[发明专利]基于改进的离散多电平混沌神经网络的信号盲检测方法

摘要

本发明提出了基于改进的离散多电平混沌神经网络的信号盲检测方法。所述方法将混沌映射应用在离散多电平神经网络MQAM星座信号中，利用混沌具有全局搜索的特点，将Tent映射函数引入自反馈连接系数的调整之中作为神经元的自反馈连接权值，构造了基于改进的离散多电平混沌神经网络模型；调整Tent映射函数的控制参数，避免神经网络陷入极小值点。本发明方法能够减少数据量长度，提高多电平盲检测的抗噪声能力，综合多方面提高了多电平盲检测的性能。

主权项

1.基于改进的离散多电平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hjj构成的块Toeplitz矩阵；(·)T表示矩阵转置；其中，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；时刻k为自然数；hjj＝[h0,…,hM]q×(M+1)，jj＝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：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_RI＝[A‑Q_RI]，其中A是单位矩阵，Q_R是补投影算子Q的实部，Q_I表示补投影算子Q的虚部，据此构造性能函数以及优化问题：其中，表示信号的估计值，arg min()表示使目标函数取最小值时的变量值，d为延时因子，d＝{0,…,M+L}；s为N维复向量，其元素的实部为s_R，其虚部为s_I，实部和虚部都属于集合B，B＝{±1,±3,…,±f_n|f_n＝1+2(n‑1)}；f₁＝1，Δf＝f_ii+1‑f_ii＝2，ii∈[1，n‑1]，2n为发送信号集合的电平数；如此盲检测问题就成了优化问题的全局最优解问题；步骤D，混沌神经网络能利用混沌动力学行为进行全局优化以防陷入局部最小值点，所以本发明将混沌神经网络引入离散多电平神经网络中，构造离散多电平混沌神经网络；再将混沌映射zi(t)应用到离散多电平混沌神经网络中，构成改进的离散多电平混沌神经网络模型，改进后神经网络模型的动态方程为：si(t)＝σ(xi(t))对该方程进行迭代运算，然后把每次迭代的结果代入改进的离散多电平混沌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)＝si(t‑1)时，该离散多电平混沌神经网络达到平衡，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，ωij是从第j个分量sj到第i个分量si之间的权值大小，且wij＝wji；t为网络迭代过程中运行的时间，该网络中的连续时间t和离散时间k通过欧拉公式实现转换；α为扰动系数，ε为该网络的耦合因子；λ为衰减因子，且0≤λ≤1；σ(·)为神经元的激活函数；接收信号s(t)＝[s1(t),s2(t),…,sN(t)]T,复数信号{sj(t)＝sRj(t)+i·sIj(t),sRj(t)∈B,sIj(t)∈B|j＝1,2,…,N},该网络达到最后平衡时，si(t)＝xi(t)，si(t)即为所求的发送信号；将Tent映射函数zi(t)引入自反馈连接系数的调整之中作为第i个神经元的自反馈连接权值，β为变量zi(t)的控制参数，β∈(0,1)；σ(·)为神经元的激活函数,σ(·)＝σR(·)+i·σI(·),且σR(·)＝σI(·)：m表示R或者I，表示向下取整，|·|表示取绝对值,t为函数的自变量，mod(·,N)表示对N取余；步骤D中所述的离散多电平混沌神经网络的能量函数为：同步更新模式下：异步更新模式下：其中：N表示混沌神经网络的神经元的个数；E(k)为该混沌神经网络的能量函数；为接收信号,b＝(Δf)²，sRj(k)，sIj(k)分别是信号sRIj(k)的实部与虚部分量；为利用改进的离散多电平混沌神经网络实现信号盲检测，求解性能函数的信号盲检测问题，将所述性能函数的最小值点对应于能量函数的最小值点；连续时间t和离散时间k之间通过欧拉公式进行相互转换，在神经网络达到稳定时xi(t)记为si(t)的估计值；能量函数E(k)的最小值解点处的信号即为所需检测的发送信号。