專利名稱：模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，尤其涉及一種模糊控制的動 態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法。
背景技術(shù)：
在無線和數(shù)字通信系統(tǒng)中，由于受到反射、漫射和散射等的影響，會產(chǎn)生比 較復(fù)雜的傳播機制，如多徑效應(yīng)、陰影效應(yīng)及衰落效應(yīng)等，這導致信道隨著用戶的位 置和時間的變化而變化，接收到的信號功率也會快速波動，從而產(chǎn)生碼間干擾(ISI Inter-SymbolInterference)。為了消除碼間干擾，一般在接收端引入會自適應(yīng)均衡、調(diào)整 參數(shù)、跟蹤信道特性，完成對信號的最佳估計的盲均衡器，其特性正好與信道的特性相反， 以有效地抑制碼間干擾(見文獻肖瑛.基于水聲信道盲均衡算法研究[D]，博士論文，哈 爾濱工程大學，2006)。雖然一個三層的前饋神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何連續(xù)映射(見文獻 JinL, Nikiforuk P N,Gupta M M. Dynamic Recurrent Networks for Control of Unknown Nonlinear Systems[J], J Dyn Syst Measur Contr(S0022-0434)，1994，116(4) :567_576 ; Srinivasan B, PrasadU R, Ral N J. Back Propagation through Adjoints for the Identification of Nonlinear DynamicSystems Using Recurrent Neural Models[J]. IEEE Trans Neural Networks(S1045-92 27)，1994，5(2) 213-228 ；Tommy W S, YON G Fang. A Recurrent Neural Network based Real TimeLearning Control Strategy applying to Nonlinear System with Unknown Dynamics[J]. IEEETrans Industrial Electronics (S0278-0046)，1998,45(1) :151_161)，然而它是一種靜態(tài)映射，不宜用來表 示動態(tài)映射(見文獻Lin C H, CHOU W D, LIN F J. Adaptive Hybrid Control usinga Recurrent Neural Network for a Linear Synchronous Motor Service System[J]. IEEE ProcControl Theory Appl (S1350-2379)，2001，148 (2) :156_168 ；孫增圻，張再興，鄧志東， 等。智能控制理論與技術(shù)[M].北京清華大學出版社，1997)，因為利用靜態(tài)多層前饋網(wǎng)絡(luò) 對動態(tài)過程進行盲均衡，必然出現(xiàn)諸多問題如不具有適應(yīng)時變特性的功能等問題；特別 是隨著系統(tǒng)階次的增加，迅速膨脹的網(wǎng)絡(luò)結(jié)構(gòu)將使學習收斂速度更加緩慢；此外，較多的輸 入節(jié)點也將使系統(tǒng)對外部噪聲特別敏感，對于動態(tài)過程的盲均衡，本發(fā)明模糊控制的動態(tài) 小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法(FDWNN，Dynamic Wavelet Neural Networks based onFuzzy controlling)提供了一種有效的方法。

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控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò) 反饋盲均衡方法。本發(fā)明為實現(xiàn)上述目的，采用如下技術(shù)方案本發(fā)明模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，包括如下步驟
