一种基于改进粒子群优化BP神经网络的盲信道均衡方法技术

本发明专利技术设计了一种基于改进粒子群优化(Particle Swarm Optimization，PSO)BP(Back Propagation)神经网络的盲信道均衡方法。在基于BP神经网络的盲均衡问题的处理中，BP神经网络初始权值和阈值的确定缺乏理论依据，存在收敛速度慢、易陷入局部极小值等缺陷，导致信道盲均衡效果差。为克服BP神经网络的缺陷，提高信道盲均衡效果，本发明专利技术提出一种基于改进PSO‑BP神经网络的盲均衡方法。该方法首先克服基本粒子群算法的缺陷，对基本粒子群的参数进行改进，自适应调节惯性权重和学习因子；其次利用改进粒子群全局搜索能力强的优点优化神经网络的初始权值和阈值，再利用BP算法在这个局部空间进行更精确地搜索，得到神经网络最佳连接权值和阈值；最后实现基于改进PSO‑BP神经网络的盲均衡。

【技术实现步骤摘要】
一种基于改进粒子群优化BP神经网络的盲信道均衡方法
：本专利技术涉及无线通信领域，尤其涉及一种基于改进粒子群优化BP神经网络的盲信道均衡方法。
技术介绍
：盲均衡技术仅利用接收信号本身的统计特性来均衡信道进而消除信道畸变引起的码间串扰，提高通信质量，具有广阔的应用前景。随着人工智能的发展，用具有大规模并行处理能力的非线性动态系统神经网络来解决盲均衡已经成为一个重要的研究领域，它可以达到以往的盲均衡算法所不能达到的均衡效果。采用神经网络的盲均衡算法既可以均衡最小相位信道，也可以均衡非最小相位信道，包括非线性信道。但是，以BP(BackPropagation)算法为基础的前馈神经网络盲均衡具有不可避免的缺陷，具体表现在：(1)收敛速度慢。为达到好的均衡效果，BP算法的步长不能太大，较小的学习速率虽然能够确保网络收敛，但是网络需要的调整次数增加，使网络收敛速度变慢。(2)易陷入局部极小值。BP神经网络算法通过能够运用梯度下降法来确保网络收敛于一个稳定的值，但是这个稳定的值可能是网络的局部极小值。(3)网络的初始权值和阈值选取缺乏依据，具有随机性。BP算法是基于梯度下降的方法，不同的初始权值和阈值可能会导致完全不同的结果，初始权值和阈值取值不当会引起网络振荡或不收敛。粒子群优化(ParticleSwarmOptimization，PSO)算法于1995年被美国社会心理家Kennedy和美国电气工程师Eberhart提出，是一种基于对鸟群觅食过程中迁徙和聚集模拟的群体智能优化算法。算法的基本思想是通过群体中的协作和信息共享来寻找最优解。PSO算法中每个粒子就是解空间中的一个解，它根据自己的飞行经验和同伴的飞行经验来调整自己的飞行状态。每个粒子在飞行过程所经历过的最好位置，就是粒子本身找到的最优解。整个群体所经历过的最好位置，就是整个群体目前找到的最优解。前者叫做个体极值，后者叫做全局极值。每个粒子都通过上述两个极值不断更新自己，从而产生新一代群体，实际操作中通过由优化问题所决定的适应度函数值来评价粒子的“好坏”程度。很显然，种群中每个粒子的行为都是：追随着当前的最优粒子，在解空间中进行搜索。粒子群优化算法作为全局优化算法的一种，已经在许多工程实例中显示出极大的优势。由于粒子群算法概念简单明了，没有太多的参数设置和调整，不需要遗传算法的“交叉”和“变异”等复杂操作，收敛速度快且精度高；所以粒子群算法自提出后就得到国内外众多研究人员的广泛关注和研究。目前，该算法已成功应用于函数优化、神经网络训练、模式识别、模糊系统控制等诸多领，成为了智能优化与进行计算领域又一个新的研究热点。但由于粒子群算法本身也存在收敛速度慢、易陷入局部最优等缺陷，故需对其进行改进。由于粒子群算法具有全局搜索能力强的优点，可以通过粒子群算法对神经网络的连接参数进行优化，弥补神经网络算法对网络参数初始化设置敏感及容易陷入局部极小值点的不足。同时，粒子群算法易于实现、结构简单，与其他算法容易结合；粒子群算法采用并行运算，运算速度快，资源利用率高。将两种算法结合后，可以提高神经网络算法的收敛精度和泛化能力。
技术实现思路
