[发明专利]基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法

说明书

本发明公开了基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，包括如下步骤：步骤SS1：构造接收数据矩阵X_N；步骤SS2：对所述接收数据矩阵X_N进行奇异值分解；步骤SS3：设置权矩阵W；步骤SS4：选择双Sigmoid迟滞混沌神经网络的激活函数，进行双Sigmoid迟滞混沌神经网络迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束。本发明首次利用双Sigmoid混沌神经网络和迟滞噪声构成了一个双Sigmoid迟滞噪声混沌神经网络，增强了网络的优化性能，提高了网络优化解的质量，本发明的抗噪性能和收敛速度优于传统的Hopfield信号盲检测算法。

技术领域

本发明涉及基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，属于无线通信信号处理及神经网络技术领域。

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(BlindDetection)提出了更高的要求。所谓盲检测是指仅利用接受信号本身便能够检测出发送信号，从而消除信号间干扰(ISI)以提高信息传输速率和可靠性。

为解决改善遗传、蚁群、免疫、微粒群等多种智能算法引起的信号传输质量差和抗干扰能力差的问题，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中高速数据传输的要求。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[Yang S,Lee C M,HBP:improvement in BPalgorithm for an adaptive MLP decision feedback equalizer[J].IEEETransactions on Circuits and System,2006,53(3):240-244]指出HNN算法往往会陷入局部极小点。文献[M Martín-Valdivia,A Ruiz-Sepúlveda,F Triguero-Ruiz,Improvinglocal minima of Hopfield networks with augmented Lagrange multipliers forlarge scale TSPs[J].Neural Networks,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[Luonan Chen,Kazuyuki Aihara,Chaotic simulated annealing by a neuralnetwork 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。针对这一问题，本发明提出了一种基于双Sigmoid迟滞混沌神经网络的信号盲检测算法，在迟滞混沌神经网络的基础之上引入随机噪声，使网络具有随机混沌模拟退火特性，给出分段随机模拟退火策略加快算法收敛速度，DS-HNCNN算法进一步改善了算法的抗干扰能力并进一步提升了盲检测算法的性能。

发明内容