a.)將發(fā)送信號序列χ (η)經(jīng)過未知信道h (η)(本發(fā)明是針對水聲信道的，而在信 號發(fā)送時并不知道它經(jīng)過何種水聲信道，即信道是未知的)后與高斯白噪聲Ν(η)相疊加得 到觀測序列y(n)，其中η為時間序列，下同；還包括如下步驟b.)將誤差信號e(n)經(jīng)過常數(shù)模算法CMA得到動態(tài)小波神經(jīng)網(wǎng)絡(luò)中橫向濾波器構(gòu) 成的線性部分的抽頭系數(shù)c (η)；C.)將模糊神經(jīng)網(wǎng)絡(luò)控制器輸入量偏差E (η)和偏差變化Δ E (η)經(jīng)過模糊神經(jīng)網(wǎng) 絡(luò)控制器得到動態(tài)小波神經(jīng)網(wǎng)絡(luò)中小波神經(jīng)網(wǎng)絡(luò)構(gòu)成的非線性部分中小波函數(shù)的伸縮因 子和平移因子的迭代步長變化值△ μ ；d.)將步驟a.)所述觀測序列y (η)依次經(jīng)過動態(tài)小 波神經(jīng)網(wǎng)絡(luò)和判決器得到輸出信號對。優(yōu)選地，所述模糊神經(jīng)網(wǎng)絡(luò)控制器包括輸入層、模糊化層、規(guī)則層、歸一化層和解 模糊化層；輸入層的控制方法如下輸入量偏差Ε(η)和偏差變化ΔΕ(η)做為步長的控制量輸入，7,(,) (n) = AE(n) = MSE ⑷-MSE(n -1)[n) = Ε{ ) =MSE(n)0『(n) O)式中，i = 1，2為模糊神經(jīng)網(wǎng)絡(luò)的輸入個數(shù)，j = 1，2，3為模糊域，//')( )、O^in) 分別表示模糊神經(jīng)網(wǎng)絡(luò)第t層的第i個神經(jīng)元的輸入與輸出，Cf 表示模糊神經(jīng)網(wǎng)絡(luò)第t層 中第i個輸入中第j個模糊域的輸出，t = 1，2，…，5，下同；模糊化層的控制方法如下42) ( )=《)(《)O丨2)( ) = eXp - 'J \2 ‘、)
V crU (”) J式中，O)和時知)分別表示第2層中第i個輸入中第j個模糊域的輸入空間模 糊域的期望與方差；規(guī)則層的控制方法如下ψ (n) = ^(U)Cf ( ) 二 /
) (H)I^ (η) ,O^ (η) = /, ) (H)I^ (η)，Of (η) = (η)Ι^ (η)，Of \ ) = Ι^{η)Ι^{ ) ,Of\n) = Ι^{ )Ι^{ ) ,O^{ ) =，0^\ri) = 0)0) ’08(3)(η) = Ι^{ )Ι^{ ) ,0^\η) =；歸一化層的控制方法如下W) = CT ⑷廣)⑷令丨、)O) = 1°'^ 0^4)( ) = min{l,44)( )}
式中，h = 1,2,…，5表示模糊規(guī)則的后件數(shù)；解模糊層的控制方法如下lf\n) = 0['\ ) 式中，δ h(n)為第5層第h個后件數(shù)的權(quán)值。優(yōu)選地，所述動態(tài)小波神經(jīng)網(wǎng)絡(luò)由橫向濾波器構(gòu)成的線性部分和小波神經(jīng)網(wǎng)絡(luò) WNN構(gòu)成的非線性部分組成，橫向濾波器的輸出為馬0) = 4( )少(《 + 1-幻，小波神經(jīng)網(wǎng)絡(luò) 的輸出為
其中下標I表示虛部，下標R表示實部，將
權(quán)融合得 式中，0彡α彡1，0彡β彡1，為加權(quán)因子，并且滿足α+β = 1 ；則輸出信號為式中，f ( ·)表示輸出層的輸入和輸出之間的傳遞函數(shù)。優(yōu)選地，所述小波神經(jīng)網(wǎng)絡(luò)WNN隱層到輸出層的連接權(quán)重更新方法為 優(yōu)選地，所述小波神經(jīng)網(wǎng)絡(luò)WNN輸入層至隱層連接的權(quán)重更新方法為 式中，μ 2為迭代步長， 優(yōu)選地，所述小波神經(jīng)網(wǎng)絡(luò)WNN反饋系數(shù)更新方法為
