基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法技术

基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，包括如下步骤：S1、获取单个HNN神经元的状态；S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；S4、根据接收数据矩阵优化为幅值相位型离散Hopfield神经网络结构；S5、构建带扰动的幅相型离散Hopfield神经网络。本发明专利技术在Hopfiled神经网络的基础上将扰动因子加在权矩阵和激活函数之间，既继承了神经网络的所有优点且其收敛速度更快并不容易陷入局部最小，为无线通信网提供了准确且快速的信号盲检测方法。

【技术实现步骤摘要】
基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法
本专利技术属于无线通信信号处理及神经网络
，具体涉及一种基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法。
技术介绍
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(BlindDetection)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。为了解决传统智能算法都存在收敛速度慢和容易陷入局部最优解的问题，常用的改进思路有很多，文献[冯迪,于舒娟,张昀.一种改进激活函数的Hopfield盲检测算法[J].计算机技术与发展,2013,22(12):207-210.]中提出使用新的激活函数，通过引入新的激活函数来提高HNN盲检测算法的抗干扰性能，此法在BPSK信号盲复原中有很好的效果，但是针对多进制的MPSK信号很难在激活函数上面做文章。文献[郑鑫.带扰动的混沌神经网络模型研究[D].哈尔滨工程大学.2008.]研究了不同扰动对混沌神经网络的影响。文献[徐耀群.带扰动的混沌神经网络的研究[J]计算机工程与应用.2008,44(36):66-69.]中提出给混沌神经网络算法中加入扰动因子，文献[屈迟文.基于决策者与带扰动因子的布谷鸟算法[J].计算机应用与软件.2014,31(7):290-293]提出带扰动因子的布谷鸟算法，文献[赵志刚.带扰动因子的自适应粒子群优化算法[J].计算机科学.2013,40(12):68-70.]提出带扰动因子的自适应粒子群优化算法等都能有效避免陷入局部最优解，提高算法性能。
技术实现思路
本专利技术的目的在于：提供一种基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，在Hopfiled神经网络的基础将扰动因子加在权矩阵和激活函数之间，既继承了神经网络的所有优点且其收敛速度更快并不容易陷入局部最小。为了达到以上目的，提供基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，包括如下步骤：S1、获取单个HNN神经元的状态；S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；S4、通过接收数据矩阵的分解分解得到Q矩阵，并配置Hopfield神经网络的权矩阵W＝[I-Q],为使盲检测中的优化函数的最小值与Hopfield能量函数中的最小值相对应；S5、构建带扰动的幅相型离散Hopfield神经网络，并验证其不易陷入局部最小值点。本专利技术的优选方案是：步骤S1中，计算单个HNN神经元的状态方程为：y(t)＝σ(x(t))；其中y为输出，x为神经元的当前状态，w为连接权值，v为偏置，α为取常数的衰退因子，σ(x(t))为Sigmoid型激活函数。优选的步骤S2中，多个神经元使用权值相互连接得到的Hopfield神经网络结构的状态方程和输出方程分别为：yi(t)＝σi(xi(t)),i＝1,2,…,n；其中，αi为取常数的衰退因子，xi(t)为神经元的当前状态，yi(t)为输出，wij为神经元i与j之间的连接权值，si为常量；σi(xi(t))为Sigmoid型激活函数；Hopfield神经网络结构对应的动态方程为：s(k+1)＝σ(Ws(k))＝σ(y(k))；共有N个神经元，则输入向量为s(k)＝[s1(k),s2(k),…,sN(k)]T，则：其中，wij为两个神经元sj与si之间的神经元联结权值，权矩阵W∈CN×N，权矩阵等于自身的共轭转置，即WH＝W，激活函数的表达式为：其中，u为激活函数的输入部分，先将输入写成指数形式，au和分别是幅值和相角，令则为量化单位角，K为MPSK星座上的信号数，l＝0,1,…,(K-1)，当为8PSK信号，则K＝8，整个平面被平均分成8个扇区，每个扇区包含一个量化点zl,l＝0,1,…,7，扇区l内的任何输入经过激活函数的输出都为zl。优选地，步骤S3中，单输入多输出经过的采样接收方程为：其中，q为过采样因子，M为信道的阶数，x(k)为接收信号矩阵，s(k)为发送信号矩阵，v(k)为加性噪声，发送信号与加性噪声相互独立，则公式为：XN＝SΓH；其中，S＝[sL+M(k),…,sL+M(k+N-1)]H＝[sN(k),…,sN(k-M-L)]N×(L+M+1)为发送信号阵，Γ为由hj,j＝0,1,…,M构成的维数为(L+1)q×(L+M+1)的块Toeplitz平滑矩阵，L是均衡器的参数，[h0,…,hM]q×(M+1)为通信信道的冲激响应；(XN)N×(L+1)q＝[xL(k),...,xL(k+N-1)]H为接收数据阵。更优选地，当ΓH满秩时，则存在满足QsN(k-d)＝0。Uc是由接收矩阵通过奇异值分解得到的，且使Uc∈CN×(N-(L+M+1))成立，则构建新能函数为：其中，为所需检测的原始信号；配置连接权矩阵W＝[I-Q]，N×N维的单位阵，则当幅值相位型离散Hopfield神经网络的输出为最终解时，有s(k)＝s(k-1)成立；此时网络达到平衡网络的发送信号即为网络平衡点信号。优选地，步骤S5中，带扰动的幅相型离散Hopfield神经网络的动态方程为：其中，为扰动因子，W为神经网络的连接权值矩阵；当为固定扰动，则：当为自扰动，则：当为退火扰动，则：其中，α1＝-0.01，α2＝-0.1，β＝0.002，α0＝-0.1。本专利技术有益效果为：本专利技术在Hopfiled神经网络的基础将扰动因子加在权矩阵和激活函数之间，既继承了神经网络的所有优点且其收敛速度更快并不容易陷入局部最小，为无线通信网提供了准确且快速的信号盲检测方法。附图说明下面结合附图对本专利技术作进一步的说明。图1为本专利技术的方法流程示意图。图2为本专利技术的CHNN_APHM盲检算法对输入信号数据长度的依赖性仿真图。图3为本专利技术的DTCNN-ACPHM盲检算法在固定扰动下对输入信号数据长度的依赖性仿真图；图4为本专利技术的DTCNN-ACPHM盲检算法在自扰动下对输入信号数据长度的依赖性仿真图；图5为本专利技术的DTCNN-ACPHM盲检算法在退火自扰动下对输入信号数据长度的依赖性仿真图；图6为随机信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示意图。图7为在不含有公零点的信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示意图。图8为在含有一个公零点的信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示意图。图9为在含有两个公零点的信道下CHNN_APHM盲检算法、固定扰动下的DTCNN-ACPHM盲检算法、自扰动下的DTCNN-ACPHM盲检算法和退火自扰动下的DTCNN-ACPHM盲检算法的误码率比较示本文档来自技高网...

