论文部分内容阅读
基于Hopfield神经网络的盲检测算法不依赖于统计量、不受限于公零点信道,相比传统的盲检测算法有无可比拟的优势。但是,随着物联网、大数据等技术的发展以及4G、5G时代的到来,现代通信系统对信号传输的可靠性和有效性有了更高的要求。本文从上述因素入手,在传统Hopfield神经网络的基础之上做出了如下创新工作:(1)为了提高Hopfield神经网络(Hopfield Neural Network,HNN)的抗干扰能力,改善传统激活函数映射能力差、灵活性低、零点附近神经元对输入的敏感度较高等不足,本文第二章提出一种改进激活函数的Hopfield神经网络(Improved Adjustable Sigmod function Hopfield Neural Network,ASHNN)盲检测算法。改进的激活函数可以通过同时对陡峭度、位置及映射范围灵活调节来降低激活函数的导数值,降低零点附近神经元对输入值敏感度,从而提高盲检测系统的误码性能。实验仿真表明:改进的激活函数使Hopfield神经网络的学习能力和自组织能力得到提高,从而提高了盲检测算法的误码性能和收敛速度。(2)为了改善Hopfield神经网络易陷入局部最优以及迟滞混沌神经网络(Hysteresis Chaotic Neural Network,HCNN)收敛缓慢的缺点,本文第三章在暂态混沌神经网络(Transient Chaos Neural Network,TCNN)的基础之上提出双Sigmoid迟滞混沌神经网络(Double Sigmoid Hysteresis Chaos Neural Network,DS-HCNN)的盲检测算法。本文首先设计了新的迟滞激活函数并详细的研究了其参数的选取,接着构造新的能量函数并证明了其稳定性。最后仿真实验从误码性能、数据长度、收敛时间、距离范数等多角度证明了DS-HCNN算法的有效性。(3)为了进一步提升算法性能,本文第四章在第三章的基础之上提出双Sigmoid迟滞混沌噪声神经网络(Double Sigmoid Hysteresis Noise Chaos Neural Network,DS-HNCNN)盲检测算法:引入随机噪声扰动,使网络具有随机混沌模拟退火特性;给出分段随机模拟退火策略加快算法收敛速度。仿真实验表明:改进的DS-HNCNN算法又进一步优化了DS-HCNN算法,在相同初始条件下DS-HNCNN表现出更好的误码性能,所需发送序列的数据长度更短,而且可以很好地适用经典信道,收敛速度也得到进一步的提高,成功的实现了盲检测。