一种神经网络均衡器的优化训练方法

摘要

本发明提供一种神经网络均衡器的优化训练方法，首先记录神经网络均衡器在典型信道条件下的训练时间开销；利用所得的训练时间开销，计算神经网络均衡器的优化重起点；将优化重起点作为训练过程的控制参数，利用发送端传送的训练序列训练神经网络均衡器，如果训练开销超过优化重起点所对应的期望开销，则随机化神经网络的权值参数和偏移参数，重起训练过程；神经网络均衡器训练收敛后，其输出补偿失真的无线信号。本发明可以有效降低典型的前馈神经网络的训练时间开销，从而在保留神经网络均衡器的自适应性和非线性建模能力的情况下，显著提高可用性。

主权项

1、一种神经网络均衡器的优化训练方法，其特征在于，包括以下步骤：一、记录神经网络均衡器在典型信道条件下的训练时间开销；二、利用步骤一的训练时间开销，计算神经网络均衡器的优化重起点及对应的期望开销；计算神经网络均衡器的优化重起点的公式是：$E_r\left(n\right)=\frac{(1-P_n)}{P_n}n+E_l,$ 其中，n为重起点，Er(n)为以n为重起点的随机重起训练过程的计算开销期望，Pn是训练过程在计算开销n之内完成的概率，El(n)为假设训练过程在计算开销n之内完成的条件下计算开销的条件期望；三、将优化重起点作为训练过程的控制参数，利用发送端传送的训练序列训练神经网络均衡器，如果训练开销超过优化重起点所对应的期望开销，则随机化神经网络的权值参数和偏移参数，重起训练过程；四、神经网络均衡器训练收敛后，其输出补偿失真的无线信号。