式中，μ 3為迭代步長， 優(yōu)選地，所述輸出層傳遞函數(shù)f(·)采用的形式為 本發(fā)明提出的模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋(FDWNN)盲均衡方法是將小波 神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的盲均衡恒模算法相結(jié)合提出的，融合了小波變換良好的 時頻局域性質(zhì)、神經(jīng)網(wǎng)絡(luò)的自學習功能及模糊運算，并表現(xiàn)出網(wǎng)絡(luò)系統(tǒng)的動態(tài)特性，將其應(yīng) 用于復(fù)數(shù)信道中。通過計算機仿真和分析可知，模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋(FDWNN) 盲均衡方法在增加有限計算復(fù)雜度的前提下，具有更快的收斂速度和更小的穩(wěn)態(tài)誤差，完全適用于水聲信道。


圖1 :FDWNN原理框圖；圖 2:DWNN 結(jié)構(gòu)圖；圖3 模糊神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)圖；圖4 最小相位水聲信道仿真結(jié)果，(a)誤差曲線，(b)均衡器的輸入，(C)WNN輸出， (d) FDWNN 輸出；圖5 稀疏水聲信道仿真結(jié)果，(a)均方誤差曲線，(b)均衡器的輸入，(C)WNN的輸 出，(d) FDWNN 輸出。
具體實施例方式在無線通信系統(tǒng)中，信道的時變性和不確定性決定了盲均衡過程是一個動態(tài)的均 衡過程，模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法(FDWNN)正是利用動態(tài)小波神經(jīng)網(wǎng) 絡(luò)進行盲均衡方法的研究，并用模糊控制器控制網(wǎng)絡(luò)節(jié)點小波函數(shù)中兩因子及反饋系數(shù)的 迭代步長。FDWNN原理，如圖1所示。圖1中，χ (η)為發(fā)送信號序列，發(fā)送信號序列經(jīng)過未知信道h (η)并與高斯白噪聲 N(η)相疊加得到y(tǒng) (η)，對為均衡器判決輸出。盲均衡技術(shù)僅依賴觀測序列y (η)實現(xiàn)對 發(fā)送信號χ (η)的無失真恢復(fù)。根據(jù)信號傳輸理論可知_y{n) = x(n) h(n) + Y(n)(1)式中， 為求卷積運算，下同。結(jié)合常數(shù)模盲均衡算法，則小波神經(jīng)網(wǎng)絡(luò)(WNN)盲均衡算法的代價函數(shù)[11]為^ = x( )|2 -Rcm)2(2)式中
_￡(]x(/7)14)RcM = E{\m\2)令e{n)=\x{n)\2 -Rcu(4)圖1中，動態(tài)小波神經(jīng)網(wǎng)絡(luò)中把小波神經(jīng)網(wǎng)絡(luò)反饋回來的信息再作為它輸入的一 部分，使動態(tài)小波神經(jīng)網(wǎng)絡(luò)的均衡過程同時利用了系統(tǒng)的當前數(shù)據(jù)和歷史數(shù)據(jù)；模糊神經(jīng) 網(wǎng)絡(luò)控制器控制小波神經(jīng)網(wǎng)絡(luò)中小波兩因子及反饋系數(shù)的迭代步長。這兩部分是改善盲均 衡算法的關(guān)鍵，下面將分別討論這兩部分。動態(tài)小波神經(jīng)網(wǎng)絡(luò)盲均衡方法動態(tài)小波神經(jīng)網(wǎng)絡(luò)(DWNN)盲均衡方法結(jié)合了小波變換良好的時頻局域化性質(zhì)及 神經(jīng)網(wǎng)絡(luò)的自學習功能，因而具有較強的逼近能力和容錯能力，并且通過反饋層存儲內(nèi)部 狀態(tài)使其具備映射動態(tài)特征的功能，從而使系統(tǒng)具有適應(yīng)時變特性的功能神經(jīng)網(wǎng)絡(luò)參數(shù)初始值的選擇對方法是否收斂及收斂速度快慢，有很大影響；而且 由于訓練初始值隨機數(shù)的不同導致訓練結(jié)果的不一致，使確定最佳初始值發(fā)生困難。為此，將初始值的設(shè)置與學習樣本、神經(jīng)元傳遞函數(shù)發(fā)生聯(lián)系，以獲得高效率的優(yōu)良初始值。
