基于激活函数可调的复值BP神经网络盲均衡方法

摘要

基于激活函数可调的复值BP神经网络盲均衡方法，包括如下步骤：第一步：消息序列{s(n)}，经正交调制、复值信道传输和噪声叠加后，到达接收端，均衡器收到信号序列x(n)；第二步：初始化后的复值BP神经网络盲均衡器均衡输出均衡信号y(n)；第三步，基于输出信号统计特征计算均衡器残余误差或平均平方误差；第四步，根据Hebb学率进行误差反传，修正神经网络权值和激活函数可调节参数。本发明的优点是:该方法充分利用了神经网络结构简单，规律性强，收敛速度快，残差误差小的特点，添加激活函数可调节性质，结合均衡器输入信号统计特性和复变函数理论，对正交调制信号进行自适应均衡；基于激活函数可调的复值BP神经网络盲均衡算法克服了传统算法的不足，增加了自适应调节参数类型和个数，从而显著加快了收敛速度，降低了残差误差大小。

主权项

基于激活函数可调的复值BP神经网络盲均衡方法，其特征在于包括如下步骤：第一步：消息序列{s(n)}，经正交调制、复值信道传输和噪声叠加后，到达接收端，均衡器收到信号序列x(n)；其中n为时间序列,下同；第二步：初始化后的复值BP神经网络盲均衡器均衡输出均衡信号y(n)；1）复值神经网络采用复数权值、复值激活函数和复数计算方法，其中神经元模型采用复数激活函数，实部和虚部独立运算，计算方法为（1）式（1）中k为复数因子，（2）至少包含一个可变参数a；2）以式（2）中具有两个可变参数a、b和三层BP神经网络为例，设输入层‑隐层权值矩阵W，隐层‑输出层权值向量V；对于输入信号序列x(n)，网络输入层满足线性关系：（3）其中c为均衡器抽头系数个数；隐层输入、输出为：（4）（5）（6）其中p为隐层神经元个数，可采用（7）进行计算；式（7）中β为一整数，β∈[2,10]，表示对实数x取整；输出层输入、输出满足：（8）（9）（10）第三步，基于输出信号统计特征计算均衡器残余误差或平均平方误差；（11）其中，E表示取均值，（12）第四步，根据Hebb学习率进行误差反传，修正神经网络权值和激活函数可调节参数；1）权值矩阵W和向权值向量V，以及激活函数参数a、b均为复数，诸参数对误差J(n)的偏微分采用如下公式计算：（13）（14）2）根据Hebb学习率计算误差反向传递过程：对于隐层激活函数可变参数和隐层‑输出层权值向量V，有：（15）（16）（17）（18）（19）（20）对于输入层‑隐层权值矩阵W和隐层激活函数变参数a_j, b_j (j=1,2,…, p)，有：（21）（22）（23）（24）（25）（26）3）诸参数修正：（27）（28） 。