：专利技术目的为了解决神经网络对网络参数初始化设置敏感及容易陷入局部极小值点等缺陷，本专利技术提出改进的简化粒子群优化算法与BP算法相结合训练神经网络，通过学习训练确定神经网络的连接权值和阈值。在该算法中把每个粒子的维度与网络的权值和阈值同时建立映射关系进行优化。本专利技术提出的一种基于改进粒子群优化BP神经网络的盲信道均衡方法，其特征在于，包括：S1，根据基本的盲均衡原理，确定BP神经网络的结构，包括神经网络的层数、输入层节点个数、隐含层节点个数和输出层节点个数。S2，对基本的粒子群算法进行改进。S3，用改进的粒子群算法优化BP神经网络。S4，将改进粒子群优化的神经网络用于盲信道均衡。所述的一种基于改进粒子群优化BP神经网络的盲信道均衡算法，其特征在于，所述S1中包括：盲均衡原理为：发射机发送的信号x(n)经过一未知信道h(n)后叠加一噪声信号s(n)得到y(n)，y(n)为均衡器的输入，通过均衡器均衡后得到均衡器输出信号再通过判决器后得到根据盲均衡原理，三层前馈神经网络所实现的非线性映射，可以逼近任何连续函数网络，而且结构简单，运算量相对较小，所以在盲均衡的应用中，经常使用三层网络；本专利技术采用具有三层结构、一个输出节点的前馈神经网络，将均衡器的输入作为神经网络输入层的输入，均衡器输出作为神经网络输出层的输出，设输入层节点为M个，隐含层节点为N个，输出层节点为1个。所述的一种基于改进粒子群优化BP神经网络的盲信道均衡算法，其特征在于，所述S2中包括：基本的粒子群算法基本描述为：在一个D维空间，种群由N个粒子构成，将第i个粒子的位置表示为公式Xi＝(xi1,xi2,...,xiD)i＝1,2,...,N这个粒子的运动速度表示为公式Vi＝(vi1,vi2,...,viD)i＝1,2,...,N这个粒子到目前为止在空间中搜索到的最优位置则即为个体极值，表示为公式Pibest＝(pi1,pi2,...,piD)i＝1,2,...,N群体中所有粒子搜索到的最优位置即为全局极值，表示为公式Pgbest＝(pg1,pg2,...,pgD)其中，下标g表示全局的含义；则群体中的所有粒子可根据以下两个公式来不断调整自身的位置和速度达到寻找最优解的目的。其中，vid为第i个粒子的第d个速度分量，xid为第i个粒子的第d个位置分量，pid为第i个粒子第d个的最好位置分量，pgd为全部粒子中的第d个最好位置分量，t为当前迭代次数，c1和c2为学因子，r1和r2为[0，1]范围内的随机数；w为惯性权重，一般为线性递减的，即w＝wmax-(wmax-wmin)t/Tmax；其中，wmax为惯性权重的最大值，wmin为惯性权重的最小值，t为当前迭代次数，Tmax为最大迭代次数。在粒子在飞行过程中，粒子状态是不断变化的，因此，需要根据群体的状态对算法的参数做自适应的调整来平衡粒子群算法的全局和局部的搜索能力，考虑到这个问题，本专利技术中对惯性权重和学习因子的取值进行了改进。惯性权重w的改进：改进的惯性权重w′，随着迭代次数的增加，前期下降的比较快，后期下降缓慢，公式如下：w′＝a(wmax-wmin)[arccot(t/Tmax)]3+bwmin其中，wmax为惯性权重的最大值，一般取wmax＝0.9，wmin为惯性权重的最小值，一般取wmin＝0.4，t为当前迭代次数，Tmax为最大迭代次数，这里取Tmax＝1500，a和b调节曲线的幅度，这里取a＝0.3，b＝0.8。学习因子的改进：改进的c1曲线，随着迭代的进行，前期下降的比较快，后期下降缓慢；而改进的c2曲线，随着迭代的进行，前期上升的比较快，后期上升缓慢，具体公式如下：c2＝4-c1其中，k调节曲线的幅度，这里取k＝2；c1start为c1的起始值，这里取c1start＝2，c1end为c1的终值，这里取c1end＝1；t为当前迭代次数，Tmax为最大迭代次数，同样Tmax＝1500，这里满足c1+c2＝4。所述的一种基于改进粒子群优化BP神经网络的盲信道均衡算法，其特征在于，所述S3中包括：基于改进粒子群优化BP本文档来自技高网...