如圖2所示DWNN結(jié)構(gòu)。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d個抽頭系數(shù)為cd(n)(d= 1，2，…，m，m為DWNN輸入層神經(jīng)元的 個數(shù)，下同)；DWNN輸入層第d個神經(jīng)元的輸入為Td (η)，隱層第k個神經(jīng)元的輸入為Uk (η)， 輸出為Qk(n) (k= 1,2,…，p，p為DWNN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d個神經(jīng)元至隱層第k個神經(jīng)元的連接權(quán)重為Wdk(Ii)，隱層第k個神 經(jīng)元至輸出層的連接權(quán)重為Vk(H)，ed(n)為反饋系數(shù)。由于在現(xiàn)代通信系統(tǒng)中，許多信源 的調(diào)制方式都是相位調(diào)制，例如PSK調(diào)制、QAM調(diào)制[12]，為了使該算法適用于復(fù)數(shù)系統(tǒng)，網(wǎng) 絡(luò)的權(quán)值形式應(yīng)該分為實部和虛部兩部分，同時，為了便于公式的推導，將網(wǎng)絡(luò)的信號也寫 為復(fù)數(shù)形式，則根據(jù)網(wǎng)絡(luò)的傳輸公式可以獲得網(wǎng)絡(luò)的狀態(tài)方程為
Td ( ) = Y4Ct (n)y(n + l-t) + 0d (n)x(n)似。
(=1= Σ (ctR {n)yR (n + \-t)~ C11 {ν γ, {n + \-t)) + 0dR (n)xR (n) 一 9d, (Ji)Xl (n)
t=\ ' d
+ /(Σ (c'’《 (“)乃+ + cdJ {n)yR ( + I-/)) + 9dR (n)x, (n) + Odl (n)xR ( ))
/=1
(5)
式中，ct,K(n)為“⑷的實部，Cta (η)為c 的虛部，其中t = l，…，d，其他類 uk (η) = Σ Wdk (n)Td (η) = ^ [^dkli {n)TdR ( ) - Wdkj {n)Tdl ( )]
d=\ d=\
m+7 ΣO) + (")&’《(")](6)
^=IQk(η) = ￥a,b (uk,E(n)) + j Ψa,b (uk,x (n))(7)式中，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)
」2^(x) = Ccos(5x)e"2x(8)則KΑ(·) =\α\ 2 ψ ~- =C\a\ 2 cos ’α 乂
(廣x-b、、」秘
V V
(9) 式中，b為平移因子，a為尺度因子，C為小波函數(shù)的修正系數(shù)，小波神經(jīng)網(wǎng)絡(luò)的輸 出為
FJ,X2 (n) = YdVk (n)Qk (η) = ^ [vM {n)QkR (η) — ν、, (n)Qk} (η)]
k=\ k=\+/Σ [vm (n)Qkl ( ) + vkJ (n)QkR (n)](10)
A=I橫向濾波器的輸出為x](n) = c^(n)y(n + \-d), d=\,2,---,m(11)采用梯度下降算法對橫向濾波器權(quán)重進行調(diào)整；兩者并行計算獲得各自輸出乓(《) 和毛(《)，兩者加權(quán)融合得
9
g(ji) = axx{ri) + βχ2{η)(12)式中，0彡α彡1，0彡β彡1，為加權(quán)因子，并且滿足α+β = 1 ；則混合小波神 經(jīng)網(wǎng)絡(luò)的最終輸出為m = Kgin))(13)式中，f ( ·)表示輸出層的輸入和輸出之間的傳遞函數(shù)，其決定了輸入輸出關(guān)系， 控制著整個網(wǎng)絡(luò)的輸出，所以要找一個具有平滑、漸近和單調(diào)特性，又有利于對輸入序列進 行判別的函數(shù)作為輸出層傳遞函數(shù)。故本文輸出層傳遞函數(shù)采用的形式為f (X) = X+λ Sin(JiX)(14)式中，X為輸出層的輸入信號，λ是常數(shù)。根據(jù)誤差反傳算法實現(xiàn)對小波網(wǎng)絡(luò)參數(shù)的更新調(diào)整，推導后得小波網(wǎng)絡(luò)隱層到輸 出層的連接權(quán)重更新公式為

vk(n + \)^vk(n)-Ml^-(15)
式中，P1為迭代步長。
^- = 2Pe(rt)\xR{n) + jxs(n)\ Svyfc O)
,doc{n) +y δχ( )、
