7)
/=1Qk (n) = ￥ajb(uk,E(n))+j￥a,b(ukjI(n))(8)式中，Va,b( ·)表示對隱層輸入信號進行小波變換，這裡選擇Morlet小波母函數， 則
2 Ψ jh^j- =M2 『 g 1 j(9)
\ a J \ a J式中，b為平移因子，a為尺度因子。將式(9)中uk,K(n)換成uk,工(η)就得到
bOlufc))的表達式。小波神經網絡的輸出為毛(η) = Σ Kr ^Qkr (」) _ vKi in)QkJ (η)) +J^ Kr (n)Qu (η) + vkJ (n)QkR (η)] (10)
k=l
k=\
(11)橫向濾波器的輸出為
X1 ( ) = Cri (n)y(n +1 — /)， i-\,2,---,m將為O)和毛(《)加權融合，得
g(n) = αχλ (η) + βχ2 (η)(12)式中，0彡α，β彡1，為加權因子，並且滿足α+β =1。改進的HWNN最終輸出
為
x{n) = f(g(n)) = g(n) +(13)式中，f ( ·)為輸出層的輸入和輸出之間的傳遞函數，控制著整個網絡的輸出，要 具有平滑、漸近、單調特點，並有利於對輸入序列進行判別。f(·)的作用是對信號值在一定 範圍內進行修正，使其更接近於原信號g (η)，其中Xsin(JigO1))是以g(n)為自變量的非 線性修正項，它使得在原信號中心點附近左右擺信號向原信號靠攏。λ的取值影響著f(·) 對輸出信號的調整速度。在實際的應用中，不同的信號和信道，λ的選擇應不同。根據誤差反傳算法和隨機梯度下降算法實現對小波網絡參數的更新調整，推導後 可以得到小波神經網絡隱層到輸出層的連接權重更新公式為
vk(n + Y) = vk(n)-^l
dJ(n)
δν「《)式中，P1為迭代步長t
dJ(n)
(14)
O) dx{n)
= 2ββ(η)\χκ(η) + β1(η)\
,dx(n) . dx(n) Λ
O) ^kAnh
(15)
1
O)丨酬丨
(16)式中，f' (·)為導數，下同同理
dx(n) 1
^vkj (η) I x(ri) I
-KgR (n))f\gR {n))Qk, in) +f(gl (n))f'(gl {n))Qkfi ⑷]
(17)把式(15) (17)代入式(14)中，即可得小波網絡隱層到輸出層連接權重的更新
公式為
vk (n + ) = vk (η) + μλΚ{η)Ω O)(18)K (η) = -2βθ(η) [f(gE(n))f ' (gE (η)) + jf (gl (η)) f ' (gl (η))](19)式中，μ工為迭代步長，*為共軛。同理，輸入層至隱層連接的權重更新公式為 式中，μ 2為迭代步長。
尺度因子a和平移因子b的更新公式為 式中，μ 3，μ 4為迭代步長c 式中 將式(28)中的uk。R(n)換成uk。l(η)即可得到
的表達式；按照式(25)
的推導過程，可得
的表達式(限於篇幅，這些表達式省略)。把式(24) (28)代入 οα(η)式(22)即得尺度因子a的迭代公式。同理，可以得到關於平移因子b的迭代公式。根據以上的公式，完成了對小波神經 網絡中小波函數尺度因子和平移因子的更新，從而進行盲均衡。2.模糊神經網絡控制器在模糊神經網絡控制器中，具有一個輸入變量和一個輸出變量的控制器稱為單變 量模糊神經網絡控制器，其輸入量個數稱為模糊控制器的維數。維數越高、控制越精細； 但維數過高，模糊控制規則就越複雜，控制器的實現就越困難。本文採用單變量模糊控制 器結構中的二維模糊控制器，其輸入量是均方誤差E(n) =MSE(η)和其變化量ΔΕ(η)= MSE(n)-MSE(n-l)0以步長μ的變化值Δ μ作為輸出量，它比一維控制器的控制效果好， 且易於計算機實現。其結構如圖3所示。
