论文部分内容阅读
极限学习机(Extreme Learning Machine,ELM)是一种新型的单隐层前馈神经网络,相比于传统的前馈神经网络,其结构简单,隐层节点参数随机生成,输出层将网络的学习过程转换为线性方程的求解,可获得最小权重范数解,因而运行速度极快,具有良好的泛化性能,被广泛应用于函数拟合和分类等领域。盲均衡由于不需要训练序列,可获得更高的频谱利用率,神经网络因其强大的非线性映射及建模能力成为解决盲均衡问题的一种有效方法。本文通过对极限学习机理论的深入分析,针对其隐层参数的生成方式和输出权值的训练方式分别进行了相应的改进,并成功应用于通信信道的盲均衡。具体研究内容如下:(1)极限学习机隐层节点参数随机生成,不需要调整,虽然加快了训练速度,但是限制了对数据特征的充分挖掘,尤其在面对大数据或复杂数据时,会产生“维数灾难”,导致性能随之恶化。针对该问题,本文采用受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)生成极限学习机的隐层节点参数,同时为了加速RBM的训练并避免高计算复杂度,引入了一种分组方案,从而构造了两种新型的模型结构—RBM-H-ELM和FRBM-H-ELM,使其可以更好地提取高维大数据的特征信息。通过分类和回归的基准实验对新的模型进行了性能测试,结果表明,在保证训练速度与传统极限学习机可比拟的同时,尤其是在高维数据中,其分类精确度以及回归性能都得到了显著提升。(2)极限学习机输出权值的线性求解方法,虽然简化了训练过程,但是却丢失了部分通过隐层映射获得的数据信息的高阶统计特性,针对该问题,本文采用Volterra滤波器并结合主成分分析(Principal Component Analysis,PCA)技术构造了一种非线性输出权值的求解方法,将其灵活应用于极限学习机和快速减小的核极限学习机(Reduced Kernel Extreme Learning Machine,RKELM),从而构造了两种新型的模型结构—PVELM和PVRKELM,使其可以充分提取由隐层映射出的信号的高阶信息。通过多个分类数据集对新的模型进行了性能测试,结果表明,相比传统的极限学习机,无论是二分类还是多分类问题,在保证训练时间相差不大的同时,其分类精确度提高了 2%-10%。(3)基于预测原理,将ELM、RKELM以及提出的PVELM、PVRKELM用于解决通信信道的盲均衡问题,通过多个不同的信道进行了仿真实验。结果表明,相比于支持向量机(Support Vector Machine,SVM),所提算法在训练时间更少的前提下还可以实现更好的均衡性能,相比于ELM和RKELM,PVELM和PVRKELM可以实现均衡误差的急剧下降,大幅度提高了均衡性能。