(16)
dvkI(n)
Sx(n) = d^x(n)x(n) ^ 1 dx(n)x(n) — 1 a(/2(gff(")) + /2(g/( ))) (”)—一2丨對均丨~2\χ{ )\dvkR(n) = ^yi [f{gR (n))f'(gR (n))QkR (n) +f(gl (n))f'(g] (n))QkJ ( )]
乃 1
/Iv
dx(n)
式中，*為共軛，下同 同理有
1+Kg^f'igMm^in)}
(18)把式(16) (18)代入式(15)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 ( +1) = vk (n) + ^K{n)Q； (η)(19)K(η) =-2βθ(η) [f(gE(n))f' (gE(η))+jf (gl(η)) f' (gl(n))](20)同理，輸入層至隱層連接的權(quán)重更新公式為Wdk (η +1) = Wdk {η) + μ2Κ0 {n)T'd (w)(21)式中，μ 2為迭代步長， Κ0(η) = β_ψα,( ))Re{[f{gR{ )) f'(gR(n)) + jf{g,(n))f'(gl ( ))]ν；(η)}+]ββ( )ψα1> (ukJ (η)) Im {[f(gR (η)) f'(gR (η)) + jf(g, {n))f'{g, ( ))]ν； (η)} (22)同理，反饋系數(shù)更新公式為θ, ( +1) = Gd (η) + μ,Κχ {n)xd {η)(23)式中，μ 3為迭代步長，
二伽⑶^^( ⑷沐州/^⑷)f\gR( )) + Jfig1 (n))f'(gl( ))]ν；(n)wdk(η)} +』β_Ψ'α> (ukJ (η)) Im{ [/(g,(n)) f'(gR (η)) + #(g/ {n))f\g, ( ))]v； ^wdk ( )}
用梯度下降算法對小波函數(shù)的尺度因子和平移因子的進行迭代，迭代公式為
a{n +1) = α(η) - μΛ b{n + V) = b{n)~ μ5
dJ(n) da(n) dJ(n) db{n)
式中，μ4，μ 5為迭代步長t dJ(n)
da(ri)
1
= 2ββ{ )\χκ{ ) + jx^l
5|xW| = 5aR(n)丨對 n)|
Oa1 {n) 丨 |da!(n) dgR(n) daR(n)
(24)
(25)
(26)
daR(n) Sa1 ( )
5aR(n)
+/(g/( ))/'(幻㈨
Sa1 (η)‘
O )
daR(n)
,、‘，/、、 _ν/υ (Mkj (η)) -------
daR(n)
SgR(n) Qa1 (η)
SaR(n)
= -νκΛη) ^--·Μ")
daR{n)
Ok 、
daR(n)
OkjW)
da,(n)
Oai (η)da, (η)
由式(7)、(8)、(9)得
Ba1 ( )
Qk、RW) da, (η)
-:-=(-—)C I α( ) I 2 cos
da(n)
5{uk{n)-b(ri))
Φ) +C|a(n>r sin +Ccos
5{uk(n)-b{n)) a(n)
'5(uk(ri)-b{n)) 、 a( )
5(uk(n)-b(n)) .Or(H)~~
(uk(n)-b(n))2
a\n)
■e
"2I ~φτ,J
2V a(n)
21 a(n) J
(27)
(28)
(29)
(30)
(31)
(32)
(33)
(34)把式(27) (34)代入式(25)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，完成了對動態(tài)小波 神經(jīng)網(wǎng)絡(luò)中小波函數(shù)兩因子及反饋系數(shù)的更新，從而進行盲均衡。
11
模糊神經(jīng)網(wǎng)絡(luò)控制器模糊神經(jīng)網(wǎng)絡(luò)不僅利用經(jīng)驗知識，而且具有推理能力強的優(yōu) 點，同時由于引入了神經(jīng)網(wǎng)絡(luò)的自學習機制，增加了網(wǎng)絡(luò)的自適應(yīng)能力。正因為如此，模 糊神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于智能控制、模式識別和信號處理等領(lǐng)域(見文獻徐春梅，爾聯(lián) 潔，劉金琨.動態(tài)模糊神經(jīng)網(wǎng)絡(luò)及其快速自調(diào)整學習算法[J].控制與決策，2005，20 (2) 226-228)。本發(fā)明采用單變量模糊控制器結(jié)構(gòu)中的二維模糊控制器，其輸入量是偏差E(n) = MSE (η)和偏差變化Δ E (n) = MSE (η)-MSE (η_1)，以控制量的變化值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)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)為零且E (η)大，則Δμ正小
