[发明专利]模糊神经网络控制的混合小波神经网络盲均衡方法

权利要求书

1.一种模糊神经网络控制的混合小波神经网络盲均衡方法，其特征在于包括如下步骤：

a.)将发射信号x(n)经过脉冲响应信道得到信道输出向量b(n)，其中n为正整数，表示时间序列，下同；

b.)采用信道噪声N(n)和步骤a所述的信道输出向量b(n)得到盲均衡器的输入序列：y(n)＝b(n)+N(n)；

c.)将步骤b所述的盲均衡器的输入序列y(n)依次经过改进的混合小波神经网络得到输出信号

利用模糊神经网络(FNN)来调整改进的混合小波神经网络中神经元小波函数中平移因子和尺度因子的迭代步长，并以均方误差E(n)＝MSE(n)与均方误差的偏差ΔE(n)＝MSE(n)-MSE(n-1)作为模糊神经网络控制器的输入。

2.根据权利要求1所述的模糊神经网络控制的混合小波神经网络盲均衡方法，其特征在于所述改进的混合小波神经网络的构建方法如下：

横向滤波器构成了改进的混合小波神经网络的线性部分，而小波神经网络(WNN)构成了非线性部分；横向滤波器第i个抽头系数为c_i(n)，i＝1，2，…，m，m为小波神经网络混合小波神经网络(HWNN)输入层神经元的个数，下同；改进的混合小波神经网络输入层第i个神经元的输入为T_i(n)，隐层第k个神经元的输入为u_k(n)，输出为Q_k(n)，k＝1，2，…，p，p为HWNN隐层神经元的个数，下同；输出层的输入为g(n)，输出为输入层第i个神经元至隐层第k个神经元的连接权重为w_ik(n)，隐层第k个神经元至输出层的连接权重为v_k(n)；

将网络的信号、信道、权值等分解为实部和虚部两部分，则网络的状态方程为

c_i(n)＝c_i，R(n)+jc_i，I(n)                                             (1)

式中，c_i，R(n)为c_i(n)的实部，c_i，I(n)为c_i(n)的虚部，为虚数单位，下同；

    w_ik(n)＝w_ik，R(n)+jw_ik，I(n)                                            (2)

    v_k(n)＝v_k，R(n)+jv_k，I(n)                                               (3)

    y(n)＝y_R(n)+jy_I(n)                                                      (4)

Ti(n)=Σt=1ict(n)y(n+1-t)=Σt=1i(ct,R(n)yR(n+1-t)-ct,I(n)yI(n+1-t))]]>

+jΣt=1i(ct,R(n)yI(n+1-t)+ci,I(n)yR(n+1-t))---(5)]]>

uk(n)=Σi=1mwik(n)Ti(n)=Σi=1m[wik,R(n)Ti,R(n)-wik,I(n)Ti,I(n)]]]>

+jΣi=1m[wik,R(n)Ti,I(n)-wik,I(n)Ti,R(n)]---(6)]]>

    Q_k(n)＝ψ_a，b(u_k，R(n))+jψ_a，b(u_k，I(n))                               (7)

式中，ψ_a，b(·)表示对隐层输入信号进行小波变换，这里选择Morlet小波母函数，则

ψa,b(uk,R(n))=|a|-12ψ(uk,R(n)-ba)=|a|-12(uk,R(n)-ba)e-12(uk,R(n)-ba)2---(8)]]>

式中，b为平移因子，a为尺度因子；将式(8)中u_k，R(n)换成u_k，I(n)就得到ψ_a，b(u_k，I(n))的表达式，小波神经网络的输出为：

x~2(n)=Σk=1p[vk,R(n)Qk,R(n)-vk,I(n)Qk,I(n)]+jΣk=1p[vk,R(n)Qk,I(n)+vk,I(n)Qk,R(n)]---(9)]]>

横向滤波器的输出为：

x~1(n)=ciT(n)y(n+1-i),i=1,2,···,m---(10)]]>

将和加权融合，得：

g(n)=αx~1(n)+βx~2(n)---(11)]]>

式中，0≤α，β≤1，为加权因子，并且满足α+β＝1，改进的HWNN最终输出为：

x~(n)=f(g(n))=g(n)+λsin(πg(n))---(12)]]>

式中，f(·)为输出层的输入和输出之间的传递函数，其中λsin(πg(n))是以g(n)为自变量的非线性修正项，它使得在原信号中心点附近左右摆信号向原信号靠拢。