论文部分内容阅读
小波神经网络作为一种新的逼近工具已成为目前研究的热点,它继承了神经网络和小波变换的优点,通过训练自适应的调整小波基的形状实现小波变换,比单纯的小波分解使用更少的基函数单元,比BP网络具有更快的收敛速度。 在数字通信系统中,由于需要高速传输数据,常存在着码间干扰(ISI)。为克服由于信道作用产生的ISI,常在接收端使用均衡器对信道畸变进行补偿。传统的均衡器一般是线性均衡器(LTE),但当信道呈现一定的非线性特性时,LTE的性能会下降。均衡可以看作非线性分类问题,而神经网络可以形成复杂的非线性判决。 围绕以上内容,针对存在加性噪声和信道具有非线性失真等情况下,所作的主要工作有: (1) 研究了基于最小均方误差算法的线性均衡器(LMS-LTE)和基于递归最小二乘算法的线性均衡器(RLS-LTE),分析了线性均衡器的收敛速度慢、容错性能差等缺点; (2) 研究了作为均衡器的高维小波神经网络隐层单元数量过于庞大的问题。为了使网络实用并且规模最小,提出了一种初始化算法,并将使用新初始化方法的小波神经网络应用于通信系统的信道均衡,并与基于LMS算法的线性均衡器(LMS-LTE)、基于RLS算法的均衡器(RLS-LTE)和传统小波神经网络均衡器(WNNE)做了性能对比; (3) 为了加速网络收敛,把熵函数作为网络的代价函数,同时采用了带动量因子和变学习速度的收敛算法来修正网络的权值和减小逼近误差。