[发明专利]基于双Sigmoid复数连续神经网络的信号盲检测方法

说明书

技术领域

本发明属于无线通信信号处理及神经网络技术领域，尤其是涉及基于双Sigmoid复数连续神经网络的信号盲检测方法。

背景技术

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(Blind Detection)提出了更高的要求。所谓盲检测就是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。

为解决传统自适应均衡技术容易引起的信道带宽利用率低等问题，许多文献开始使用Hopfield神经网络对信号盲检测问题进行研究。Hopfield神经网络(Hopfield Neural Networks,HNN)盲检测算法不受信道是否含公零点的限制且所需发送数据更短，与二阶统计量盲算法和高阶统计量盲算法相比，更能满足现代通信系统高速且可靠的传输要求。文献[张昀，现代通信系统与通信信号处理[PhD],博士学位论文(南京：南京邮电大学),2012.]基于HNN的盲检测算法研究已有初步成效，证明了网络趋向稳定平衡的充要条件。文献[孙明.基于小波和迟滞的混沌神经网络及其应用[PhD],博士学位论文(哈尔滨：哈尔滨工程大学),2010.]指出由于单纯采用梯度下降的动力学特性进行寻优，Hopfield神经网络易收敛到优化问题的局部极小解，甚至有时会收敛不到优化问题的最优解或者近似最优解。文献[M Martín-Valdivia,A Ruiz-Sepúlveda,F Triguero-Ruiz,Improving local minima of Hopfield networks with augmented Lagrange multipliers for large scaleTSPs[J].NeuralNetworks,2000,13(3):283-285]为解决局部极小点问题，在算法流程中，需在判断算法陷入局部极小值后，另行选择不同的起点，以得到全局最优点。文献文献[Luonan Chen,Kazuyuki Aihara,Chaotic simulated annealing by a neural network model with transient chaos[J].Neural Networks,1995，8(6):915–930]指出,混沌神经网络(Transiently Chaotic Hopfield Neural Network,TCHNN)可以避免陷入局部最优。然而，TCHNN具有负的自耦合，会导致能量函数的收敛速度变慢。

发明内容

为了克服现有技术抗干扰能力和收敛速度低的缺陷，本发明提供基于双Sigmoid复数连续神经网络的信号盲检测方法。本发明方法是在传统Hopfield神经网络模型的基础上设计新的激活函数，它与传统激活函数变化趋势相像，但通过参数调节减弱激活函数在0点周围对网络输入值的敏感度，同时双Sigmoid结构的引入加快了网络的收敛速度，进而能提高抗噪声性能。该网络旨在为无线通信网信号盲检测提供一种避免陷于局部最优且搜索精度高的算法，为无线通信网提供准确且快速的信号盲检测方法。

为解决上述技术问题，本发明所采用的技术方案是：

基于双Sigmoid复数连续神经网络的信号盲检测方法，包括如下步骤：

步骤A，构造接收数据矩阵：

接收端接收单个用户发送信号，经过过采样，获得离散时间信道的接收方程：

X_N＝SΓ^T

式中，X_N是接收数据阵，S是发送信号阵，Γ是由信道冲激响应h_pp构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，

M为信道阶数，L为均衡器阶数，N为所需数据长度；

s_L+M(k)＝[s(k),…,s(k-L-M)]^T；其中，s∈{±1}，时刻k为自然数；

h_pp＝[h₀,…,h_M]_q×(M+1)，pp＝0,1,…,M，q是过采样因子，取值为正整数；

X_N＝[x_L(k),…,x_L(k+N-1)]^T是N×(L+1)q接收数据阵，其中x_L(k)＝Γ·s_L+M(k)；

步骤B，接收数据矩阵奇异值分解：