此模糊神經網絡(FNN)的模糊規則設計為 規則1 如果Δ E (η)為正且E (η)大，則Δ μ正大； 規則2:如果Δ E (η)為正且E (η)中，則Δ μ零； 規則3 如果Δ E (η)為正且E (η)小，則Δ μ負小； 規則4 如果Δ E (η)為零且E (η)大，則Δ μ正小； 規則5:如果Δ E (η)為零且E (η)中，則Δ μ零； 規則6 如果Δ E (η)為零且E (η)小，則Δ μ負小； 規則7 如果Δ E (η)為負且E (η)大，則Δ μ正小； 規則8:如果Δ E (η)為負且E (η)中，則Δ μ零； 規則9 如果Δ E (η)為負且E (η)小，則Δ μ負大。 FNN控制器各層的處理過程如下
第一層輸入層，以E(η)和ΔΕ(η)作為步長的控制器輸入量t

(η) 二 AE(n) = MSE{n) - MSE(n -1)(29)
/f (η) 二 ￡( ) =MSE(n)(30)
O^ {η) = I^ {η)(31)式中，q= 1，2為FNN的輸入個數，1 = 1，2，3為模糊域，Ιω、0ω分別為FNN第 t(t = 1,2,…，5)層的輸入與輸出，下同。第二層模糊化層
in) = O^ {η)(32)
_ \2"
『(33)
0 = exp
V 式中，mi2)( )和分別表示輸入空間模糊域的期望與方差。為了計算方便，在
14本文中採用固定的中心(πν (η))和寬度(Otll (η))。第三層規則層。
in) = O^ { )(34)
0^=Ι\ψ(η)(35)式中，r = 1,2,…，9表示模糊規則的前件數。第四層選擇層，即從第三層的輸出中選擇一路最大的值作為該層的輸出，即
0(4) = max(0^)(36)第五層歸一化層0(5) = 0(4)· δ ( i )
(37)式中，δ⑴控制量，主要用來調整該層的輸出，完成規則的後部分。第六層解模糊層Δ μ = o(6) = 0(5).MSE(n)
(38)式(22)、(23)中的迭代步長將分別變為μ 3+Δ μ、μ 4+Δ μ。這就構成了用FNN 控制器來控制小波函數中尺度因子和平移因子迭代步長的盲均衡算法，且MSE(n)的引入 使步長的改變量與均方誤差相對應。綜上所述，利用FNN在控制方面的優勢，來控制神經網絡隱層神經元小波函數的 平移因子和尺度因子的迭代步長。其主要思路是利用神經網絡調整模糊邏輯推理系統的隸 屬函數和調整推理規則，利用模糊推理規則的形式構造前向傳播結構，從而可以充分發揮 各自的特點，實現功能互補。實施實例及分析為了驗證FHWNN方法的有效性，利用水聲信道進行仿真實驗，並與小波變換常數 模方法(WTCMA)、WNN及HWNN方法進行比較。實驗中，水聲信道的傳遞函數為c = zeros (1, 1001) ；C(I) = 0. 076 ；C (2) = 0. 122 ；c(1001) = 1 ；發射信號為 16QAM，信噪比為 20dB，均 衡器的權長均為32。對WTCMA均衡器，第7個抽頭初始化為1，步長μ ffTCMA = 0. 003，採用 DB2小波分解，分解層數為2，功率初始化為4 ；對WNN均衡器，採用1/4抽頭，λ ■ = 0. 52， 小波函數中尺度因子和平移因子的初始化為= 5. 5、b_ = 0. 0075 ；對HWNN均衡器，採 用1/4抽頭，橫向濾波器也採用1/4抽頭，步長μ = 0.0001，小波函數中尺度因子和平移因 子的初始化 aHWNN = 7. 5、b_ = 0. 0098，加權因子為 α _ = 0. 98，β HWNN = 0. 02，λ HWffl = 3.8 ；對FHWNN均衡器，採用1/4抽頭，橫向濾波器也採用1/4抽頭，步長μ FHWffl = 0. 