專利名稱：模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，屬于多小波 模糊神經(jīng)網(wǎng)絡(luò)盲均衡方法的技術(shù)領(lǐng)域。
背景技術(shù)：
在水聲通信系統(tǒng)中，信道的多徑衰落和畸變產(chǎn)生的碼間干擾(ISI，Inter-Symbol Interference)，降低了系統(tǒng)的性能，影響著通信質(zhì)量。抑制碼間干擾的有效方法是采用 不需訓(xùn)練序列的盲均衡技術(shù)。盲均衡技術(shù)的本質(zhì)是通過設(shè)計性能優(yōu)越的算法來調(diào)整均 衡器參數(shù)，是一個求逆系統(tǒng)的非線性逼近問題；而小波神經(jīng)網(wǎng)絡(luò)(WNN，Wavelet Neural Network)將神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能和小波的時頻局域化性質(zhì)結(jié)合起來，具有自適應(yīng)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.)。而采用傳統(tǒng) 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，F(xiàn)all :229_232 ；文獻[3]劉國軍，唐 降龍，黃劍華，劉家峰。基于模糊小波的圖像對比度增強算法[J].電子學(xué)報，2005，33 (4) 643-647;文獻[4]桂延寧，焦李成，張福順?；谛〔ê虰P神經(jīng)網(wǎng)絡(luò)的無線電探測目標 識別技術(shù)[J].電子學(xué)報，2003，31 (12) :1811-1814·)。模糊神經(jīng)網(wǎng)絡(luò)(FNN, Fuzzy Neural Network)匯集了模糊理論與神經(jīng)網(wǎng)絡(luò)的優(yōu)點，集學(xué)習(xí)、聯(lián)想、識別、自適應(yīng)及模糊信息處理 于一體，具有計算簡便、容錯能力強、處理信息范圍大、學(xué)習(xí)速度快等優(yōu)點(見文獻[5]張 曉琴.基于模糊神經(jīng)網(wǎng)絡(luò)盲均衡算法的研究[D].沈陽太原太原理工大學(xué)，2008;文獻 [6]徐小來，雷英杰，謝文彪。基于UKF的自組織直覺模糊神經(jīng)網(wǎng)絡(luò)[J].電子學(xué)報，2010， 28(3) :638-645.)。因此，將FNN與WNN相結(jié)合應(yīng)用于盲均衡方法中，將是有研究意義的課 題。混合小波神經(jīng)網(wǎng)絡(luò)(HWNN)盲均衡方法是在WNN輸入層之前級聯(lián)一個橫向濾波器 (見文獻[7]肖瑛，董玉華。一種級聯(lián)混合小波神經(jīng)網(wǎng)絡(luò)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(jié)點輸出直接作為WNN輸入層相 應(yīng)神經(jīng)元的輸入，即WNN輸入層各神經(jīng)元的輸入之間沒有任何聯(lián)系；②沒有把信號的實部 與虛部分開考慮，不適用于PSK、QAM等復(fù)數(shù)調(diào)制系統(tǒng)；③對小波函數(shù)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(diào)整，從而影響了系統(tǒng)處理信息的靈活性和速度，均衡 性能較差。

發(fā)明內(nèi)容
本發(fā)明目的是針對現(xiàn)有技術(shù)存在的缺陷提供一種模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波 神經(jīng)網(wǎng)絡(luò)盲均衡方法。本發(fā)明為實現(xiàn)上述目的，采用如下技術(shù)方案
6
本發(fā)明模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，其特征在于包括如下 步驟a.)將發(fā)射信號x(n)經(jīng)過脈沖響應(yīng)信道得到信道輸出向量b (η)，其中η為正整 數(shù)，表示時間序列，下同；b.)采用信道噪聲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(jīng)過改進的混合小波神經(jīng)網(wǎng)絡(luò) 得到輸出信號對；利用模糊神經(jīng)網(wǎng)絡(luò)(FNN)來調(diào)整改進的混合小波神經(jīng)網(wǎng)絡(luò)中神經(jīng)元小波函數(shù)中 平移因子和尺度因子的迭代步長，并以均方誤差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(jīng)網(wǎng)絡(luò)控制器的輸入。優(yōu)選地，所述改進的混合小波神經(jīng)網(wǎng)絡(luò)的構(gòu)建方法如下橫向濾波器構(gòu)成了改進的混合小波神經(jīng)網(wǎng)絡(luò)的線性部分，而小波神經(jīng)網(wǎng)絡(luò)(WNN) 構(gòu)成了非線性部分；橫向濾波器第i個抽頭系數(shù)為Ci(n)，i = 1,2,…，m，m為混合小波神 經(jīng)網(wǎng)絡(luò)(HWNN)輸入層神經(jīng)元的個數(shù)，下同；改進的混合小波神經(jīng)網(wǎng)絡(luò)輸入層第i個神經(jīng)元 的輸入為Ti (η)，隱層第k個神經(jīng)元的輸入為uk(n)，輸出為Qk(n)，k = 1，2，"·，ρ，ρ為HWNN 隱層神經(jīng)元的個數(shù)，下同；輸出層的輸入為g(n)，輸出為對《)；輸入層第i個神經(jīng)元至隱層 第k個神經(jīng)元的連接權(quán)重為Wik(Ii)，隱層第k個神經(jīng)元至輸出層的連接權(quán)重為Vk (η)；
