[发明专利]一种基于改进粒子群优化BP神经网络的盲信道均衡方法

权利要求书

1.一种基于改进粒子群优化BP神经网络的盲信道均衡方法，其特征在于，包括：

S1，根据基本的盲均衡原理，确定BP神经网络的结构，包括神经网络的层数、输入层节点个数、隐含层节点个数和输出层节点个数；

S2，对基本的粒子群算法进行改进；

S3，用改进的粒子群算法优化BP神经网络；

S4，将改进粒子群优化的神经网络用于盲信道均衡。

2.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的盲信道均衡算法，其特征在于，所述S1中包括：

盲均衡原理为：发射机发送的信号x(n)经过一未知信道h(n)后叠加一噪声信号s(n)得到y(n)，y(n)为均衡器的输入，通过均衡器均衡后得到均衡器输出信号再通过判决器后得到

根据盲均衡原理，三层前馈神经网络所实现的非线性映射，可以逼近任何连续函数网络，而且结构简单，运算量相对较小，所以在盲均衡的应用中，经常使用三层网络；本发明采用具有三层结构、一个输出节点的前馈神经网络，将均衡器的输入作为神经网络输入层的输入，均衡器输出作为神经网络输出层的输出，设输入层节点为M个，隐含层节点为N个，输出层节点为1个。

3.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的盲信道均衡算法，其特征在于，所述S2中包括：

基本的粒子群算法基本描述为：在一个D维空间，种群由N个粒子构成，将第i个粒子的位置表示为公式

X_i＝(x_i1,x_i2,...,x_iD) i＝1,2,...,N

这个粒子的运动速度表示为公式

V_i＝(v_i1,v_i2,...,v_iD) i＝1,2,...,N

这个粒子到目前为止在空间中搜索到的最优位置则即为个体极值，表示为公式

P_ibest＝(p_i1,p_i2,...,p_iD) i＝1,2,...,N

群体中所有粒子搜索到的最优位置即为全局极值，表示为公式

P_gbest＝(p_g1,p_g2,...,p_gD)

其中，下标g表示全局的含义；

则群体中的所有粒子可根据以下两个公式来不断调整自身的位置和速度达到寻找最优解的目的。

vidt+1=wvidt+c1r1(pid-xidt)+c2r2(pgd-xidt)]]>

xidt+1=xidt+vidt+1]]>

其中，v_id为第i个粒子的第d个速度分量，x_id为第i个粒子的第d个位置分量，p_id为第i个粒子第d个的最好位置分量，p_gd为全部粒子中的第d个最好位置分量，t为当前迭代次数，c₁和c₂为学因子，r₁和r₂为[0，1]范围内的随机数；w为惯性权重，一般为线性递减的，即w＝w_max-(w_max-w_min)t/T_max；其中，w_max为惯性权重的最大值，w_min为惯性权重的最小值，t为当前迭代次数，T_max为最大迭代次数；

在粒子在飞行过程中，粒子状态是不断变化的，因此，需要根据群体的状态对算法的参数做自适应的调整来平衡粒子群算法的全局和局部的搜索能力，考虑到这个问题，本发明中对惯性权重和学习因子的取值进行了改进；

惯性权重w的改进：改进的惯性权重w′，随着迭代次数的增加，前期下降的比较快，后期下降缓慢，公式如下：

w′＝a(w_max-w_min)[arccot(t/T_max)]³+bw_min

其中，w_max为惯性权重的最大值，一般取w_max＝0.9，w_min为惯性权重的最小值，一般取w_min＝0.4，t为当前迭代次数，T_max为最大迭代次数，这里取T_max＝1500，a和b调节曲线的幅度，这里取a＝0.3，b＝0.8；

学习因子的改进：改进的c₁曲线，随着迭代的进行，前期下降的比较快，后期下降缓慢；而改进的c₂曲线，随着迭代的进行，前期上升的比较快，后期上升缓慢，具体公式如下：

c1=k(c1start-c1end)1+(t/Tmax)0.5]]>

c₂＝4-c₁

其中，k调节曲线的幅度，这里取k＝2；c_1start为c₁的起始值，这里取c_1start＝2，c_1end为c₁的终值，这里取c_1end＝1；t为当前迭代次数，T_max为最大迭代次数，同样T_max＝1500，这里满足c₁+c₂＝4。