0001，小 波函數中尺度因子和平移因子的初始化為aFHWffl = 7. 5、bFHWNN = 0. 0098，加權因子為α FHWNN =0. 95，β FHWNN = 0. 05，λ FHWNN = 3. 65。500次蒙特卡諾的仿真結果，如圖4所示。圖4表明，與WTCMA、WNN和HWNN相比，FHW-NN收斂速度分別加快了 100步、3000 步和300步；穩態誤差分別減小了 12dB、3dB和1. 5dB ；輸出星座圖更加清晰、緊湊。此外，與傳統的小波神經網絡盲均衡方法相比較，從方法的計算效率上看在時間 複雜度上，模糊神經網絡控制的混合小波神經網絡(FHWNN)盲均衡方法每次迭代過程僅增加了 L次乘法運算(其中L為橫向濾波器的階數，等於小波網絡的輸入單元數)；在空間復 雜度上，僅增加了 L+1個存儲單元。
權利要求
一種模糊神經網絡控制的混合小波神經網絡盲均衡方法，其特徵在於包括如下步驟a.)將發射信號x(n)經過脈衝響應信道得到信道輸出向量b(n)，其中n為正整數，表示時間序列，下同；b.)採用信道噪聲N(n)和步驟a所述的信道輸出向量b(n)得到盲均衡器的輸入序列y(n)＝b(n)+N(n)；c.)將步驟b所述的盲均衡器的輸入序列y(n)依次經過改進的混合小波神經網絡得到輸出信號利用模糊神經網絡(FNN)來調整改進的混合小波神經網絡中神經元小波函數中平移因子和尺度因子的迭代步長，並以均方誤差E(n)＝MSE(n)與均方誤差的偏差ΔE(n)＝MSE(n) MSE(n 1)作為模糊神經網絡控制器的輸入。FSA00000250250600011.tif
1.一種模糊神經網絡控制的混合小波神經網絡盲均衡方法，其特徵在於包括如下步驟a.)將發射信號χ(η)經過脈衝響應信道得到信道輸出向量b (η)，其中η為正整數，表 示時間序列，下同；b.)採用信道噪聲Ν(η)和步驟a所述的信道輸出向量b(n)得到盲均衡器的輸入序列 y(n) = b(n)+N(n)；c.)將步驟b所述的盲均衡器的輸入序列y(η)依次經過改進的混合小波神經網絡得到 輸出信號對《);利用模糊神經網絡(FNN)來調整改進的混合小波神經網絡中神經元小波函數中平移 因子和尺度因子的迭代步長，並以均方誤差E(n) =MSE(η)與均方誤差的偏差ΔΕ(η)= MSE (η) -MSE (η-1)作為模糊神經網絡控制器的輸入。
2.根據權利要求1所述的模糊神經網絡控制的混合小波神經網絡盲均衡方法，其特徵 在於所述改進的混合小波神經網絡的構建方法如下橫向濾波器構成了改進的混合小波神經網絡的線性部分，而小波神經網絡(WNN)構成 了非線性部分；橫向濾波器第i個抽頭係數為Ci(n)，i = 1,2,…，m，m為小波神經網絡混 合小波神經網絡(HWNN)輸入層神經元的個數，下同；改進的混合小波神經網絡輸入層第i 個神經元的輸入為Ti(Ii),隱層第k個神經元的輸入為uk(n)，輸出為Qk(n)，k= 1，2，…， ρ，ρ為HWNN隱層神經元的個數，下同；輸出層的輸入為g(n)，輸出為；輸入層第i個神 經元至隱層第k個神經元的連接權重為Wik(Il)，隱層第k個神經元至輸出層的連接權重為 vk(η)；將網絡的信號、信道、權值等分解為實部和虛部兩部分，則網絡的狀態方程為 式中，b為平移因子，a為尺度因子；將式⑶中uk,K(n)換成uk, Jn)就得到Va,b(uk, !(η))的表達式，小波神經網絡的輸出為 橫向濾波器的輸出為 將馬(《)和毛(《)加權融合，得 (11)式中，0≤α，β≤1，為加權因子，並且滿足α+β = 1，改進的HWNN最終輸出為 (12)式中，f(·)為輸出層的輸入和輸出之間的傳遞函數，其中Xsin(JigO1))是以g(n)為 自變量的非線性修正項，它使得在原信號中心點附近左右擺信號向原信號靠攏。
