[发明专利]基于双Sigmoid复数连续神经网络的信号盲检测方法

摘要

本发明提供了基于双Sigmoid复数连续神经网络的信号盲检测方法，所述方法设计了新的激活函数以减弱在0点周围对网络输入值的敏感度；利用新激活函数，在不影响收敛时间的前提下，误码率下降，改善了抗噪声能力；为了提高系统收敛速度，在复数连续Hopfield型神经网络的基础上引入双Sigmoid结构，构建本发明双Sigmoid复数连续Hopfield型神经网，在相同的信噪比条件下，以状态向量和平衡点之间的距离范数为指标，本发明双Sigmoid复数连续Hopfield型神经网络算法比传统双Sigmoid神经网络收敛速率更快，优化了HNN神经网络性能。

主权项

基于双Sigmoid复数连续神经网络的信号盲检测方法，其特征在于，包括如下步骤：步骤A，构造接收数据矩阵：接收端接收单个用户发送信号，经过过采样，获得离散时间信道的接收方程：XN＝SΓT式中，XN是接收数据阵，S是发送信号阵，Γ是由信道冲激响应hpp构成的块Toeplitz矩阵；(·)T表示矩阵转置；其中，S=[sL+M(k),...,sL+M(k+N-1)]N×(L+M+1)T,]]>M为信道阶数，L为均衡器阶数，N为所需数据长度；sL+M(k)＝[s(k),…,s(k‑L‑M)]T；其中，s∈{±1}，时刻k为自然数；hpp＝[h0,…,hM]q×(M+1)，pp＝0,1,…,M；q是过采样因子，取值为正整数；XN＝[xL(k),…,xL(k+N‑1)]T是N×(L+1)q接收数据阵，其中xL(k)＝Γ·sL+M(k)；步骤B，接收数据矩阵奇异值分解：XN=[U,Uc]·D0·VH]]>式中，(·)H是Hermitian转置；U是奇异值分解中的N×(L+M+1)酉基阵；0是(N‑(L+M+1))×(L+1)q零矩阵；V是(L+1)q×(L+1)q酉基阵；Uc是N×(N‑(L+M+1))酉基阵；D是(L+M+1)×(L+1)q奇异值阵；步骤C，设置权矩阵W＝IN‑Q，其中IN是N×N维的单位阵，步骤D，首先设计新的激活函数应用于复数连续Hopfield型神经网络，证明新激活函数的可行性；然后为了提高系统收敛速度，在复数连续Hopfield型神经网络的基础上引入双Sigmoid结构，构建新型双Sigmoid复数连续Hopfield型神经网，将新激活函数设计为第一个Sigmoid函数，第二个Sigmoid函数采用传统激活函数；所述双Sigmoid复数连续Hopfield型神经网络动态方程为：dsi(t)dt=f2i(f1i(xi(t)))]]>xi(t)=Σp=1Nωipsp(t)]]>对该方程进行迭代运算，然后把每次迭代的结果代入双Sigmoid复数连续Hopfield型神经网络的能量函数E(t)中，当该能量函数E(t)达到最小值，即si(t)＝xi(t)时，双Sigmoid复数连续Hopfield型神经网络达到平衡，迭代结束；其中si(t)，xi(t)分别为S和XN第i个分量在t时刻的状态，f1i(.)为第一个Sigmoid函数，f2i(.)为第二个Sigmoid函数，ωip是从第p个分量sp到第i个分量si之间的权值大小；i＝1,...,N；所述新设计的激活函数为f(x)，具体如下式：fR(x)=fI(x)=A[arctan(Bx0)+0.5(1+arctan(Bx-x0))1+arctan(Bx0)ϵ(x)+0.5(1+arctan(Bx+x0))1+arctan(Bx0)ϵ(-x)]]]>f(x)＝fR(x)+j·fI(x)其中，A是映射因子，它控制f(x)的映射区间，所述映射区间[‑1,1]；B为放大因子，它决定着函数的斜度，B越小，f(x)函数的斜度越小；x0是网络的门限值，只有当网络输入的模值比x0的模值大时，f(x)的曲线图才会变陡；ε(x)表示阶跃函数，ε(‑x)和ε(x)关于y轴对称，x表示函数输入信号；R,I分别表示激活函数的实部与虚部，j是虚数单位；双Sigmoid复数连续Hopfield型神经网络的能量函数E(t)为：E(t)=-12sH(t)Ws(t)+Σi=1N(∫0sRi(t)f-1(x)dx+∫0sIi(t)f-1(x)dx)]]>其中：N表示该Hopfield型神经网络的神经元个数；E(t)为该Hopfield型神经网络的能量函数；矩阵W为Hopfield神经网络的权矩阵，且W＝WH，矩阵W的对角元ωii＞0；s(t)为接收信号,sH(t)为s(t)的共轭转置，sRi、sIi分别是信号的实部与虚部分量；fi‑1(τ)为第i个神经元的Sigmoid函数fi(τ)的反函数。