基于复数连续全反馈神经网络的信号盲检测方法

摘要

本发明公开了一种基于复数连续全反馈神经网络的信号盲检测方法，该方法根据复数连续全反馈神经网络能量函数下降的原理，设计了复数连续激活函数可有效解决通信系统中绝大多数调制方式信号的盲检测问题。该激活函数数学表达形式简练，参数可灵活设置，不需任何修改即可无限延拓至任意复杂星座的全反馈神经网络信号盲检测问题。

主权项

1.一种基于复数连续全反馈神经网络的信号盲检测方法，其特征是：利用复多阈值连续复激活函数，采用动力学方程，构造复数连续全反馈神经网络，实现多进制信号的盲检测，该方法具体步骤如下：①.接收端接获得连续时间信道的接收方程：X_N＝SГ^H式中，S＝[s_L+P(t)，…，s_L+P(t+N-1)]^T＝[s_N(t)，…，s_N(t-P-L)]_N×(L+P+1)是发送信号阵，P为信道阶数，L为均衡器阶数，N为所需数据长度；s_L+P(t)＝[s(t)，…，s(t-L-P)]^T；s属于集合A，A为任意调制信号数字星座图的实部和虚部的幅度集合，Г是由h_jj，jj＝0，1，…，P构成的块Toeplitz矩阵，h_jj＝[h₀，…，h_P]_q×(P+1)是信道冲激响应；q是过采样因子；(·)^H表示共轭转置；(·)^T表示转置；(X_N)_N×(L+1)q＝[x_L(t)，…，x_L(t+N-1)]^T是接收数据阵，其中x_L(t)＝Г·s_L+P(t)；②.构造的性能函数及优化问题其中，表示信号的估计值，其每个元素都属于对应星座点所属字符集合；Г满列秩时，一定有满足Qs_N(t-d)＝0，d＝0，…，K+L，这里U是奇异值分解中的酉基阵；0是零矩阵，V和U_c均是酉基阵；D是奇异值阵；因此，盲检测问题就转化为的全局最优解问题；由于复数连续全反馈神经网络能量函数的平衡点就是优化问题对应的极值点，将检测信号的优化问题映射到能量函数，可设置权矩阵W＝1.1(I-Q)；③.根据先验获得通信系统的调制方式，获得发送信号所属字符集信息，得到单个神经元输入所属字符集可能的最大值为G，则单个神经元激活函数如下：g(x)＝σ(αx+βsin(απx))这里x表示单个神经元的输入，α，β为实因子，sin(·)为正弦三角函数，π是圆周率，为满足平台激活函数的单调性和准确的阶梯平台高度以适应通信信号，设置α＝1，1/4≤β≤1/π，σ(v)为如下式形式的阈值函数；v是自变量，根据单个神经元激活函数，设计复激活函数形式表示如下f(u)＝f^R(u^R，u^I)+i·f^I(u^R，u^I)这里，f^R、f^I分别表示f(u)的实部和虚部，u^R和u^I分别表示变量u的实部和虚部；假设所有神经元均具有相同形式的复激活函数，且f^R(·)和f^I(·)具有相同的解析函数形式，设计多阈值连续复激活函数：f^R(u^R，u^I)＝σ(αu^R+βsin(απu^R))f^I(u^R，u^I)＝σ(αu^I+βsin(απu^I))记σ(·)为由激活函数所构成的非线性算子，④.不论待检测信号隶属于何种数字调制方式，均可采用统一的时间离散化连续型全反馈神经网络动力学方程s(k+1)＝s^R(k+1)+i·s^I(k+1)＝(Wf(s(k)))^R+i·(Wf(s(k)))^I进行迭代，直到s(k+1)＝s(k)；k表示迭代次数，f(·)为非线性激活函数算子，(·)^R和(·)^I分别为取实部和虚部运算。