同；
(4)
將網(wǎng)絡(luò)的信號、信道、權(quán)值等分解為實部和虛部兩部分，則網(wǎng)絡(luò)的狀態(tài)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(shù)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，這里選擇Morlet小波母函數(shù)， 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(jīng)網(wǎng)絡(luò)的輸出為 橫向濾波器的輸出為
(10)將乓O)和毛O)加權(quán)融合，得 式中，O彡α，β彡1，為加權(quán)因子，并且滿足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(shù)，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(yōu)選地，所述隱層到輸出層連接權(quán)重的更新方法為 式中P1為迭代步長，*為共軛，j表示虛數(shù)，上標“'”表示求導(dǎo)，下同。優(yōu)選地，所述輸入層至隱層連接的權(quán)重更新公式為
式中，μ 2為迭代步長。優(yōu)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(chǎn)，:(:二⑶)+ν("產(chǎn)》))
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(yōu)選地，所述模糊神經(jīng)網(wǎng)絡(luò)控制器的構(gòu)建方法如下 此模糊神經(jīng)網(wǎng)絡(luò)(FNN)的模糊規(guī)則為規(guī)則1如果Δ E (η)為正且E (η)大，則Δμ正大-
規(guī)則2如果Δ E (η)為正且E (η)中，則Δμ零；
規(guī)則3如果Δ E (η)為正且E (η)小，則Δμ負小
規(guī)則4如果Δ E (η)為零且E (η)大，則Δμ正小-
規(guī)則5如果Δ E (η)為零且E (η)中，則Δμ零；
規(guī)則6如果Δ E (η)為零且E (η)小，則Δμ負小
規(guī)則7如果Δ E (η)為負且E (η)大，則Δμ正小-
規(guī)則8如果Δ E (η)為負且E (η)中，則Δμ零；
規(guī)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(shù)，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(guī)則層
9
Of] =YlI^in)，式中，r = 1,2,…，9表示模糊規(guī)則的前件數(shù)。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(diào)整該層的輸出，完成規(guī)則的后部分；第六層解模糊層Δ μ = 0(6) = 0(5) · MSE (η)。在充分利用WNN和FNN絡(luò)優(yōu)點的基礎(chǔ)上，本發(fā)明了模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波 神經(jīng)網(wǎng)絡(luò)盲均衡方法(FHWNN，F(xiàn)NN controller based Hybrid WNN)。該方法用小波元代替神 經(jīng)元，通過仿射變換建立起小波變換和網(wǎng)絡(luò)參數(shù)之間的關(guān)系；用混合小波神經(jīng)網(wǎng)絡(luò)(HWNN， Hybrid WNN)結(jié)構(gòu)中的前向橫向濾波器實現(xiàn)對信道線性特性的補償，用WNN實現(xiàn)對信道非 線性特性的補償；用FNN控制器對小波函數(shù)中的尺度因子和平移因子進行調(diào)整；從而提高 了系統(tǒng)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(jié)果，驗證了 FHWNN方 法的有效性。


圖1 本發(fā)明FHWNN原理框2 本發(fā)明改進的HWNN結(jié)構(gòu)；圖3 本發(fā)明模糊神經(jīng)網(wǎng)絡(luò)(FNN)控制器結(jié)構(gòu)；圖4 實施實例結(jié)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(jīng)網(wǎng)絡(luò)控制的小波神經(jīng)網(wǎng)絡(luò)盲均衡算法根據(jù)WNN和FNN的優(yōu)點，本發(fā)明利用FNN來調(diào)整網(wǎng)絡(luò)神經(jīng)元小波函數(shù)中平移因子 和尺度因子的迭代步長，并以均方誤差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(jīng)網(wǎng)絡(luò)控制器的輸入。FHWNN原理， 如圖1所示。圖1中，χ(η)為發(fā)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(jīng)網(wǎng)絡(luò)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(xiàn)對發(fā)送信號χ (η)的無失真恢復(fù)。結(jié)合常數(shù)模盲均衡算法，則WNN盲均 衡算法的代價函數(shù)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(jīng)網(wǎng)絡(luò)決定著盲均衡算法中神經(jīng)網(wǎng)絡(luò)的輸入；模糊神 經(jīng)網(wǎng)絡(luò)控制器控制改進的混合小波神經(jīng)網(wǎng)絡(luò)中小波函數(shù)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(jīng)網(wǎng)絡(luò)盲均衡方法混合小波神經(jīng)網(wǎng)絡(luò)(HWNN)盲均衡方法是在WNN輸入層之前級聯(lián)一個橫向濾波器 (見文獻[10]肖瑛，董玉華。