規(guī)則3如果Δ E (η)為負且E (η)大，則Δμ正小
規(guī)則4如果Δ E (η)為負且E (η)中，則Δμ零；
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)為正且E (η)中，則Δμ零；
規(guī)則7如果Δ E (η)為負且E (η)小，則Δμ負大
規(guī)則8如果Δ E (η)為零且E (η)小，則Δμ負小
規(guī)則9如果Δ E (η)為正且E (η)小，則Δμ負小模糊神經(jīng)網(wǎng)絡(luò)控制器各層的處理過程如下第一層輸入層，Ε(η)和ΔΕ(η)作為步長的控制量輸入。/^(n) = AE(n) = MSE(n) - MSE(n -1)(35){ ) = Ε{ ) =MSE(n)(36)O^ (η) = /,(1)(η)(37)式中，i = 1，2為模糊神經(jīng)網(wǎng)絡(luò)的輸入個數(shù)，j = 1，2，3為模糊域，/廣(《)、θ}'\η) 分別表示模糊神經(jīng)網(wǎng)絡(luò)第t層的第i個神經(jīng)元的輸入與輸出，Cf表示模糊神經(jīng)網(wǎng)絡(luò)第t層 中第i個輸入中第j個模糊域的輸出，t = 1，2，…，5，下同；第二層模糊化層 Tf ⑷=Cf ⑷(38)
4 -42)(")、 Win)O^ {n) = exp
(39)
式中，m丨2)(n)和of (η)分別表示第2層中第i個輸入中第j個模糊域的輸入空間模
糊域的期望與方差。為了計算方便，在本發(fā)明中采用固定的中心和寬度(σ 2)⑷)。第三層規(guī)則層/;3) (H) = CfOO(40)Ol3) (η) = (η)Ι^ (η) ,Of] {η) = { )Ι^ ( )，) ( ) =( )，Of\n) = I^{n)I^(n) ,Of \n) = l\l\n)lg\n) ,Cf ⑷二 松㈨役㈨，
12
第四層歸一化層 式中，h = 1,2,…，5表示模糊規(guī)則的后件數(shù)。第五層解模糊層 Ii5) (η) = 0(^ (η) 式中，Sh(n)為第五層的權(quán)值(25)、(26)式中的迭代步長將分別變?yōu)棣?4+Δ μ、μ 5+Δ μ。這就構(gòu)成了基于模 糊神經(jīng)網(wǎng)絡(luò)控制小波函數(shù)兩因子及反饋系數(shù)迭代步長的盲均衡方法，并將Ε(η)引入使得 步長的改變量與均方誤差相對應(yīng)。綜上所述，模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法就是利用網(wǎng)絡(luò)中延時信 息的反饋使得網(wǎng)絡(luò)有記憶功能，從而具有動態(tài)特性；并利用模糊神經(jīng)網(wǎng)絡(luò)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及反饋系數(shù)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)相關(guān)補充。為了驗證FDWNN方法的有效性，采用水聲信道仿真實驗，并與WNN算法進行比較。實施例1 最小相位水聲信道仿真最小相位水聲信道，其傳遞函數(shù)為c =