3.根據權利要求2所述的模糊神經網絡控制的混合小波神經網絡盲均衡方法，其特徵 在於所述隱層到輸出層連接權重的更新方法為 式中P1為迭代步長，*為共軛，= P表示虛數，上標「'」表示求導，下同。
4.根據權利要求2所述的模糊神經網絡控制的混合小波神經網絡盲均衡方法，其特徵 在於所述輸入層至隱層連接的權重更新公式為 式中，μ 2為迭代步長。
5.根據權利要求2所述的模糊神經網絡控制的混合小波神經網絡盲均衡方法，其特徵 在於所述尺度因子a和平移因子b的更新方法為 式中 dgJ(η) 」 Si^ab(uk J(n)),di^ab(ukR(n))dWajMk^))da(n)= -\ada(n),4 {ukR{n)-b)I2ada(n)丨"I12…·…、2 WP- baaea\1-3/2ajftik^inyb]式中，μ3，μ 4為迭代步長。
6.根據權利要求1所述的模糊神經網絡控制的混合小波神經網絡盲均衡方法，其特徵 在於所述模糊神經網絡控制器的構建方法如下 此模糊神經網絡(FNN)的模糊規則為規則1如果Δ E (η)為正且E (η)大，則Δμ正大規則2如果Δ E (η)為正且E (η)中，則Δμ零；規則3如果Δ E (η)為正且E (η)小，則Δμ負小規則4如果Δ E (η)為零且E (η)大，則Δμ正小規則5如果Δ E (η)為零且E (η)中，則Δμ零；規則6如果Δ E (η)為零且E (η)小，則Δμ負小規則7如果Δ E (η)為負且E (η)大，則Δμ正小規則8如果Δ E (η)為負且E (η)中，則Δμ零；規則9如果Δ E (η)為負且E (η)小，則Δμ負大FNN控制器各層的處理過程如下第一層輸入層，以E(η)和ΔΕ(η)作為步長的控制器輸入量； /屍)(n) = AE(n) = MSE(n) - MSE(n -1)，(η) = Ε(η) =MSE(n)， =々)(《)，式中，q = 1，2為FNN的輸入個數，1 = 1,2,3為模糊域，I(t)、0ω分別為FNN第t層的 輸入與輸出，t = 1,2,…，5下同；第二層模糊化層O)=《)(《)，o)-o)、2O^ (η) = exp/V式中，mi丨〗(η)和⑷分別表示輸入空間模糊域的期望與方差 第三層規則層 in) = O^ { ),Of =n/i3)(n)，式中，r = l，2，…，9表示模糊規則的前件數；第四層選擇層，即從第三層的輸出中選擇一路最大的值作為該層的輸出，即O⑷二隱(Of))，第五層歸一化層 ⑶=O⑷· δ⑴，式中，δ (i)控制量，主要用來調整該層的輸出，完成規則的後部分； 第六層解模糊層 Δ μ = 0(6) = 0(5) · MSE (η)。
全文摘要
本發明公布了一種模糊神經網絡控制的混合小波神經網絡盲均衡方法，本發明方法包括如下步驟a.將發射信號x(n)經過脈衝響應信道得到信道輸出向量b(n)；b.採用信道噪聲N(n)和步驟a所述的信道輸出向量b(n)得到盲均衡器的輸入序列；c.將步驟b所述的盲均衡器的輸入序列y(n)依次經過改進的混合小波神經網絡得到輸出信號利用模糊神經網絡(FNN)來調整改進的混合小波神經網絡中神經元小波函數中平移因子和尺度因子的迭代步長，並以均方誤差E(n)＝MSE(n)與均方誤差的偏差ΔE(n)＝MSE(n)-MSE(n-1)作為模糊神經網絡控制器的輸入。本發明系統的靈活性高，避免了易陷入局部極小值的困境。
文檔編號H04L25/03GK101924718SQ20101026795
公開日2010年12月22日 申請日期2010年8月30日 優先權日2010年8月30日
發明者王麗華, 郭業才 申請人:南京信息工程大學