[发明专利]一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法

权利要求书

1.一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法，其特征在于，该方法包括以下步骤：

S10、获取直扩信号数据序列；

S20、用一固定窗长的矩形滑动窗截取数据序列，构造训练数据；

S30、用一变步长LEAP神经网络对训练数据进行PCA分析，得到特征值与相应的特征向量，其中，LEAP神经网络的学习步长β_i(k)的迭代公式为：

β_i(k+1)＝αβ_i(k)+γ(|λ_i(k)-λ_i(k-1)|/max{λ_i(k),λ_i(k-1)})

其中，E{·}表示求数学期望，y_i(k)表示网络的第i个输出，k为迭代次数，max{·}表示求最大值运算，α、γ为常数，0＜α＜1，γ＞0；

S40、根据得到的特征值与特征向量估计出直扩信号的伪码序列；

其中，所述步骤S40包括：

S41、当网络收敛时选出数据序列x(n)最大特征值与次大特征值对应的特征向量q₁与q₂，并将二者的非零部分拼接在一起，由于特征向量的相位可以反转，从而得到四组拼接的向量序列，设为v_l,l＝1,2,…,4；

S42、根据v_l,l＝1,2,…,4得到估计的伪码序列其计算公式如下：

S43、分别计算的相关性参数其计算公式如下：

其中，τ＝0,1,2,…,WL-1，代表时间延时，l＝1,2,…,4，m＝0,1,…,WL-1，WL代表滑动窗窗长；

S44、求取中真实的伪码序列的索引id，其计算公式如下：

其中表示最小值对应的索引，则正确估计的直扩信号的伪码序列即为

2.根据权利要求1所述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法，其特征在于，所述步骤S10中从传感器接收L个采样点的实时采集数据，或者从存储器中提取从检测到信号时刻起始的L个采样点的数据，作为待处理的直扩信号数据序列x(n),n＝0,1,…,L-1，其中数据采样频率F_s＝T_c，T_c为直扩信号的伪码速率。

3.根据权利要求1所述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法，其特征在于，所述步骤S20包括：采用矩形短时窗滑动截取直扩信号数据序列，且滑动窗之间无重叠，窗长为WL，第k个短时窗内的数据序列为x_k(m),m＝0,1,…,WL-1,k＝0,1,2,…，m表示每个短时窗内信号点数索引。

4.根据权利要求3所述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法，其特征在于，所述滑动窗窗长WL＝T_p，T_p为直扩信号的伪码周期。

5.根据权利要求1所述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法，其特征在于，所述步骤S30包括：

S31、网络权值初始化：令初始迭代次数k＝0，设置LEAP网络的初始权值p_i(k),k＝0,i＝1,2,…,M，M为网络的输出节点个数，并归一化：

p_i(0)＝p_i(0)/||p_i(0)||,i＝1,2,…,M

其中|| ||表示求取向量范数运算，即

S32、对训练数据x_k(m)进行归一化处理：x_k(m)＝x_k(m)/||x_k(m)||；

S33、将x_k(m)作为网络的输入数据，对网络的权值进行迭代更新，其权值迭代公式如下：

其中p_i(k)＝[p_i1(k),p_i2(k),…,p_iWL(k)]^T，p_ij(k)表示网络第i个输出与第j个输入之间的连接权值，WL代表滑动窗窗长，A_i(k)、B_i(k)均为状态转移矩阵，且：

B_i(k)＝I-A_i(k),i＝1,2,…,M

其中|| ||_F表示求取矩阵的Frobenius范数运算，I为单位矩阵；

S34、当|y_i(k)-y_i-1(k)|＜ε时，判定网络已经收敛，其中ε为判断阈值，| |为取绝对值运算，则此时的网络输出y_i(k)即为数据序列x(n)的特征值，其对应的网络权值p_i(k)即为其特征向量；否则，k＝k+1转到步骤32，继续利用训练数据对网络的权值进行更新。