發(fā)射信號為4QAM，信噪比為20dB，疊加的噪聲為高斯白噪聲，WNN均衡器，權(quán)長為 16，第8個抽頭初始化為1，式(8)中Cwffl= 10，式(14)中λ ■ = 0. 46，小波函數(shù)尺度因子 和平移因子的初始化分別為= 4. 3、b_ = 0. 0025 ；對FDWNN均衡器，權(quán)長為16，第8個 抽頭為1，橫向濾波器的權(quán)長為16，采用1/4抽頭，步長μ =0.001，小波函數(shù)尺度因子和平 移因子的初始化分別為aFDWffl = 3、bFDWNN = 0. 006，式(12)中兩加權(quán)因子分別為α = 0. 355， β = 0. 645，式⑶中Cfdwnn = 1，式(14)中Xfdwnn = 0. 55 ； 100次蒙特卡諾仿真結(jié)果，如圖 4所示。圖4(a)表明，在收斂速度上，F(xiàn)DWNN比WNN加快了 150步，在穩(wěn)態(tài)誤差上，F(xiàn)DWNN比 WNN降低了 16dB，圖4(b)、(c)、(d)表明，F(xiàn)DWNN輸出的星座圖更加緊密集中，眼圖張開更加清晰。實施例2 稀疏水聲信道仿真此實驗采用的稀疏水聲信道的傳遞函數(shù)為c = zeros (1,1001) ；c(l) = 0. 076 ；c(2) = 0. 122 ；c (1001) = 1發(fā)射信號為8PSK，信噪比為20dB，疊加的噪聲為高斯白噪聲，WNN均衡器，權(quán)長為16，第6個抽頭初始化為1，式(8)中Cwnn = O. 28，式(14)中λ ■ = 5. 3，小波函數(shù)尺度因子 和平移因子的初始化分別為= 5. 2、b_ = 1. 685 ；FDWNN均衡器，權(quán)長為16，采用1/2抽 頭，橫向濾波器的權(quán)長為16，采用1/4抽頭，步長μ = 0. 0001，小波函數(shù)尺度因子和平移因 子的初始化分別為aF_ = 4. 35、bFDWffl = 0. 007，式(12)中兩加權(quán)因子分別為α = 0. 9075， β = 0. 0925，式(8)中 Cfdwnn = 0. 0001，式(14)中 λ FDWNN = 3 ；500 次蒙特卡諾仿真結(jié)果， 如圖5所示。圖5(a)表明，在收斂速度上，F(xiàn)DWNN比WNN加快了 300步，在穩(wěn)態(tài)誤差上，F(xiàn)DWNN比 WNN降低了 3dB ；圖5(b)、(c)、(d)表明，F(xiàn)DWNN輸出的星座圖更加緊密集中，眼圖張開更加清晰?？梢钥闯?，兩種信道條件下基于模糊神經(jīng)網(wǎng)絡(luò)控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)(FDWNN) 盲均衡方法都在1000步左右迭代后達到收斂，F(xiàn)DWNN收斂后具有更小的穩(wěn)態(tài)剩余誤差。此 外，與傳統(tǒng)小波網(wǎng)絡(luò)(WNN)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)(FDWNN)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
一種模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，包括如下步驟a.)將發(fā)送信號序列x(n)經(jīng)過未知信道h(n)后與高斯白噪聲N(n)相疊加得到觀測序列y(n)，其中n為時間序列，下同；其特在于，還包括如下步驟b.)將誤差信號e(n)經(jīng)過常數(shù)模算法CMA得到動態(tài)小波神經(jīng)網(wǎng)絡(luò)中橫向濾波器構(gòu)成的線性部分的抽頭系數(shù)c(n)；c.)將模糊神經(jīng)網(wǎng)絡(luò)控制器輸入量偏差E(n)和偏差變化ΔE(n)經(jīng)過模糊神經(jīng)網(wǎng)絡(luò)控制器得到動態(tài)小波神經(jīng)網(wǎng)絡(luò)中小波神經(jīng)網(wǎng)絡(luò)構(gòu)成的非線性部分中小波函數(shù)的伸縮因子和平移因子的迭代步長變化值Δμ；d.)將步驟a.)所述觀測序列y(n)依次經(jīng)過動態(tài)小波神經(jīng)網(wǎng)絡(luò)和判決器得到輸出信號FSA00000166182200011.tif
