[发明专利]一种基于复合正弦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，尤其是涉及一种基于复合正弦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。所谓盲检测是指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、粒子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，许多文献开始利用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.]论证了基于HNN的盲检测算法研究已有初步成效，以及网络趋向稳定平衡的充要条件。文献[张昀，张志涌，于舒娟.基于幅值相位型Hopfield神经网络的多进制振幅键控盲检测[J].物理学报,2012,61(14):140701-1-140701-9.]提出了一种基于幅相型离散多电平激活复数Hopfield神经网络(CHNN-APHM)的新算法，并分别在同步和异步更新模式下分析了新网络的稳定性。文献[阮秀凯,张志涌.基于连续Hopfield型神经网络的QAM信号盲检测[J].电子与信息学报,2011,33(7):1600-1605.]提出了一种使用连续Hopfield型神经网络的多值平方QAM信号的盲检测算法，并设计出一种与之相应的复数激活函数。然而，由于梯度下降的动力学特性，Hopfield神经网络很容易陷入局部最小值，有时甚至不能得到全局最优或近最优解。因此，一些学者将混沌技术引入Hopfield神经网络。为了获取全局最优解，他们利用各态历经性和混沌的随机性避免网络陷入组合优化问题的局部最小值。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]指出暂态混沌神经网络(Transient Chaotic Neural Networks,TCNN)可以避免陷入局部最优。然而，TCNN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，需要一种新的复合正弦混沌神经网络，以改进复合正弦混沌神经网络(ICSCNN)，使得它不仅具有较强的全局搜索能力且具有较高的搜索效率。

发明内容

本发明为了克服现有技术的缺陷和不足，提供一种基于复合正弦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时变增益参数函数和分段指数退火函数，既继承了混沌神经网络的优点又显著改善了算法的收敛性能。该网络旨在为无线通信网的信号盲检测提供一种避免陷于局部最优解且收敛速度极快的算法，即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：

一种基于复合正弦混沌神经网络的信号盲检测方法，其特征在于，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是由信道冲激响应h_j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；