【技术保护点】
一种基于改进粒子群优化BP神经网络的盲信道均衡方法，其特征在于，包括：S1，根据基本的盲均衡原理，确定BP神经网络的结构，包括神经网络的层数、输入层节点个数、隐含层节点个数和输出层节点个数；S2，对基本的粒子群算法进行改进；S3，用改进的粒子群算法优化BP神经网络；S4，将改进粒子群优化的神经网络用于盲信道均衡。

【技术特征摘要】
1.一种基于改进粒子群优化BP神经网络的盲信道均衡方法，其特征在于，包括：S1，根据基本的盲均衡原理，确定BP神经网络的结构，包括神经网络的层数、输入层节点个数、隐含层节点个数和输出层节点个数；S2，对基本的粒子群算法进行改进；S3，用改进的粒子群算法优化BP神经网络；S4，将改进粒子群优化的神经网络用于盲信道均衡。2.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的盲信道均衡算法，其特征在于，所述S1中包括：盲均衡原理为：发射机发送的信号x(n)经过一未知信道h(n)后叠加一噪声信号s(n)得到y(n)，y(n)为均衡器的输入，通过均衡器均衡后得到均衡器输出信号再通过判决器后得到根据盲均衡原理，三层前馈神经网络所实现的非线性映射，可以逼近任何连续函数网络，而且结构简单，运算量相对较小，所以在盲均衡的应用中，经常使用三层网络；本发明采用具有三层结构、一个输出节点的前馈神经网络，将均衡器的输入作为神经网络输入层的输入，均衡器输出作为神经网络输出层的输出，设输入层节点为M个，隐含层节点为N个，输出层节点为1个。3.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的盲信道均衡算法，其特征在于，所述S2中包括：基本的粒子群算法基本描述为：在一个D维空间，种群由N个粒子构成，将第i个粒子的位置表示为公式Xi＝(xi1,xi2,...,xiD)i＝1,2,...,N这个粒子的运动速度表示为公式Vi＝(vi1,vi2,...,viD)i＝1,2,...,N这个粒子到目前为止在空间中搜索到的最优位置则即为个体极值，表示为公式Pibest＝(pi1,pi2,...,piD)i＝1,2,...,N群体中所有粒子搜索到的最优位置即为全局极值，表示为公式Pgbest＝(pg1,pg2,...,pgD)其中，下标g表示全局的含义；则群体中的所有粒子可根据以下两个公式来不断调整自身的位置和速度达到寻找最优解的目的。其中，vid为第i个粒子的第d个速度分量，xid为第i个粒子的第d个位置分量，pid为第i个粒子第d个的最好位置分量，pgd为全部粒子中的第d个最好位置分量，t为当前迭代次数，c1和c2为学因子，r1和r2为[0，1]范围内的随机数；w为惯性权重，一般为线性递减的，即w＝wmax-(wmax-wmin)t/Tmax；其中，wmax为惯性权重的最大值，wmin为惯性权重的最小值，t为当前迭代次数，Tmax为最大迭代次数；在粒子在飞行过程中，粒子状态是不断变化的，因此，需要根据群体的状态对算法的参数做自适应的调整来平衡粒子群算法的全局和局部的搜索能力，考虑到这个问题，本发明中对惯性权重和学习因子的取值进行了改进；惯性权重w的改进：改进的惯性权重w′，随着迭代次数的增加，前期下降的比较快，后期下降缓慢，公式如下：w′＝a(wmax-wmin)[arccot(t/Tmax)]3+bwmin其中，wmax为惯性权重的最大值，一般取wmax＝0.9，wmin为惯性权重的最小值，一般取wmin＝0.4，t为当前迭代次数，Tmax为最大迭代次数，这里取Tmax＝1500，a和b调节曲线的幅度，这里取a＝0.3，b＝0.8；学习因子的改进：改进的c1曲线，随着迭代的进行，前期下降的比较快，后期下降缓慢；而改进的c2曲线...

【专利技术属性】
技术研发人员：廖勇，姚海梅，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50