一種級聯(lián)混合小波神經(jīng)網(wǎng)絡(luò)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(jié)點輸出直接作為WNN輸入層相 應(yīng)神經(jīng)元的輸入，即WNN輸入層各神經(jīng)元的輸入之間沒有任何聯(lián)系；②沒有把信號的實部 與虛部分開考慮，不適用于PSK、QAM等復(fù)數(shù)調(diào)制系統(tǒng)；③對小波函數(shù)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(diào)整，從而影響了系統(tǒng)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(jié)構(gòu)，如圖2所示。圖2中，橫向濾波器構(gòu)成了網(wǎng)絡(luò)的線性部分，而WNN構(gòu)成了非線性部分。設(shè)橫向濾 波器第i個抽頭系數(shù)為Ci(Ii) (i = 1，2，…，m，m為HWNN輸入層神經(jīng)元的個數(shù)，下同)；HWNN 輸入層第i個神經(jīng)元的輸入為Ti(Ii)，隱層第k個神經(jīng)元的輸入為Uk (η)，輸出為Qk (n) (k = 1,2,…，ρ，ρ為HWNN隱層神經(jīng)元的個數(shù)，下同)；輸出層的輸入為g(n)，輸出為對《);輸入 層第i個神經(jīng)元至隱層第k個神經(jīng)元的連接權(quán)重為Wik(Il)，隱層第k個神經(jīng)元至輸出層的 連接權(quán)重為Vk(H)。為了使該算法適用于復(fù)數(shù)系統(tǒng)，將網(wǎng)絡(luò)的信號、信道、權(quán)值等分解為實部 和虛部兩部分，則網(wǎng)絡(luò)的狀態(tài)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，這里選擇Morlet小波母函數(shù)， 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(jīng)網(wǎng)絡(luò)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(quán)融合，得
g(n) = αχλ (η) + βχ2 (η)(12)式中，0彡α，β彡1，為加權(quán)因子，并且滿足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(shù)，控制著整個網(wǎng)絡(luò)的輸出，要 具有平滑、漸近、單調(diào)特點，并有利于對輸入序列進行判別。f(·)的作用是對信號值在一定 范圍內(nèi)進行修正，使其更接近于原信號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(diào)整速度。在實際的應(yīng)用中，不同的信號和信道，λ的選擇應(yīng)不同。根據(jù)誤差反傳算法和隨機梯度下降算法實現(xiàn)對小波網(wǎng)絡(luò)參數(shù)的更新調(diào)整，推導(dǎo)后 可以得到小波神經(jīng)網(wǎng)絡(luò)隱層到輸出層的連接權(quán)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(dǎo)數(shù)，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(wǎng)絡(luò)隱層到輸出層連接權(quán)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(quán)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(dǎo)過程，可得
的表達式(限于篇幅，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(guān)于平移因子b的迭代公式。根據(jù)以上的公式，完成了對小波神經(jīng) 網(wǎng)絡(luò)中小波函數(shù)尺度因子和平移因子的更新，從而進行盲均衡。2.模糊神經(jīng)網(wǎng)絡(luò)控制器在模糊神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)控制器，其輸入量個數(shù)稱為模糊控制器的維數(shù)。維數(shù)越高、控制越精細； 但維數(shù)過高，模糊控制規(guī)則就越復(fù)雜，控制器的實現(xiàn)就越困難。本文采用單變量模糊控制 器結(jié)構(gòu)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， 且易于計算機實現(xiàn)。其結(jié)構(gòu)如圖3所示。
此模糊神經(jīng)網(wǎng)絡(luò)(FNN)的模糊規(guī)則設(shè)計為 規(guī)則1 如果Δ E (η)為正且E (η)大，則Δ μ正大； 規(guī)則2:如果Δ E (η)為正且E (η)中，則Δ μ零； 規(guī)則3 如果Δ E (η)為正且E (η)小，則Δ μ負??； 規(guī)則4 如果Δ E (η)為零且E (η)大，則Δ μ正??； 規(guī)則5:如果Δ E (η)為零且E (η)中，則Δ μ零； 規(guī)則6 如果Δ E (η)為零且E (η)小，則Δ μ負小； 規(guī)則7 如果Δ E (η)為負且E (η)大，則Δ μ正??； 規(guī)則8:如果Δ E (η)為負且E (η)中，則Δ μ零； 規(guī)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(shù)，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本文中采用固定的中心(πν (η))和寬度(Otll (η))。第三層規(guī)則層。
