基于遗传算法神经网络盲均衡算法的研究

作者:李沅;张立毅 刊名:太原理工大学学报 上传者:黄麒宇

【摘要】将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。

全文阅读

随着现代科技的不断发展,通信范围在不断扩大,通信环境变得复杂多样,这就使得通信信道存在严重的干扰及非理想特性,如接收信号产生深度衰落,以及时延、码间串扰、误码率等。作为解决上述问题的一种方法,神经网络盲均衡就成为一个重要的研究领域。笔者在神经网络盲均衡的基础上将遗传算法引入神经网络盲均衡,用全局搜索能力很强的遗传算法来优化神经网络的权值,从而达到更好的均衡效果。1神经网络盲均衡算法的基本原理基于神经网络盲均衡算法的原理如图1所示。其中,x(n)表示发送序列,n(n)表示加性噪声,h(n)表示信道冲激相应,y(n)表示接收序列,x(n)表示均衡器输出,^x(n)表示判决器输出[1]。首先选择一图1基于神经网络理论盲均衡算法的原理框图个网络结构,然后针对所选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。2基于遗传算法的神经网络训练方法(GA-BP法)遗传算法是一种全局并行的随机搜索方法,具有较强的鲁棒性和全局收敛能力。用于解决盲均衡问题时,不要求代价函数的连续性和可微性,但不适用于解的微调。传统的BP算法可以在特定的优化问题上取得更优的收敛速度和收敛精度,但易陷入局部极小值。因此,将遗传算法与神经网络有机结合,取长补短,就能达到更优的均衡效果。基于遗传算法神经网络训练方法的主要思想是先利用遗传算法对权值进行快速的全局搜索,通过控制其遗传代数使网络性能达到一定要求,然后再利用BP算法在局部进行最优搜索,直到满足精度要求。笔者采用三层前馈神经网络,网络只有前向输出,各层神经元之间的连接用权值表示。输入层与隐层的权值为wij(n)(i=0,1,2,…m,j=1,2,3,…,k),其中i表示前层的神经元,j表示后层的神经元;隐层与输出层的权值为wj(n)。假定隐层单元的输入为kj(n),输出为sj(n),输出层单元的输出为,神经网络总输出为x(n),隐层、输出层的输入与输出的传递函数为f(),本文中选取以下函数形式[2]f(x)=x+1-e-2x1+e-2x,f(x)=1=4e-2x(1+e-2x)2.(1)其中,>0。在实际算法中,对于幅度间隔较大的信号,取较大的值;否则,取较小的值。笔者采用两个阶段的学习方案[3]。第一阶段即神经网络的初始辨识阶段,由遗传算法解决盲均衡算法中网络初始参数的设定;第二阶段即参数辨识阶段,用传统BP算法来解决迭代问题。2.1初始辨识阶段1)选取实数编码。设输入层神经元数为m+1,隐层神经元数是k,则每个隐层神经元和m+2个参数关联,包括输入连接权值m+1个和输出连接权值1个。这些参数值都以实数编码,编码数值对应它们的真实值。如对于第j个神经元(隐层)的实数编码为{aj,w1j,w2j,…,wmj,wj}。其中,wij对应输入连接权值,wj对应输出连接权值,aj对应这个神经元的有无,当aj>05表示这个神经单元存在,反之不存在。整个神经网络的一个编码串共k段编码对应k个神经单元[3]。2)初始种群的形成。用MATLAB7.0来编制程序,随机产生n个个体作为初始种群。3)适应度函数。在遗传算法中,判断个体优劣的尺度是适应度。适应度的大小,决定某个体的繁殖和消亡。文中适应度函数选为Fit(n)=1/J(n)=1/12|x(n)|2-E(|x(n)|4E(|x(n)|2)2.(2)4)复制算子的设计。采用比例选择法,即轮盘赌选择法。它是以个体适应值的高低来进行随机选择,保证了高适应值的个体以大的概率遗传到下一代中去。复制概率为np=Fit(m)/i=1Fit(i).(3

参考文献

引证文献

问答

我要提问