2.根據(jù)權(quán)利要求1所述的模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，其特征在于 所述模糊神經(jīng)網(wǎng)絡(luò)控制器包括輸入層、模糊化層、規(guī)則層、歸一化層和解模糊化層；輸入層 的控制方法如下輸入量偏差Ε(η)和偏差變化ΔΕ(η)做為步長的控制量輸入， 式中，i = 1，2為模糊神經(jīng)網(wǎng)絡(luò)的輸入個數(shù)，j = 1，2，3為模糊域，廣、Cf (η)分別 表示模糊神經(jīng)網(wǎng)絡(luò)第t層的第i個神經(jīng)元的輸入與輸出，Cf表示模糊神經(jīng)網(wǎng)絡(luò)第t層中第 i個輸入中第j個模糊域的輸出，t= 1,2,…，5，下同； 模糊化層的控制方法如下 式中，和of ( )分別表示第2層中第i個輸入中第j個模糊域的輸入空間模糊域 的期望與方差；規(guī)則層的控制方法如下歸一化層的控制方法如下 式中，h = l，2，…，5表示模糊規(guī)則的后件數(shù)； 解模糊層的控制方法如下 式中，Sh(n)為第5層的權(quán)值。
3.根據(jù)權(quán)利要求1所述的模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，其特征在于 所述動態(tài)小波神經(jīng)網(wǎng)絡(luò)由橫向濾波器構(gòu)成的線性部分和小波神經(jīng)網(wǎng)絡(luò)WNN構(gòu)成的非線性 部分組成，橫向濾波器的輸出為=+ ，小波神經(jīng)網(wǎng)絡(luò)的輸出為 毛(《)加權(quán)融合得g{n) = axx{n) +βχ2{ )，式中，O ^ α ^ 1,0 ^ β ^ 1，為加權(quán)因子，并且滿足α+β = 1 ；則輸出信號為 x(n) = f(g(n))式中，f ( ·)表示輸出層的輸入和輸出之間的傳遞函數(shù)。
4.根據(jù)權(quán)利要求3所述的模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，其特征在于 所述小波神經(jīng)網(wǎng)絡(luò)WNN隱層到輸出層的連接權(quán)重更新方法為
5.根據(jù)權(quán)利要求3所述的模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，其特征在于 所述小波神經(jīng)網(wǎng)絡(luò)WNN輸入層至隱層連接的權(quán)重更新方法為
6.根據(jù)權(quán)利要求3所述的模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，其特征在于 所述小波神經(jīng)網(wǎng)絡(luò)WNN反饋系數(shù)更新方法為 式中，μ 3為迭代步長，
7.根據(jù)權(quán)利要求3所述的模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，其特征在于所述輸出層傳遞函數(shù)f(·)采用的形式為f(X) =Χ+λ η(πχ)，式中，χ為輸出層的輸入 信號，λ是常數(shù)。
全文摘要
本發(fā)明公布了一種模糊控制的動態(tài)小波神經(jīng)網(wǎng)絡(luò)反饋盲均衡方法，包括如下步驟a.)將發(fā)送信號序列x(n)經(jīng)過未知信道h(n)后與高斯白噪聲N(n)相疊加得到觀測序列y(n)；b.)b.)將誤差信號e(n)經(jīng)過常數(shù)模算法CMA得到動態(tài)小波神經(jīng)網(wǎng)絡(luò)中橫向濾波器構(gòu)成的線性部分的抽頭系數(shù)c(n)；c.)將模糊神經(jīng)網(wǎng)絡(luò)控制器輸入量偏差E(n)和偏差變化ΔE(n)經(jīng)過模糊神經(jīng)網(wǎng)絡(luò)控制器得到動態(tài)小波神經(jīng)網(wǎng)絡(luò)中小波神經(jīng)網(wǎng)絡(luò)構(gòu)成的非線性部分中小波函數(shù)的伸縮因子和平移因子的迭代步長變化值Δμ；d.)將所述觀測序列y(n)依次經(jīng)過動態(tài)小波神經(jīng)網(wǎng)絡(luò)和判決器得到輸出信號本發(fā)明具有更快的收斂速度和更小的穩(wěn)態(tài)誤差，完全適用于水聲信道。
文檔編號H04L25/03GK101902416SQ20101021629
公開日2010年12月1日 申請日期2010年6月30日 優(yōu)先權(quán)日2010年6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