[发明专利]用于多通道盲反卷积级联神经网络的方法

摘要

本发明提供一种多通道盲反卷积级联神经网络的方法，方法包括：(1)由均衡子网络和压缩子网络组成模块神经网络；(2)均衡子网络神经突触{w1j，p}由恒定模型算法更新；(3)构成了Hebbian和逆Hebbian学习规则；(4)压缩处理后，输入到下一个模块网络的均衡子网络本发明方法是新而简单、单行之有效的扩展，它可以从未知交错的混合信号中有效在线提取多重源信号。即用级联神经网络，它的每一模块是由均衡子网络和压缩子网络组成。此法可适用于任何盲均衡算法(信号信道均衡的拓延)，它也可以应用于源信号数目预先未知的情况。本发明容易实现，在无线通信、阵列处理和生物医学信号处理等方面有广泛应用。

主权项

1.一种用于多通道盲反卷积级联神经网络的方法，其特征在于，包括下述步骤：(1)由均衡子网络和压缩子网络组成模块神经网络，所述均衡子网络为提取信号源的处理单元，所述压缩子网络为消除已从混合信号提取了信号后其它多余信息的处理单元；(2)均衡子网络神经突触{w_1j，p}由恒定模型算法更新，其更新的公式如下：w1j,p(k+1)=w1j,p(k)+ηkf[yi(k)]xj*(k-p)]]>其中，η_k表示步长，是x_j的复共轭复数，f[y_i(k)]是匹配函数；设定第一次提取信号y₁(k)对应第一个源信号S₁(k)，即y₁(k)＝λ₁s₁(k-d₁)；能量函数的极小化得到压缩子网络神经突触{u_i1，，p}，其计算公式如下：p=12Σi=1m|xi(1)(k)|2]]>其中，xi(1)=xi-Σpui1,p(k)y1(k-p)ui1,p]]>采用随机梯度下降，其中，压缩子网络神经突触{u_i1，p}更新规则是：ui1,p(k+1)=wi1,p-ηkxi(1)y1*(k-p)]]>神经突触{w_1j，p}可以看成一个权值，w_1j，p(k+1)表示w_1j，p的第k+1次迭代权值；(3)在步骤(2)的基础上，构成了Hebbian和逆Hebbian学习规则；ui1,p(k+1)=wi1,p-ηkxi(1)y1*(k-p)]]>表明学习算法消除首次从观测信号x(k)提取的信号y₁(k)以外的其它信息，并得出ui1,p(k+1)=wi1,p-ηkxi(1)y1*(k-p)]]>模型平均稳定点；(4)压缩处理后，输入到下一个模块网络的均衡子网络，x_i⁽¹⁾(k)如下：xi(1)(k)=xi(k)-Σphi1,p+d1λ1λ1s1(k-p-d1)]]>=xi(k)-Σqhi1,qs1(k-q),i=1,Λ,m.]]>