论文部分内容阅读
Hopfield神经网络盲检测算法具有所要求的数据量短、适用于公零点信道等优点,与文献基于统计量的盲检测算法相比,更能满足人们对无线数字通信系统提出的可靠性要求。但由于Hopfield神经网络采用梯度下降的优化策略易陷入局部最优,有时甚至收敛不到优化问题的最优解或者近似最优解。针对这一不足,本文受国家自然科学基金项目(项目批准号:61302155)的支持,在Hopfield神经网络中引入混沌技术,主要做出如下创新工作:(1)依据混沌初始化发送序列的优良遍历特性,本文第二章在Hopfield神经网络(Hopfield Neural Network,HNN)的基础上引入混沌初始化和混沌扰动,利用混沌映射产生初始发送序列,并且在算法出现早熟收敛时进行小幅度的混沌扰动,借此降低算法的误码率。仿真实验表明:改进的混沌Hopfield神经网络能够成功解算带约束的二次规划问题,从而实现BPSK信号盲检测,相对于文献算法改善了算法性能。(2)为了改善Hopfield神经网络易陷入局部最优以及暂态混沌神经网络(Transient Chaotic Neural Network,TCNN)收敛缓慢的缺陷,本文第三章在暂态混沌神经网络的基础上构建了一种改进的复合正弦混沌神经网络(Improved Compound Sine Chaotic Neural Network,ICSCNN),设计了新的能量函数并分别在同步和异步更新模式下证明了该网络的稳定性。仿真实验表明:与二阶统计量算法、Hopfield神经网络盲检测算法以及TCNN盲检测算法相比,本文提出的算法显著降低了算法的误码率和收敛时间,且所需的数据量更短,提高了盲检测性能。(3)由于小波函数具有良好的非线性特性,能使混沌的动力学特性表现的更为明显,本文第四章首先将小波混沌神经网络(Wavelet Chaotic Neural Network,WCNN)引入盲检测环境中,然后为每个神经元加一个激活函数构成双sigmoid小波混沌神经网络(Double Sigmoid Wavelet Chaotic Neural Network,DSWCNN),提出基于DSWCNN的盲检测算法,并依据DSWCNN的特性构建了新网络的模型,同时分别在同步和异步更新模式下证明了DSWCNN的稳定性。仿真实验表明:DSWCNN算法的收敛速度明显快于TCNN算法,很好地改善了TCNN收敛缓慢的缺陷;同时对信道具有一定的鲁棒性。