[发明专利]全反馈神经网络的信号盲检测方法

摘要

为了提高全反馈神经网络中节点信号的处理速度，本发明提供了一种全反馈神经网络的信号盲检测方法，包括：根据全反馈神经网络的状态构造检测信号接收矩阵；对当前时刻的检测信号接收矩阵进行奇异值分解；根据所述奇异值分解结果以及当前时刻和前一时刻的检测信号接收矩阵构造反馈信号矩阵；对信号进行放大处理并进行迭代。本发明基于节点在不同时刻信号特征之间的比例进行变换，并利用待输入到多输入输出系统的输入信号的相位稳定性进行信号筛选，提高了建模的收敛速度，进而提高了对各节点输入输出信号的处理速度。

主权项

1.一种全反馈神经网络的信号盲检测方法，包括：(1)根据全反馈神经网络的状态构造检测信号接收矩阵；(2)对当前时刻的检测信号接收矩阵进行奇异值分解；(3)根据所述奇异值分解结果以及当前时刻和前一时刻的检测信号接收矩阵构造反馈信号矩阵；(4)对信号进行放大处理并进行迭代；其特征在于，所述步骤(1)包括：(11)根据全反馈神经网络的状态，在t时刻的状态，获得t时刻要输入到节点Ni的有效信号Si(t)以及t‑1时刻输入到节点Ni的有效信号S’i(t‑1)，所述有效信号表示在全反馈神经网络中的符合预定条件的信号传输路径中传输的信号，i＝1，2，…N，N为正整数；(12)计算各待处理信号Si(t)之间的对数比例，获得它们彼此之间的比例系数：K1:K2:K3:...:KN＝|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|(13)构造t时刻的检测信号接收矩阵A：(14)构造(t‑1)时刻的检测信号接收矩阵B：其中所述步骤(2)包括：对检测信号接收矩阵进行奇异值分解：A＝UDVH，其中U为A的行奇异向量，D为A的对角阵，VH为A的列奇异向量；所述步骤(3)包括：(31)获得各待处理信号Si(t)的相位信息矩阵P：其中P_i为与之对应的待处理信号S_i(t)的相位信息，i＝1，2，…N，N为正整数；(32)对(t‑1)时刻的检测信号接收矩阵B进行奇异值分解，获得其广义逆矩阵B'：(33)计算广义逆矩阵B'的秩α；(34)对相位信息矩阵P进行筛选：去掉相位信息矩阵P中Pi小于预设阈值的值，得到矩阵P^；(35)计算相位信息矩阵P^的秩β；(36)计算各待处理信号Si(t)的相位信息的比例：L1:L2:L3:...:LN＝||P1||:||P2||:||P3||:...:||PN||；(37)构造相位信息归一化对角矩阵I：其中c_i表示相位信息矩阵P中P_i小于预设阈值的值的情况，且当相位信息矩阵P中P_i小于预设阈值的值时，c_i＝0，否则c_i＝||D||；(38)确定矩阵I的最大重特征值T，将其确定为优化问题的极值，进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G；(39)构造反馈信号矩阵F：所述步骤(4)包括：(41)根据反馈信号矩阵对接收矩阵信号进行反馈，得到待放大矩阵E：E＝A‑F(42)确定信号放大比例m；(43)对待放大矩阵E进行放大，构造矩阵R'：R'＝m×E；(44)对矩阵R'进行反对数运算，得到供输入给多输入输出系统的信号矩阵Ri(t)(45)构造迭代函数f：其中表示取上整数；所述lg处理函数可以替换为ln处理函数，且反对数运算相应地替换为幂指数函数的反对数计算；所述步骤(11)中的预定条件为：与节点N_i连接的路径的使用概率大于预设阈值，该使用概率其中w为对节点N_i的已监测周期，γ^k(S_Ni(t))表示路径k是否被授权使用，当其被使用时γ^k(S_Ni(t))＝1，否则γ^k(S_Ni(t))＝0，即表示节点N_i在已监测周期w内存在信号的次数；所述幂指数函数的反对数计算采用ex形式的函数进行。