in) = O^ { )(34)
0^=Ι\ψ(η)(35)式中，r = 1,2,…，9表示模糊規(guī)則的前件數(shù)。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(diào)整該層的輸出，完成規(guī)則的后部分。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?yōu)棣?3+Δ μ、μ 4+Δ μ。這就構(gòu)成了用FNN 控制器來控制小波函數(shù)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(yīng)。綜上所述，利用FNN在控制方面的優(yōu)勢，來控制神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元小波函數(shù)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(jīng)網(wǎng)絡(luò)調(diào)整模糊邏輯推理系統(tǒng)的隸 屬函數(shù)和調(diào)整推理規(guī)則，利用模糊推理規(guī)則的形式構(gòu)造前向傳播結(jié)構(gòu)，從而可以充分發(fā)揮 各自的特點，實現(xiàn)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，并與小波變換常數(shù) 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(shù)為c = zeros (1, 1001) ；C(I) = 0. 076 ；C (2) = 0. 122 ；c(1001) = 1 ；發(fā)射信號為 16QAM，信噪比為 20dB，均 衡器的權(quán)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，采用 DB2小波分解，分解層數(shù)為2，功率初始化為4 ；對WNN均衡器，采用1/4抽頭，λ ■ = 0. 52， 小波函數(shù)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，采 用1/4抽頭，橫向濾波器也采用1/4抽頭，步長μ = 0.0001，小波函數(shù)中尺度因子和平移因 子的初始化 aHWNN = 7. 5、b_ = 0. 0098，加權(quán)因子為 α _ = 0. 98，β HWNN = 0. 02，λ HWffl = 3.8 ；對FHWNN均衡器，采用1/4抽頭，橫向濾波器也采用1/4抽頭，步長μ FHWffl = 0. 0001，小 波函數(shù)中尺度因子和平移因子的初始化為aFHWffl = 7. 5、bFHWNN = 0. 0098，加權(quán)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(jié)果，如圖4所示。圖4表明，與WTCMA、WNN和HWNN相比，F(xiàn)HW-NN收斂速度分別加快了 100步、3000 步和300步；穩(wěn)態(tài)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(tǒng)的小波神經(jīng)網(wǎng)絡(luò)盲均衡方法相比較，從方法的計算效率上看在時間 復(fù)雜度上，模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)(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(shù)，等于小波網(wǎng)絡(luò)的輸入單元數(shù))；在空間復(fù) 雜度上，僅增加了 L+1個存儲單元。
權(quán)利要求
一種模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，其特征在于包括如下步驟a.)將發(fā)射信號x(n)經(jīng)過脈沖響應(yīng)信道得到信道輸出向量b(n)，其中n為正整數(shù)，表示時間序列，下同；b.)采用信道噪聲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(jīng)過改進的混合小波神經(jīng)網(wǎng)絡(luò)得到輸出信號利用模糊神經(jīng)網(wǎng)絡(luò)(FNN)來調(diào)整改進的混合小波神經(jīng)網(wǎng)絡(luò)中神經(jīng)元小波函數(shù)中平移因子和尺度因子的迭代步長，并以均方誤差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(jīng)網(wǎng)絡(luò)控制器的輸入。FSA00000250250600011.tif
1.一種模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，其特征在于包括如下步驟a.)將發(fā)射信號χ(η)經(jīng)過脈沖響應(yīng)信道得到信道輸出向量b (η)，其中η為正整數(shù)，表 示時間序列，下同；b.)采用信道噪聲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(jīng)過改進的混合小波神經(jīng)網(wǎng)絡(luò)得到 輸出信號對《);利用模糊神經(jīng)網(wǎng)絡(luò)(FNN)來調(diào)整改進的混合小波神經(jīng)網(wǎng)絡(luò)中神經(jīng)元小波函數(shù)中平移 因子和尺度因子的迭代步長，并以均方誤差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(jīng)網(wǎng)絡(luò)控制器的輸入。
