[发明专利]基于集成学习和神经网络的自适应信道均衡器及方法

权利要求书

1.一种基于集成学习和神经网络的自适应信道均衡方法，其特征在于该方法包括：

(1)获取训练样本数据，具体为：将接收到的经QPSK调制并通过无线信道传输来的连续信号进行均匀分割，得到若干份分割数据，再将每份分割数据进行信号分离，得到每份分割数据中每一信号及该信号延时部分的同相部分和正交部分，将分离后的一份分割数据作为一次训练样本；

(2)建立无线信道自适应均衡器，具体包括：

多个多层感知器神经网络，每个多层感知器神经网络包括一层输入层、一层隐藏层和一层输出层，所述输入层的神经元个数为2s个，所述输出层的神经元个数为2个，分别输出经过对应多层感知器神经网络均衡后信号的同相部分和正交部分；s为接收的无线信道传输来的信号及信号延时部分的信号总数；

一个集成学习器，用于将多个多层感知器神经网络均衡后得到信号的同相部分和正交部分，经过加权和后输出；

(3)将训练样本输入建立的无线信道自适应均衡器，进行训练；训练时对每个多层感知器神经网络采用带有动量项的反向传播算法进行训练，得到多层感知器神经网络中各层之间的权重值，误差函数采用绝对值误差函数，对集成学习器采用集成学习器的输出与实际信号的差值调整每个多层感知器神经网络的权重值；其中训练时权值更新方法为：

式中，w_kx(n)表示n时刻第k个隐藏层神经元与输出的神经元之间的权值，Δw_kx(n)表示n时刻w_kx(n)的更新量，ρ表示一个中0到1之间的衰减因子，η表示学习率，sgn表示符号函数，大于0时符号函数的值为1，小于0时符号函数的值为-1，h_k表示第k个隐藏层神经元的输出，v_jk(n)表示n时刻第j个输入层神经元与第k个隐藏层神经元之间的权值，Δv_jk(n)表示t时刻v_jk(t)的更新量，分别为多层感知器神经网络均衡输出的同相部分和正交部分，y_i(n)、y_q(n)分别为实际信号的同相部分和正交部分；

(4)将无线信道传输来的待均衡的信号分离得到信号及该信号延时部分的同相部分和正交部分，输入训练好的无线信道自适应均衡器，输出即为信道均衡结果。

2.根据权利要求1所述的基于集成学习和神经网络的自适应信道均衡方法，其特征在于：所述隐藏层的神经元的输出具体为：

h_k表示第k个隐藏层神经元的输出，r_j表示第j个输入层神经元的数据，v_jk表示第j个输入层神经元与第k个隐藏层神经元之间的权值，b_k表示第k个隐藏层神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。

3.根据权利要求1所述的基于集成学习和神经网络的自适应信道均衡方法，其特征在于：所述输出层的神经元的输出具体为：

式中，分别为经过多层感知器神经网络均衡后信号的同相部分和正交部分，h_k表示第k个隐藏层神经元的输出，m为隐藏层神经元的个数，w_ki、w_kq分别表示第k个隐藏层神经元与输出的神经元之间的权值，b_i、b_q分别表示输出的神经元的偏置，f()为隐藏层神经元的激活函数，具体为tanh激活函数。