[发明专利]基于双Sigmoid混沌神经网络的信号盲检测方法

说明书

技术领域

本发明属于无线通信信号处理及神经网络技术领域，尤其是涉及基于双Sigmoid混沌神经网络的信号盲检测方法。

背景技术

数据通信和无线传感网技术的迅猛发展，对通信信号的盲检测（Blind Detection）提出了更高的要求。所谓盲检测仅利用接受信号本身便能够检测出发送信号，从而消除符号间干扰（ISI）以提高信息传输速率和可靠性。

为解决遗传、蚁群、免疫、微粒群等多种智能算法引起的容易陷入局部极小值且收敛速度慢的问题，许多文献开始使用Hopfield神经网络对信号盲检测问题进行研究。Hopfield神经网络（Hopfield Neural Networks,HNN）盲检测算法不受信道是否含公零点的限制且所需发送数据更短，与二阶统计量盲算法和高阶统计量盲算法相比，更能满足现代通信系统中高速数据传输的要求。文献[张昀，现代通信系统与通信信号处理[PhD],博士学位论文（南京：南京邮电大学）,2012.]基于HNN的盲检测算法研究已有初步成效，证明了网络趋向稳定平衡的充要条件。文献[Yang S,Lee C M,HBP:improvement in BP algorithm for an adaptive MLP decision feedback equalizer[J].IEEE Transactions on Circuits and System,2006,53(3):240-244]指出HNN算法往往会陷入局部极小点。文献[M Martín-Valdivia,A Ruiz-Sepúlveda,F Triguero-Ruiz,Improving local minima of Hopfield networks with augmented Lagrange multipliers for large scale TSPs[J].Neural Networks,2000,13(3):283-285]为解决局部极小点问题,在算法流程中，需在判断算法陷入局部极小值后,另行选择不同的起点,以得到全局最优点。文献[Luonan Chen,Kazuyuki Aihara,Chaotic simulated annealing by a neural network model with transient chaos[J].Neural Networks,1995，8(6):915–930]指出,混沌神经网络（Transiently Chaotic Hopfield Neural Network,TCHNN）可以避免陷入局部最优。然而，TCHNN具有负的自耦合，会导致能量函数的收敛速度变慢。针对这一问题，本发明提出了一种基于双Sigmoid混沌神经网络的信号盲检测方法，在混沌神经网络的基础上加上双Sigmoid激活函数，该网络既继承了混沌神经网络的所有优点且其收敛速度更快。

发明内容

本发明所要解决的技术问题是为了克服现有技术的缺陷和不足，提供基于双Sigmoid混沌神经网络的信号盲检测方法。本发明方法在混沌神经网络的基础上加上双Sigmoid激活函数，既继承了混沌神经网络的所有优点且其收敛速度更快。该网络旨在为无线通信网的全反馈网络的信号盲检测提供一种避免了陷于局部最优解的算法且收敛速度极快，为无线通信网提供了准确且快速的信号盲检测方法。

为解决上述技术问题，本发明所采用的技术方案是：

基于双Sigmoid混沌神经网络的信号盲检测方法，所述方法包括如下步骤：

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：

X_N=SΓ^T

式中，X_N是接收数据阵，S是发送信号阵，Γ是由信道冲激响h_jj构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，发送信号阵：

S=[s_L+M(k),…,s_L+M(k+N-1)]^T=[s_N(k),…,s_N(k-M-L)]_N×(L+M+1)，

M为信道阶数，L为均衡器阶数，N为所需数据长度；

s_L+M(k)=[s(k),…,s(k-L-M)]^T;其中，s∈{±1}，时刻k为自然数；