2.根據(jù)權(quán)利要求1所述的模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，其特征 在于所述改進的混合小波神經(jīng)網(wǎng)絡(luò)的構(gòu)建方法如下橫向濾波器構(gòu)成了改進的混合小波神經(jīng)網(wǎng)絡(luò)的線性部分，而小波神經(jīng)網(wǎng)絡(luò)(WNN)構(gòu)成 了非線性部分；橫向濾波器第i個抽頭系數(shù)為Ci(n)，i = 1,2,…，m，m為小波神經(jīng)網(wǎng)絡(luò)混 合小波神經(jīng)網(wǎng)絡(luò)(HWNN)輸入層神經(jīng)元的個數(shù)，下同；改進的混合小波神經(jīng)網(wǎng)絡(luò)輸入層第i 個神經(jīng)元的輸入為Ti(Ii),隱層第k個神經(jīng)元的輸入為uk(n)，輸出為Qk(n)，k= 1，2，…， ρ，ρ為HWNN隱層神經(jīng)元的個數(shù)，下同；輸出層的輸入為g(n)，輸出為；輸入層第i個神 經(jīng)元至隱層第k個神經(jīng)元的連接權(quán)重為Wik(Il)，隱層第k個神經(jīng)元至輸出層的連接權(quán)重為 vk(η)；將網(wǎng)絡(luò)的信號、信道、權(quán)值等分解為實部和虛部兩部分，則網(wǎng)絡(luò)的狀態(tài)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(jīng)網(wǎng)絡(luò)的輸出為 橫向濾波器的輸出為 將馬(《)和毛(《)加權(quán)融合，得 (11)式中，0≤α，β≤1，為加權(quán)因子，并且滿足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(shù)，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(jù)權(quán)利要求2所述的模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，其特征 在于所述隱層到輸出層連接權(quán)重的更新方法為 式中P1為迭代步長，*為共軛，= P表示虛數(shù)，上標“'”表示求導(dǎo)，下同。
4.根據(jù)權(quán)利要求2所述的模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，其特征 在于所述輸入層至隱層連接的權(quán)重更新公式為 式中，μ 2為迭代步長。
5.根據(jù)權(quán)利要求2所述的模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，其特征 在于所述尺度因子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(jù)權(quán)利要求1所述的模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，其特征 在于所述模糊神經(jīng)網(wǎng)絡(luò)控制器的構(gòu)建方法如下 此模糊神經(jīng)網(wǎng)絡(luò)(FNN)的模糊規(guī)則為規(guī)則1如果Δ E (η)為正且E (η)大，則Δμ正大規(guī)則2如果Δ E (η)為正且E (η)中，則Δμ零；規(guī)則3如果Δ E (η)為正且E (η)小，則Δμ負小規(guī)則4如果Δ E (η)為零且E (η)大，則Δμ正小規(guī)則5如果Δ E (η)為零且E (η)中，則Δμ零；規(guī)則6如果Δ E (η)為零且E (η)小，則Δμ負小規(guī)則7如果Δ E (η)為負且E (η)大，則Δμ正小規(guī)則8如果Δ E (η)為負且E (η)中，則Δμ零；規(guī)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； /尸)(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(shù)，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(guī)則層 in) = O^ { ),Of =n/i3)(n)，式中，r = l，2，…，9表示模糊規(guī)則的前件數(shù)；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(diào)整該層的輸出，完成規(guī)則的后部分； 第六層解模糊層 Δ μ = 0(6) = 0(5) · MSE (η)。
全文摘要
本發(fā)明公布了一種模糊神經(jīng)網(wǎng)絡(luò)控制的混合小波神經(jīng)網(wǎng)絡(luò)盲均衡方法，本發(fā)明方法包括如下步驟a.將發(fā)射信號x(n)經(jīng)過脈沖響應(yīng)信道得到信道輸出向量b(n)；b.采用信道噪聲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(jīng)過改進的混合小波神經(jīng)網(wǎng)絡(luò)得到輸出信號利用模糊神經(jīng)網(wǎng)絡(luò)(FNN)來調(diào)整改進的混合小波神經(jīng)網(wǎng)絡(luò)中神經(jīng)元小波函數(shù)中平移因子和尺度因子的迭代步長，并以均方誤差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(jīng)網(wǎng)絡(luò)控制器的輸入。本發(fā)明系統(tǒng)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(yōu)先權(quán)日2010年8月30日
發(fā)明者王麗華, 郭業(yè)才 申請人:南京信息工程大學(xué)