论文部分内容阅读
Hopfield神经网络盲检测算法具有不依赖于统计量、适用于含有公零点的信道且所需数据量短等优势，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且可靠的传输要求。然而Hopfield神经网络由于采用梯度下降动力学的优化方式，寻优过程中却很容易陷入局部极小点或者找不到解。针对这一缺陷，本文做出以下主要创新工作： （1）在文献Hopfield神经网络（Hopfield Neural Network, HNN）模型的基础之上设计了可变步长的Hopfield神经网络（Variable Step Hopfield Neural Network，VSHNN），用于通信系统盲检测，使用了新的激活函数、设计了可变步长的结构，并给出了该网络的稳定性证明。实验结果表明：在文献信道下，VSHNN算法不仅抗干扰能力均胜于文献HNN算法和文献暂态混沌神经网络(Transient Chaotic Neural Network，TCNN)算法，而且VSHNN算法还可以很好地适用于含有公零点信道，收敛速度也有了较明显地提高。 （2）针对HNN容易陷入局部最小值以及TCNN收敛较慢的缺点，本文的第三章在文献TCNN的基础上构建了一种双Sigmoid结构并带有函数扰动项的混沌神经网络(Disturbed Chaotic Neural Network With Double Sigmoid, DS-DCNN)，用于通信系统盲检测，设计了该网络新的能量函数，并且分别证明了在同步和异步更新模式下该网络的稳定性。实验结果表明：相比于TCNN盲检测算法、HNN盲检测算法和二阶统计量算法，DS-DCNN算法拥有更强的抗干扰能力和更快速的收敛速度，并且所需要的数据量更短。 （3）因为非线性自反馈项能使混沌神经网络展现出更加丰富的动力学行为，从而使网络具有更为优越的混沌搜索能力和搜索效率，本文的第四章将非线性的自反馈项引入到混沌神经网络中去，由此构建了双Sigmoid非线性自反馈混沌神经网络（Nonlinear Self-feedback Chaotic Neural Network With Double Sigmoid, DS-NSCNN），用于通信系统盲检测。首先构建了DS-NSCNN新模型，接着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。实验结果表明：DS-NSCNN算法沿袭了TCNN的优点，可以避免网络局部最优，抗干扰能力有了一定的提升；DS-NSCNN的能量函数收敛速度很明显优于HNN算法和TCNN算法；此外，DS-NSCNN算法只需较短数据量就能实现盲检测，从而降低了计算复杂度。