基于递归对角神经网络自适应均衡算法的研究

作者:张立毅;陈莎莎;孙静;李俊锋;吴佳明;孙云山;刘婷 刊名:天津商学院学报 上传者:黄学敏

【摘要】阐述了神经网络自适应均衡算法的基本原理,提出了一种基于递归对角神经网络的自适应均衡算法,推导了算法的迭代公式,进行了计算机仿真。结果表明,随着传输信号信噪比的增加,稳态剩余误差减小,误码率降低。

全文阅读

0前言近年来,数字通信技术得到了迅猛发展和广泛应用,成为信息学科中最为活跃的领域之一。但在信号传输过程中,由于带限发射和接收滤波器、放大器、时延与多径传输、发射机和接收机之间的相对运动、耦合效应以及多址干扰的影响,使得信道传输特性极其复杂,产生了码间干扰和信道间干扰。传统的克服码间干扰的方法是在接收端增加自适应均衡器,使均衡器的特性正好与信道的特性相反,以准确地补偿传输信道的非理想特性。1神经网络自适应均衡的基本原理基于神经网络自适应均衡算法的基本原理是将神经网络代替传统自适应均衡算法中的横向滤波器,通过调整神经网络的连接权值,使得均衡器的输出序列逼近发送序列。即首先选择一个神经网络结构,然后针对所选的网络结构提出一个代价函数,并且根据这个代价函数确定权值的递推方程,最后,通过最小化代价函数来达到调整权值的目的。其原理框图如图1所示[1]。图中,x(n)为发送序列,n(n)为信道上迭加的噪声,y(n)为接收序列,同时也是自适应均衡器的输入序列,~x(n)为均衡器的输出序列,h(n)为传输图1基于神经网络自适应均衡算法的原理框图信道的冲激响应。2递归对角神经网络自适应均衡算法2.1递归对角神经网络的模型递归对角神经网络是Chao-cheeKu等人于1995年提出来的。其结构如图2所示[2],由输入层、隐层和输出层组成,在隐层权值叠加中,引入了输入的前一时刻的输出作为反馈控制信号,具有递归单元及记忆功能。设输入层与隐层间的连接权值为wihj(n)(i=0,1,…,m;j=1,2,…,k),隐层与输出层之间的权值为woj(n),递归层的反馈连接权值为wdj(n)。设输入层的输入为y(n-i),隐层的输入为uj(n),输出为Ij(n),输出层的输入为v(n),输出为~x(n),则递归对角神经网络的状态方程为uj(n)=mi=0wihj(n)y(n-i)+wjd(n)Ij(n-1)(1)图2递归对角神经网络的结构Ij(n)=f[uj(n)](2)kv(n)=j=1woj(n)Ij(n)(3)x~(n)=f[v(n)](4)式中,f()表示隐层、输出层的输入和输出之间的传递函数。2.2递归对角神经网络自适应均衡算法迭代公式的推导在采用递归对角神经网络进行自适应均衡时,选取合适的传递函数和代价函数至关重要。本文选取的传递函数为双曲正切函数,即-2xf(x)=x+1-e1+e-2x(5)代价函数选取均方误差,即J(n)=E{[d(n)-~x(n)]2}(6)式中,d(n)为训练序列。根据最速梯度下降法,可以得到网络权值的迭代公式w(n+1)=w(n)-J(n)w(n)(7)式中,是迭代步长。递归对角神经网络含有输入层、隐层、反馈层和输出层,其权值迭代公式不同。在算法迭代公式推导过程中,代价函数用平方误差代替均方误差。(1)隐层和输出层之间连接权值的迭代公式对于隐层和输出层间的woj(n)有J(n)woj(n)=-2[d(n)-x~(n)]f[v(n)]Ij(n)(8)woj(n+1)=woj(n)+2o[d(n)-x~(n)]f[v(n)]Ij(n)(9)其中,o是隐层和输出层间的迭代步长。(2)反馈层连接权值的迭代公式对于反馈层的wjd(n)有J(n)wjd(n)=-2[d(n)-x~(n)]f[v(n)]woj(n)f[uj(n)]Ij(n-1)(10)wdj(n+1)=wjd(n)+2d[d(n)-~x(n)]f[v(n)]woj(n)f[uj(n)]Ij(n-1)(11)其中,d是隐层的自反馈迭代步长。(3)输入层和隐层之间连接权值的迭代公式对于输入层和

参考文献

引证文献

问答

我要提问