【技术保护点】
1.基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，包括如下步骤：S1、获取单个HNN神经元的状态；S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；S4、通过接收数据矩阵的分解分解得到Q矩阵，并配置Hopfield神经网络的权矩阵W＝[I‑Q],为使盲检测中的优化函数的最小值与Hopfield能量函数中的最小值相对应；S5、构建带扰动的幅相型离散Hopfield神经网络，并验证其不易陷入局部最小值点。

【技术特征摘要】
1.基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，包括如下步骤：S1、获取单个HNN神经元的状态；S2、根据各HNN神经元的状态获取多个神经元使用权值相互连接得到的Hopfield神经网络结构，并计算其相对应的动态方程；S3、根据Hopfield神经网络结构的输出构建接收数据矩阵；S4、通过接收数据矩阵的分解分解得到Q矩阵，并配置Hopfield神经网络的权矩阵W＝[I-Q],为使盲检测中的优化函数的最小值与Hopfield能量函数中的最小值相对应；S5、构建带扰动的幅相型离散Hopfield神经网络，并验证其不易陷入局部最小值点。2.根据权利要求1所述的基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，所述步骤S1中，计算单个HNN神经元的状态方程为：y(t)＝σ(x(t))；其中y为输出，x为神经元的当前状态，w为连接权值，v为偏置，α为取常数的衰退因子，σ(x(t))为Sigmoid型激活函数。3.根据权利要求1所述的基于带扰动的幅相型离散Hopfield神经网络的信号盲检测方法，其特征在于，所述步骤S2中，多个神经元使用权值相互连接得到的Hopfield神经网络结构的状态方程和输出方程分别为：yi(t)＝σi(xi(t)),i＝1,2,…,n；其中，αi为取常数的衰退因子，xi(t)为神经元的当前状态，yi(t)为输出，wij为神经元i与j之间的连接权值，si为常量；σi(xi(t))为Sigmoid型激活函数；Hopfield神经网络结构对应的动态方程为：s(k+1)＝σ(Ws(k))＝σ(y(k))；共有N个神经元，则输入向量为s(k)＝[s1(k),s2(k),…,sN(k)]T，则：其中，wij为两个神经元sj与si之间的神经元联结权值，权矩阵W∈CN×N，权矩阵等于自身的共轭转置，即WH＝W，激活函数的表达式为：其中，u为激活函数的输入部分，先将输入写成指数形式，au和分别是幅值和相角，令则为量化单位角...

【专利技术属性】
技术研发人员：于舒娟，张昀，曹健，杨杰，李冰蕊，张治民，
申请(专利权)人：南京邮电大学，南京邮电大学南通研究院有限公司，
类型：发明
国别省市：江苏,32