[发明专利]一种基于NARX神经网络与块状反馈的信道均衡方法

权利要求书

1.一种基于NARX神经网络与块状反馈的信道均衡方法，其特征在于，该方法包括以下步骤：

(1)构建实值NARX神经网络-判决反馈均衡器(RVNARX-DFE)，具体如下：

构建一个具有输入层、隐藏层、输出层及延时结构TDL和输出反馈结构的实值NARX神经网络，该网络的第一层为输入层，最后一层为输出层，输入输出层之间由一个或多个隐藏层连接而成，隐藏层为全连接方式；该实值NARX神经网络实现以下操作：

(I_out(n),Q_out(n))＝f_equalizer(I_in(n),I_in(n-1),...,I_in(n-m),Q_in(n),Q_in(n-1),...,Q_in(n-m),I_out(n-1),I_out(n-2),...,I_out(n-k),Q_out(n-1),Q_out(n-2),...,Q_out(n-k))

其中，I_in,Q_in分别为通信系统接收端接收信号的实部和虚部，I_out,Q_out分别为均衡器输出的实部和虚部；m为输入的抽头延迟线(Tapped Delay Line,TDL)的最大记忆深度，k为输出反馈的TDL的最大记忆深度；

任意隐藏层和输出层的任一神经元的输出表示为：

其中，为第l层的第j个神经元的输出，q为第l层的第j个神经元总输入个数，为该神经元的第i个输入的权值，为该神经元的第i个输入值，为该神经元的偏置；函数f为第l层神经元使用的激活函数；

在实值NARX神经网络的输出部分增加判决器，判决器输出的实部和虚部分别延迟反馈回实值NARX神经网络的输入，构成完整的实值NARX神经网络-判决反馈均衡器(RVNARX-DFE)；

(2)对步骤(1)构建好的RVNARX-DFE进行训练，得到针对训练集数据的最优的网络参数；训练过程中采用带误差权重的均方误差函数MSE_ew作为损失函数：

其中，I_out(i),Q_out(i)分别为训练集中第i个训练符号的实部和虚部，分别为训练过程中RVNARX-DFE实际输出的第i个符号的实部和虚部，为训练集中第i个训练符号的误差权重，N为训练集的大小；

训练过程中采用断开输出延迟反馈的开环网络结构进行训练，将训练集中的目标输出结果直接给到输入；

(3)利用训练好的RVNARX-DFE对新的接收数据进行均衡。

2.根据权利要求1所述的一种基于NARX神经网络与块状反馈的信道均衡方法，其特征在于，实值NARX神经网络的隐藏层的神经元采用的激活函数为双曲正切S形函数，记为tansig函数：

该激活函数将输入非线性地映射在[-1,1]的区间内，使得神经网络可以任意逼近任何非线性函数。

3.根据权利要求1所述的一种基于NARX神经网络与块状反馈的信道均衡方法，其特征在于，实值NARX神经网络的输出层的神经元采用的激活函数为线性激活函数purelin激活函数，该激活函数对输入相加，并将结果线性映射到输出。

4.根据权利要求1所述的一种基于NARX神经网络与块状反馈的信道均衡方法，其特征在于，步骤(1)中，在对接收数据进行均衡时，将判决器输出结果作为新的训练集对RVNARX-DFE进行再训练，更新网络的参数来应对信道的变化，再训练的训练集使用块状的判决反馈数据。