[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

摘要

本发明公开了一种基于NARX神经网络与块状反馈的信道均衡方法，该方法基于时间序列的NARX神经网络和判决反馈结构，构建了适用于存在码间干扰及频率选择性衰落信道的均衡器，利用反向传播算法训练得到最优参数；使用块状判决输出作为训练集对神经网络进行再训练，跟踪信道的变化；对MSE损失函数添加误差权重，减小错误均衡输出对神经网络再训练的影响。本发明具有自适应性，适用的信道环境更广，能够提升神经网络在时变信道的均衡性能，并且具有较低复杂度。

主权项

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NARX‑DFE对新的接收数据进行均衡。