改进的hopfield型神经网络盲检测算法研究

《改进的hopfield型神经网络盲检测算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、＇，－Ｖ；ｐ＞．ｆ，：私；＂ｎ餐ｖ对ｆ却巧、ｒ＂．乂．ｖ置一．；象．．．；ｐ‘钟ｆ巧｝ｆ．拓杉ｉｆ－棄．、．ｉｌ，：ｙ＾＇；－－ｖ直＾；＾＼ｒｊ，＾：靴賴３密＾姊ｖ？？，？Ｈ＇溝裝，，苗．扣＊Ｖ．Ｉ护！一．．Ｉ占、為Ｉ苗；裏＾；部＾遷ｉ著．護ＩｖｒＩ．鼓．Ｉ霧：ｉ义、硕１女緣偉＾俗：－Ｒ非．Ｖ＇Ｖ：：－、ｆＰ．＾、．鲁；＇ｉ安一－气’．，，ｒＶＴ；．；、＇，：戸．、＂／累审－－：，把韓Ｍ？’吟＊＞诗＂兴＾、‘＼嗦ｆ、．：：、誦’．室、．Ｘ；；。警＇．ｆ．－礙

2、咬八立＾ｆ巧一聲弟Ｖ论义题目改嫌的ＨＷ＾＾ｙＩ节．。ｒ多和ｇ．；．一＂声．毒茹诗，＞．Ｊ＞毒、：．．Ｖ蟲＼＞；Ｖ：ｆ在－；．．．．：若；谭一．．變１－．ｙ‘：讀一．，‘讀，ｒ／＇，，，著护．－，３＇髮苗＇号Ｗ薩義‘学．；：．’．姓名＾ｒ嶋１乘．ｆ导师｜．ｆ，輪ｔ；学专电城统科；业旨．；ｒ－一；．器产无！＾Ｔ：硏究方向线＾咖＼編Ｖ；：巧奠７．串请学Ｓ类别｜ｒ．．、．讓；．片．月安八；论文提卽期？＾日／；；巧ｆ严ｒｆ，；」

3、編－＇．、？一警＾‘俾苗；＼声．－：於卢＇ｉ＾；福片ｊ．Ｉ讀Ｌ‘临：＂洁ｗ義．Ｍ若ｙ＞襄参蠢；茫龜ResearchonBlindDetectionAlgorithmBasedonImprovedHopfieldNeuralNetworkThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByJIKuimingSu

4、pervisor:Prof.YUShujuanMarch2016摘要Hopfield型神经网络盲检测算法具有不依赖于统计量、适用于含有公零点信道且所需数据量小等优势，相比于高阶统计量和二阶统计量盲检测算法，更加可以满足当今通信系统高速可靠的传输要求。但是，当前文献中Hopfield型神经网络盲检测算法由于在寻优过程中很容易陷入局部极小点或者找不到解，影响了系统的抗干扰能力和收敛速度。为了改善盲检测系统的性能，本文在现有文献算法的基础上做出以下主要创新工作：（1）在文献Hopfield神经网络（HopfieldNeuralNetwork,

5、HNN）模型基础之上构造了可变步长的Hopfield神经网络（VariableStepHopfieldNeuralNetwork，VSHNN），用于通信系统盲检测，给出了新的激活函数、设计了可变步长的结构，并证明了该网络的稳定性。仿真实验结果表明：VSHNN算法适用于含有公零点信道，所需数据量小；在文献信道下，VSHNN算法与文献中的HNN算法、暂态混沌神经网络(TransientChaoticNeuralNetwork，TCNN)算法、双Sigmoid混沌神经网络（DoubleSigmoidTransientlyChaoticNeur

6、alNetwork,DS-TCNN）算法相比，抗干扰能力较强，VSHNN算法在收敛速度上优于HNN及TCNN算法，但稍逊于DS-TCNN算法。（2）相对于其它Hopfield型神经网络盲检测算法，双Sigmoid混沌神经网络由于自身结构的特点，收敛速度优势明显，但抗干扰能力有欠缺。为提升DS-TCNN算法的抗干扰能力，本文第三章在DS-TCNN算法基础上提出了一种新的算法——带有函数扰动项的双Sigmoid结构混沌神经网络(DisturbedChaoticNeuralNetworkWithDoubleSigmoid,DS-DCNN)算法

7、。参照文献本文在该算法分别采用了三种不同函数扰动项，设计了新的能量函数，证明了在同步和异步更新模式下该网络的稳定性。仿真实验结果表明：相比于DS-TCNN盲检测算法、HNN盲检测算法和二阶统计量算法，DS-DCNN算法在抗干扰能力和收敛速度上都得到了改善，并且所需要的数据量更小。（3）为进一步提升DS-DCNN收敛速度，本文在第四章参照文献选择了三种不同非线性自反馈项用于双Sigmoid结构混沌神经网络，提出了双Sigmoid非线性自反馈混沌神经网络（NonlinearSelf-feedbackChaoticNeuralNetworkW

8、ithDoubleSigmoid,DS-NSCNN）。本章构建了DS-NSCNN新模型，设计了该网络能量函数，同时证明了同步和异步更新模式下的稳定性。仿真实验结果表明：DS-NSCNN算法沿袭了DS-TCN