[发明专利]基于门控循环单元神经网络的坐标变换常模盲均衡方法

说明书

本发明公开一种基于门控循环单元神经网络的坐标变换常模盲均衡方法，包括如下步骤：步骤1，输入信号y(k)经过信道h(k)后得到信道的输出序列s(k)，对该输出序列s(k)加入高斯白噪声n(k)，得到的序列x(k)作为门控循环单元神经网络的输入；步骤2，利用坐标变换方法更新门控循环单元神经网络门控权向量，将更新后的神经网络作为均衡器，对输入序列x(k)进行盲均衡运算，得到输出信号序列此种方法可有效降低通信系统接收端误码率，是一种适用于不同恶劣环境中的盲均衡方法。

技术领域

本发明属于盲均衡技术领域，特别涉及一种基于门控循环单元神经网络的坐标变换常模盲均衡方法。

背景技术

在现代数字通讯技术中，信道多径效应和环境噪声产生的码间串扰(ISI,Inter-Symbol Interference)导致通信系统判决器产生高误码率，降低了通讯质量。抑制码间串扰的有效方法是不需训练序列的盲均衡技术。盲均衡技术本质是通过性能优异的方法来实时调整均衡器参数，降低通信系统误码率。

传统的神经网络结构中相邻层全连接，但每层中各个单元并不连接，样本输入在各个时刻相互独立，使其在长序列处理上不够灵活。循环神经网络(RNN，Recurrent NeuralNetwork)虽隐藏层单元有信息内循环，但结构简单，对输入序列特征仅识别利用一次，不能充分提取序列特征，对时间跨度长的持续输入不能准确捕捉序列特征。门控循环单元神经网络(GRUNN，Gated Recurrent Unit Neural Network)将循环结构与门控结构结合起来，门控结构使GRUNN比RNN对长时间跨度序列特征感知能力更强。隐藏层中的每一个网络单元不仅接收当前时刻输入层的输入信息，还接收前一时刻隐藏层单元自身的输出信息，每一个隐藏层单元中都设置一个重置门与一个更新门，序列特征信息保存在门控参数中，具有良好的自适应和容错能力。采用GRUNN的盲均衡方法，收敛速度快，对信道变化追踪能力强，但仍存在相位偏转的缺陷。坐标变换方法(CT-CMA，Coordinate Transformation-basedCMA)实现了非常模信号星座与统计模值的匹配，纠正了相位偏转，并且具有一定的信号调制类型识别能力。因此，GRUNN与CT-CMA相结合应用于盲均衡技术中，将是有意义的尝试。

发明内容

本发明的目的，在于提供一种基于门控循环单元神经网络的坐标变换常模盲均衡方法，其可有效降低通信系统接收端误码率，是一种适用于不同恶劣环境中的盲均衡方法。

为了达成上述目的，本发明的解决方案是：

一种基于门控循环单元神经网络的坐标变换常模盲均衡方法，包括如下步骤：

步骤1，输入信号y(k)经过信道h(k)后得到信道的输出序列s(k)，对该输出序列s(k)加入高斯白噪声n(k)，得到的序列x(k)作为门控循环单元神经网络的输入；

步骤2，利用坐标变换方法更新门控循环单元神经网络门控权向量，将更新后的神经网络作为均衡器，对输入序列x(k)进行盲均衡运算，得到输出信号序列

采用上述方案后，本发明具有如下有益效果：

(1)本发明在循环神经网络基础上加入门控结构，使循环神经网络中只利用一次的信号序列通过门控结构其特征被多次识别提取，从而网络对长时间跨度信息的感知能力更强、记忆力更持久；

(2)将门控循环单元神经网络与坐标变换方法相结合，用坐标变换方法的代价函数替换原神经网络的代价函数，网络权重通过新代价函数迭代更新，进一步降低了剩余误差、纠正了相位偏转，有效抑制了数字通讯中的码间串扰；

(3)坐标变换方法的加入使本发明具备了信号调制类型识别能力，提高了通讯系统的工作效率，对MQAM与MPSK信号的通讯有良好的均衡效果，因此本发明在通讯技术领域有很强的实用价值。

附图说明

图1是本发明的流程原理图；